机器人领域出了个「RoboGPT」：一个模型处理不同感官输入｜开源

Pine 发自 凹非寺
量子位 | 公众号 QbitAI

懒得打扫房间，那就直接交给机器人来做吧。

想吃零食了，机器人也能帮你服务，薯片和纸巾都给你贴心备好。

而且，这个机器人只需要一个单一的预训练模型，就能从不同的感官输入（如视觉、文本等）中生成命令，来执行多种任务。

要知道，在以往机器人执行命令时，处理这些不同的任务时， IO 规范、神经网络体系结构和目标等都是不一样的。

现在，这个问题谷歌解决了，他们研究出了适用于机器人领域的Transformer模型：RT-1，甚至被人戏称为RoboGPT。

△图源：推特@Jim Fan

更重要的是，RT-1代码已开源！

具体原理

先来整体看看RT-1，它执行任务主要依靠的就是：7+3+1。

所谓7，是指它的手臂有7个自由度，分别是x，y，z，滚动，俯仰，偏航，手爪开口。

3是指基础运动的三个维度，即在地面运动时的x，y，偏航。

1则指RT-1的整体控制，即切换这三种模式：控制手臂，基础运动，或终止任务。

△图源：Everyday Robots

而RT-1执行任务时，它的底层逻辑还是纯粹的监督式学习，要做好监督式学习，就得具备两个条件：

丰富的数据集和强大的神经结构。

首先是数据集，RT-1是在一个大规模的、真实世界的机器人数据集上进行训练的，可以用4个数字来概括：13万、700+、13、17，分别表示：

• 包括13万个片段；
• 涵盖700多个任务；
• 使用了13个机器人；
• 历时17个月。

然后就是RT-1的结构了，它执行任务的过程如下图所示。

具体来说，图像和文本先通过ImageNet预训练的卷积神经网络（EfficientNet）进行处理。

在这其中，为了确保文本和图像同路能够很好地被整合在一起，RT-1还使用了FiLM层，这是一种通过语言嵌入来调节视觉活动的经典技术。

这样一来，RT-1便能很好地提取与手头任务相关的视觉特征。

然后这些视觉特征会被Token Learner模块计算成一组紧凑的token传递给Transformer，这使得机器人的推理速度能够提高2.4倍以上。

接下来Transformer会来处理这些token并产生离散化的操作token，而操作token便是一开始说的那个7+3+1了。

通过控制手臂，基础运动以及模式便能够执行任务了。

在执行任务的整个过程中，RT-1还会以3Hz的频率执行闭环控制和命令操作，直到产生终止操作或用完预先设置的时间步骤数。

不过话说回来，既然这个机器人能够执行多任务，那它执行通用任务时的能力到底如何呢？

研究人员分别测试了RT-1对干扰物数量（第一行）、不同背景和环境（第二行）以及真实场景（第三行）的鲁棒性。

并与其他基于模仿学习的基线进行比较，结果如下图所示（第一项为训练期间的表现）。

显而易见，在每个任务类别中，RT-1都明显优于以前的模型。

研究团队

这个机器人来自谷歌，研究团队的成员也比较庞大，分别来自三个研究团队：

首先是Robotics at Google，它是Google Research下的一个细分领域团队，目前正在探索“如何教机器人可转移的技能”。

并且他们也在不断公开其训练的数据，以帮助推进这一领域的最先进水平。

然后是Everyday Robots，它是X-登月工厂的一个细分领域团队，和谷歌团队一起工作，目前他们正在制造一种新型机器人，一个可以自学的，可以帮助任何人做任何事情的通用机器人。

还有就是Google Research，它是Google公司内部进行各种最先进技术研究的部门，他们也有自己的开源项目，在GitHub公开。

项目地址：
https://github.com/google-research/robotics_transformer

论文地址：
https://arxiv.org/abs/2212.06817

参考链接：
https://robotics-transformer.github.io/