具身智能技術(shù)突破與應(yīng)用是通向 AGI 的必經(jīng)之路，目前全球科技公司正加速布局，包括特斯拉 Optimus、Agility Digit、波士頓動力 Atlas 及 Figure AI 等，今年蛇年春晚機(jī)器人“扭秧歌”也成為了人們茶余飯后的談資。隨著大模型技術(shù)的進(jìn)步，具身智能也迎來了快速的發(fā)展。但在國內(nèi)眾多企業(yè)與高校推動相關(guān)技術(shù)發(fā)展的過程中，核心挑戰(zhàn)仍在于具身操作泛化能力，即如何在有限具身數(shù)據(jù)下，使機(jī)器人適應(yīng)復(fù)雜場景并實(shí)現(xiàn)技能高效遷移。

為此，京東探索研究院李律松、李東江博士團(tuán)隊發(fā)起了該項目，聯(lián)合地瓜機(jī)器人秦玉森團(tuán)隊、中科大徐童團(tuán)隊、深圳大學(xué)鄭琪團(tuán)隊、松靈機(jī)器人及睿爾曼智能吳波團(tuán)隊共同推進(jìn)，得到了清華 RDT 團(tuán)隊在 baseline 方法上的技術(shù)支持。我們提出首個基于三輪數(shù)據(jù)驅(qū)動的原子技能庫構(gòu)建框架，突破傳統(tǒng)端到端具身操作的數(shù)據(jù)瓶頸。該方法可動態(tài)自定義和更新原子技能，并結(jié)合數(shù)據(jù)收集與 VLA 少樣本學(xué)習(xí)構(gòu)建高效技能庫。

實(shí)驗(yàn)表明，該方案在數(shù)據(jù)效率和泛化能力方面表現(xiàn)卓越，這是業(yè)內(nèi)首個基于數(shù)據(jù)驅(qū)動的具身大模型原子技能庫構(gòu)建框架，也是首個面向具身產(chǎn)業(yè)應(yīng)用的數(shù)據(jù)采集新范式。該框架旨在形成數(shù)據(jù)標(biāo)準(zhǔn)，解決當(dāng)前具身智能領(lǐng)域數(shù)據(jù)匱乏的問題，特別是在高校與產(chǎn)業(yè)之間數(shù)據(jù)和范式的流動上，從而加速具身大模型研究的推進(jìn)與實(shí)際落地。

 

一、研究背景

具身智能，即具身人工智能，在生成式 AI 時代迎來重要突破。通過跨模態(tài)融合，將文本、圖像、語音等數(shù)據(jù)映射到統(tǒng)一的語義向量空間，為具身智能技術(shù)發(fā)展提供新契機(jī)。VLA （視覺-語言-動作） 模型在數(shù)據(jù)可用性與多模態(tài)技術(shù)推動下不斷取得進(jìn)展。然而，現(xiàn)實(shí)環(huán)境的復(fù)雜性使具身操作模型在泛化性上仍面臨挑戰(zhàn)。端到端訓(xùn)練依賴海量數(shù)據(jù)，會導(dǎo)致“數(shù)據(jù)爆炸”問題，限制 VLA 發(fā)展。將任務(wù)分解為可重用的原子技能降低數(shù)據(jù)需求，但現(xiàn)有方法受限于固定技能集，無法動態(tài)更新。

為解決此問題，團(tuán)隊提出了基于三輪數(shù)據(jù)驅(qū)動的原子技能庫構(gòu)建方法，可在仿真或真實(shí)環(huán)境的模型訓(xùn)練中減少數(shù)據(jù)需求。如圖所示，VLP（視覺-語言-規(guī)劃）模型將任務(wù)分解為子任務(wù)，高級語義抽象模塊將子任務(wù)定義為通用原子技能集，并通過數(shù)據(jù)收集與 VLA 微調(diào)構(gòu)建技能庫。隨著三輪更新策略的動態(tài)擴(kuò)展，技能庫不斷擴(kuò)增，覆蓋任務(wù)范圍擴(kuò)大。該方法將重點(diǎn)從端到端技能學(xué)習(xí)轉(zhuǎn)向細(xì)顆粒度的原子技能構(gòu)建，有效解決數(shù)據(jù)爆炸問題，并提升新任務(wù)適應(yīng)能力。

 

基于三輪數(shù)據(jù)驅(qū)動的原子技能庫構(gòu)建與推理流程

二、為什么需要 VLP？VLP 需要具有哪些能力？

從產(chǎn)業(yè)落地角度看，具身操作是關(guān)鍵模塊。目前，端到端 VLA 進(jìn)行高頻開環(huán)控制，即便中間動作失敗，仍輸出下一階段控制信號。因此，VLA 在高頻控制機(jī)器人/機(jī)械臂時，強(qiáng)烈依賴 VLP 提供低頻智能控制，以指導(dǎo)階段性動作生成，并協(xié)調(diào)任務(wù)執(zhí)行節(jié)奏。

為統(tǒng)一訓(xùn)練與推理的任務(wù)分解，本文構(gòu)建了集成視覺感知、語言理解和空間智能的 VLP Agent。如圖所示，VLP Agent 接收任務(wù)指令文本與當(dāng)前觀察圖像，并利用 Prismatic 生成場景描述?？紤]到 3D 世界的復(fù)雜性，我們設(shè)計了一種空間智能感知策略：首先，Dino-X 檢測任務(wù)相關(guān)物體并輸出邊界框；然后，SAM-2 提供精細(xì)分割掩碼，并基于規(guī)則判斷物體間的空間關(guān)系。最終，這些視覺與空間信息與任務(wù)指令一同輸入 GPT-4，生成完整執(zhí)行計劃并指定下一個子任務(wù)。VLP Agent 通過該方法在原子技能庫構(gòu)建中有效分解端到端任務(wù)，并在推理過程中提供低頻控制信號，規(guī)劃并指導(dǎo)高頻原子技能的執(zhí)行。

 

基于空間智能信息的 VLP Agent 具身思維鏈框架

三、VLA 存在的問題是什么？在框架中起什么作用？

VLA 技術(shù)從專用數(shù)據(jù)向通用數(shù)據(jù)演進(jìn)，機(jī)器人軌跡數(shù)據(jù)已達(dá) 1M episodes 級別；模型參數(shù)規(guī)模從千億級向端側(cè)部署發(fā)展；性能上，VLA 從單一場景泛化至多場景，提升技能遷移能力。盡管端到端任務(wù)采集與訓(xùn)練有助于科研算法優(yōu)化，但在通用機(jī)器人應(yīng)用中，人為定義端到端任務(wù)易導(dǎo)致任務(wù)窮盡問題。在單任務(wù)下，物品位置泛化、背景干擾、場景變化仍是主要挑戰(zhàn)，即便強(qiáng)大預(yù)訓(xùn)練模型仍需大量數(shù)據(jù)克服；多任務(wù)下，數(shù)據(jù)需求呈指數(shù)級增長，面臨“數(shù)據(jù)爆炸”風(fēng)險。

提出的三輪數(shù)據(jù)驅(qū)動的原子技能庫方法可結(jié)合 SOTA VLA 模型，通過高級語義抽象模塊將復(fù)雜子任務(wù)映射為結(jié)構(gòu)化原子技能，并結(jié)合數(shù)據(jù)收集與 VLA 少樣本學(xué)習(xí)高效構(gòu)建技能庫。VLA 可塑性衡量模型從多本體遷移至特定本體的能力，泛化性則評估其應(yīng)對物體、場景、空間變化的表現(xiàn)。以 RDT-1B 作品為例，我們基于 6000 條開源數(shù)據(jù)及 2000 條自有數(shù)據(jù)微調(diào) VLA 模型。測試結(jié)果表明，模型在物品和場景泛化上表現(xiàn)優(yōu)異，但在物品位置泛化方面存在一定局限，且訓(xùn)練步數(shù)對最終性能影響顯著。為進(jìn)一步優(yōu)化，團(tuán)隊進(jìn)行了兩項實(shí)驗(yàn)包括位置泛化能力提升及訓(xùn)練步長優(yōu)化測試。這類 VLA 模型性能測試對于原子技能庫構(gòu)建至關(guān)重要，測試結(jié)果不僅優(yōu)化了 Prompt 設(shè)計，也進(jìn)一步增強(qiáng)了高級語義抽象模塊在子任務(wù)映射與技能定義中的精準(zhǔn)性。

四、為什么構(gòu)建原子技能庫？怎樣構(gòu)建？

具身操作技能學(xué)習(xí)數(shù)據(jù)源包括互聯(lián)網(wǎng)、仿真引擎和真實(shí)機(jī)器人數(shù)據(jù)，三者獲取成本遞增，數(shù)據(jù)價值依次提升。在多任務(wù)多本體機(jī)器人技能學(xué)習(xí)中，OpenVLA 和 Pi0 依托預(yù)訓(xùn)練 VLM ，再用真實(shí)軌跡數(shù)據(jù)進(jìn)行模態(tài)對齊并訓(xùn)練技能，而 RDT-1B 直接基于百萬級機(jī)器人真實(shí)軌跡數(shù)據(jù)預(yù)訓(xùn)練，可適配不同本體與任務(wù)。無論模型架構(gòu)如何，真實(shí)軌跡數(shù)據(jù)仍是關(guān)鍵。原子技能庫的構(gòu)建旨在降低數(shù)據(jù)采集成本，同時增強(qiáng)任務(wù)適配能力，提升具身操作的通用性，以滿足產(chǎn)業(yè)應(yīng)用需求。

基于數(shù)據(jù)驅(qū)動的原子技能庫構(gòu)建方法，結(jié)合端到端具身操作 VLA 與具身規(guī)劃 VLP，旨在構(gòu)建系統(tǒng)化的技能庫。VLP 將 TASK A, B, C, ..., N 分解為 Sub-task #1, #2, ..., #a+1。高級語義抽象模塊基于 SOTA VLA 模型測試可調(diào)整任務(wù)粒度，進(jìn)一步將子任務(wù)映射為通用原子技能定義 *1, *2, ..., *b+1，并通過數(shù)據(jù)收集與 VLA 少樣本學(xué)習(xí)，構(gòu)建包含 *1', *2', ..., *b+1' 的原子技能庫。面對新任務(wù) TASK N+1，若所需技能已在庫中，則可直接執(zhí)行；若缺失，則觸發(fā)高級語義抽象模塊，基于現(xiàn)有技能庫進(jìn)行原子技能定義更新，僅需對缺失的原子技能收集額外數(shù)據(jù)與 VLA 微調(diào)。隨著原子技能庫動態(tài)擴(kuò)增，其適應(yīng)任務(wù)范圍不斷增加。相比傳統(tǒng) TASK 級數(shù)據(jù)采集，提出的原子技能庫所需要的數(shù)據(jù)采集量根據(jù)任務(wù)難度成指數(shù)級下降，同時提升技能適配能力。

五、實(shí)驗(yàn)及結(jié)果分析

5.1 驗(yàn)證問題

• 在相同物體點(diǎn)位下采集軌跡數(shù)據(jù)，所提方法能否以更少數(shù)據(jù)達(dá)到端到端方法性能？

• 在收集相同數(shù)量的軌跡數(shù)據(jù)下，所提方法能否優(yōu)于端到端方法？

• 面對新任務(wù)，所提方法是否能夠在不依賴或者少依賴新數(shù)據(jù)的條件下仍然有效？

• 所提方法是否適用于不同 VLA 模型，并保持有效性和效率？

5.2 實(shí)驗(yàn)設(shè)置

針對上述問題，我們設(shè)計了四個挑戰(zhàn)性任務(wù)，并在 RDT-1B 和 Octo 基準(zhǔn)模型上，以 Agilex 雙臂機(jī)器人 進(jìn)行測試。實(shí)驗(yàn)采用端到端方法和所提方法分別采集數(shù)據(jù)，以對比兩者在數(shù)據(jù)利用效率和任務(wù)泛化能力上的表現(xiàn)。具體實(shí)驗(yàn)設(shè)置如下：

• 拿起香蕉并放入盤子

? 端到端方法：從 4 個香蕉點(diǎn)位和2 個盤子點(diǎn)位采集 24 條軌跡。

? 所提方法：保持?jǐn)?shù)據(jù)分布一致，分解為 12 條抓取香蕉軌跡和6 條放置香蕉軌跡。

? 為匹配端到端數(shù)據(jù)量，進(jìn)一步擴(kuò)大采樣范圍，從 8 個香蕉點(diǎn)位采集 24 條抓取軌跡，3 個盤子點(diǎn)位采集 24 條放置軌跡。

• 拿起瓶子并向杯中倒水

? 端到端方法：從 3 個瓶子點(diǎn)位和3 個杯子點(diǎn)位采集 27 條軌跡。

? 所提方法：分解為 9 條抓取瓶子軌跡和9 條倒水軌跡，確保數(shù)據(jù)分布一致。

? 進(jìn)一步擴(kuò)大采樣范圍，從 9 個瓶子點(diǎn)位采集 27 條抓取軌跡，9 個杯子點(diǎn)位采集 27 條倒水軌跡。

• 拿起筆并放入筆筒

? 端到端方法：從 4 個筆點(diǎn)位和2 個筆筒點(diǎn)位采集 24 條軌跡。

? 所提方法：分解為 12 條抓取筆軌跡和6 條放置筆軌跡，保持?jǐn)?shù)據(jù)分布一致。

? 進(jìn)一步擴(kuò)大采樣范圍，從 8 個筆點(diǎn)位采集 24 條抓取軌跡，3 個筆筒點(diǎn)位采集 24 條放置軌跡。

• 按指定順序抓取積木（紅、綠、藍(lán)）

? 端到端方法：采集 10 條軌跡，固定積木位置，按順序抓取紅色、綠色、藍(lán)色積木。

? 所提方法：為匹配端到端數(shù)據(jù)量，分別采集 10 條抓取紅色、綠色、藍(lán)色積木軌跡，共 30 條。

 

任務(wù)定義與可視化

5.3 實(shí)驗(yàn)結(jié)果

前三個任務(wù)用于驗(yàn)證所提方法在數(shù)據(jù)效率和操作性能上的表現(xiàn)，第四個任務(wù)則評估其新任務(wù)適應(yīng)能力。為確保公平性，每種實(shí)驗(yàn)設(shè)置均在 Octo 和 RDT-1B 上進(jìn)行 10 次測試，對比端到端方法與所提方法（“Ours” 和 “Ours-plus”）。如表1所示，“End-To-End”：原始端到端 VLA 方法； “Ours”：保持?jǐn)?shù)據(jù)分布一致，但數(shù)據(jù)量更??； “Ours-plus”：保持?jǐn)?shù)據(jù)量一致，但采集更多點(diǎn)位；“ID”：任務(wù)點(diǎn)位在訓(xùn)練數(shù)據(jù)分布內(nèi)；“OOD”：任務(wù)點(diǎn)位超出訓(xùn)練數(shù)據(jù)分布。在第四個任務(wù)中，設(shè)定紅-綠-藍(lán)順序抓取積木為已知任務(wù)，并采集數(shù)據(jù)訓(xùn)練模型。針對其他顏色順序的未知任務(wù)，直接調(diào)用已訓(xùn)練的技能進(jìn)行測試，以評估方法的泛化能力（見表 2）。結(jié)果分析如下：

Q1: 從表 1 可見，Octo 和  RDT-1B 在使用所提方法后，成功率與端到端方法相當(dāng)甚至更高。在拿起瓶子并向杯中倒水任務(wù)中，OOD 測試成功率提升 20%，表明該方法在相同點(diǎn)位分布下，減少數(shù)據(jù)需求同時提升性能。

Q2: 在相同數(shù)據(jù)量下，所提方法顯著提升成功率。例如，在拿起香蕉并放入盤子任務(wù)中，OOD 情況下成功率提高 40%，歸因于從更多點(diǎn)位采集數(shù)據(jù)，增強(qiáng)模型泛化能力。

Q3: 從表 2 可見，端到端方法僅適用于已知任務(wù)，無法泛化新任務(wù)，而所提方法能通過已有技能組合成功執(zhí)行不同的新任務(wù)。

Q4: 表 1 和表 2 進(jìn)一步驗(yàn)證，所提方法在多種 VLA 模型上均提升數(shù)據(jù)效率、操作性能和新任務(wù)適應(yīng)能力，適用于不同模型的泛化與優(yōu)化。

表1：與原始端到端方法實(shí)驗(yàn)結(jié)果對比

 表2：與原始端到端方法方塊抓取任務(wù)實(shí)驗(yàn)結(jié)果對比

小結(jié)

團(tuán)隊提出的一種基于三輪數(shù)據(jù)驅(qū)動的原子技能庫構(gòu)建框架，旨在解決傳統(tǒng)端到端具身操作策略帶來的“數(shù)據(jù)爆炸”問題，為具身智能產(chǎn)業(yè)應(yīng)用提供創(chuàng)新解決方案。該框架具有廣泛價值，可用于提升物流倉儲、智能制造、醫(yī)療輔助等領(lǐng)域的自動化水平。例如，在醫(yī)療輔助和服務(wù)機(jī)器人領(lǐng)域，它能夠增強(qiáng)自主交互能力，助力精準(zhǔn)操作。希望此項工作能夠?yàn)樾袠I(yè)提供重要啟示，促進(jìn)學(xué)術(shù)界與產(chǎn)業(yè)界的深度合作，加速具身智能技術(shù)的實(shí)際應(yīng)用。

雷峰網(wǎng)雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。