李飞飞团队具身智能新作：500 美元，一切家务机器人帮你干

如今，机器人已经能够进行跑步和翻转，那么究竟何时才能够承担起家庭事务，为人类提供帮助呢？

为了解决这一挑战，李飞飞及其团队推出了最新的具身智能研究成果——𝗕𝗘𝗛𝗔𝗩𝗜𝗢𝗥 𝗥𝗼𝗯𝗼𝘁 𝗦𝘂𝗶𝘁𝗲 (𝗕𝗥𝗦)，这是一个全面解决家庭任务中机器人全身操作问题的框架。

而且，这个系统的核心组件成本仅在 500 美元以内。

在机器人学习的领域中，一个被广泛追求的目标是使机器人能够完成各种日常家庭活动。借助一款新型双臂移动机器人，我们的研究成果——BRS 正在努力攻克这一复杂且未解的难题。

例如，开启门把手，早上倒垃圾：

等家人出门后，再帮忙整理货架：

顺便清理起居室，把脏碗放入洗碗机：

并且认真负责，再把马桶刷干净：

这样，一台机器人就能轻松完成所有这些家务活。

研究团队还发现，即使在工作过程中出现些许问题，机器人也能够自行纠正错误。

（起初手臂无法触及马桶盖，机器人采取了前倾的动作进行调整）

网友们积极反馈，认为通用家庭机器人的实现又向前迈出了一步。

那么，李飞飞的团队到底是如何实现这一目标的呢？

聚焦三项全身控制能力

团队通过对 BEHAVIOR-1K（包含 1000 项家庭活动的机器人测试基准）的详细分析，确定了机器人成功完成家庭活动所需的三种全身控制能力：

• 双臂间的协同工作能力；

• 稳定且准确的导航能力；

• 末端执行器具备广泛的操作范围和触及能力。

尤其最后一点，很多人可能未曾重视末端执行器的控制能力。

在家庭环境中，日常物品往往分布在不同高度和位址，所以机器人必须灵活调整其伸展能力。

基于此，团队认为，为家务机器人配置双臂、移动底座和灵活的躯干是实现全身操作的关键。

具体来说，他们选择了 Galaxea R1 机器人（由国内星海图出品）作为硬件基础，拥有两个自如的 6 自由度手臂、4 自由度躯干和全向移动底座，满足家庭任务的需求。

然而，复杂的设计也给策略学习带来了挑战，尤其是在数据的规模化采集和全身协作方面。

为此，BRS 通过两项核心创新实现了软硬件的协同：

• 推出了一种低成本的全身遥操作接口——JoyLo；

• 提出新型学习算法WB-VIMA。

更具体地，JoyLo（低成本运动学双臂的操控系统）通过操纵木偶的理念，结合运动学双臂与任天堂 Joy-Con 控制器，达成高效的全身控制。

同时，还提供了丰富的用户反馈，提升了数据质量。

在总成本控制在 500 美元以内的条件下，团队在 R1 机器人上实现了 JoyLo 的设计目标：

• 高效的全身协调控制系统，实现复杂动作的流畅配合；

• 丰富的用户反馈机制，提升用户的远程操作体验；

• 确保高质量的示范动作，提升策略学习效果；

• 低成本方案，大大提高了系统的可及性；

• 实时便捷的控制器设计，保障操作的顺畅无缝。

另一方面，WB-VIMA（全身视觉-运动注意力）学习算法旨在利用机器人的固有运动学结构来建模全身动作。

它运用 Transformer 架构，通过自回归方式去噪全身动作，并整合多模态观察注意力，可以使机器人有效学习协调的全身动作。

在训练和部署过程中，通过特定优化器和调度器，利用工作站推理实现低延迟控制。

值得注意的是，WB-VIMA解决了一个重要问题：

在类人机器人中，基座或躯干的微小误差会在执行器末端显著放大。

针对这一点，WB-VIMA在预测下游组件动作时，并不孤立地考虑，而是先分析上游组件的状态和位置等信息，作为条件推导下游组件应进行的动作，从而实现整体协同运动。

BRS 可应用于多种家庭任务

研究团队对五类具有代表性的家庭任务进行了BRS评估，包括清洁房间、卫生间、垃圾处理、物品摆放和晾衣服等。

结果表明，BRS 可以有效地完成多样化的家庭任务。

同时，实验还验证了两项创新方法的有效性。

总体上，JoyLo在数据收集效率、适应性和用户体验方面都有杰出表现，而WB-VIMA则在性能上超过了基线方法。

在JoyLo的用户研究中，团队对10名参与者进行了深度评估，以测试JoyLo的效果和收集数据对策略学习的影响。

从结果来看，JoyLo在所有接口中表现最佳，任务成功率高且完成时间短，其任务平均成功率是VR控制器的5倍，而Apple Vision Pro几乎无人完成所有任务。

此外，WB-VIMA在所有任务中均超越了基准方法，成功率和表现大幅提升，且错误发生率显著减少。与环境物体的碰撞次数很少，且减少了电机因施加过大力量而失去动力的风险。

最后，关于 BRS 框架的所有研究成果均已开源，有兴趣的读者可以深入探索。

项目主页：

• https://behavior-robot-suite.github.io/

论文：

• https://arxiv.org/abs/2503.05652

算法代码：

• https://github.com/behavior-robot-suite/brs-algo

机器人代码：

• https://github.com/behavior-robot-suite/brs-ctrl

训练数据：

• https://huggingface.co/datasets/behavior-robot-suite/data

参考链接：

• https://x.com/drfeifei/status/1899127976979226835

本文来自微信公众号：量子位（ID：QbitAI），作者：一水

广告声明：文内包含的跳转链接（如超链接、二维码等）旨在提供更多信息，节省时间，仅供参考。