多模態(tài)感知+強(qiáng)推理規(guī)劃
賦能工業(yè)場(chǎng)景規(guī)?；瘧?yīng)用
在智能化浪潮席卷全球的當(dāng)下，人形機(jī)器人的規(guī)劃能力已成為關(guān)鍵競(jìng)爭(zhēng)維度之一。傳統(tǒng)機(jī)器人系統(tǒng)依賴預(yù)設(shè)指令執(zhí)行任務(wù)，難以應(yīng)對(duì)高度動(dòng)態(tài)、多變的現(xiàn)實(shí)場(chǎng)景。而本次三大基準(zhǔn)測(cè)試的核心，正是針對(duì)人形機(jī)器人在復(fù)雜環(huán)境中的多模態(tài)感知和推理規(guī)劃能力進(jìn)行系統(tǒng)化驗(yàn)證。
MS COCO detection challenge由微軟發(fā)起，是計(jì)算機(jī)視覺領(lǐng)域的權(quán)威評(píng)測(cè)基準(zhǔn)之一，在全球?qū)W術(shù)界與工業(yè)界享有極高認(rèn)可度，常年被眾多頂尖論文與技術(shù)報(bào)告用作感知算法性能的衡量標(biāo)準(zhǔn)。
RoboVQA和Egoplan-bench2則分別由谷歌DeepMind和香港大學(xué)提出，致力于構(gòu)建機(jī)器人第一視角推理與任務(wù)規(guī)劃的公開標(biāo)準(zhǔn)基準(zhǔn)測(cè)試，重點(diǎn)關(guān)注多模態(tài)、長(zhǎng)周期任務(wù)規(guī)劃能力。參與排名的模型包括北京智源、英偉達(dá)ThinkAct、Cosmos-reason1、GPT-4V、Qwen2.5-vl等。
優(yōu)必選Thinker在MS COCO detection challenge - Segmentation Mask中排名第一
優(yōu)必選Thinker在MS COCO detection challenge - Bounding Box排名中并列第一
優(yōu)必選Thinker在RoboVQA與Egoplan-bench2中排名第一
這一成績(jī)的背后，是優(yōu)必選自主研發(fā)的Thinker架構(gòu)與訓(xùn)練框架所提供的技術(shù)支撐，通過多項(xiàng)關(guān)鍵技術(shù)創(chuàng)新性整合，系統(tǒng)化提升了人形機(jī)器人的感知與推理規(guī)劃能力，為工業(yè)場(chǎng)景的規(guī)?；瘧?yīng)用奠定基礎(chǔ)。
prompt: "Move the material box to the conveyor belt."
Thinker: "First locate the conveyor belt, then place the material box."
Walker S2在工業(yè)場(chǎng)景中自主完成上料
第一，自研視覺編碼器基座，構(gòu)建精準(zhǔn)環(huán)境感知。優(yōu)必選以ViT作為視覺編碼器原型，結(jié)合Co-DETR檢測(cè)頭，依托Object 365等開源數(shù)據(jù)在通用視覺任務(wù)上進(jìn)行預(yù)訓(xùn)練，并通過多階段模態(tài)對(duì)齊機(jī)制實(shí)現(xiàn)了視覺-語言模態(tài)的高效融合。最終，在優(yōu)必選機(jī)器人數(shù)據(jù)集上進(jìn)行微調(diào)，顯著提升機(jī)器人在工業(yè)場(chǎng)景中對(duì)物體、障礙和操作上下文的識(shí)別能力，為復(fù)雜環(huán)境下穩(wěn)定可靠的多模態(tài)環(huán)境感知奠定了堅(jiān)實(shí)基礎(chǔ)。
第二，超大規(guī)模參數(shù)架構(gòu)，提供強(qiáng)大語義理解基礎(chǔ)。優(yōu)必選自研了具有百億參數(shù)的多模態(tài)大模型Thinker基座，實(shí)現(xiàn)視覺-語言-時(shí)間的跨域統(tǒng)一表征，使機(jī)器人能夠在多場(chǎng)景中準(zhǔn)確捕捉環(huán)境細(xì)節(jié)、理解任務(wù)指令并做出推理，為自動(dòng)化操作提供可靠的認(rèn)知基礎(chǔ)。
第三，時(shí)序增強(qiáng)算法與強(qiáng)化學(xué)習(xí)方法，增強(qiáng)長(zhǎng)程任務(wù)規(guī)劃連貫可靠。通過大模型蒸餾技術(shù)，將百億參數(shù)模型效果濃縮至7B參數(shù)模型中，在保持高性能的同時(shí)增強(qiáng)多步驟任務(wù)分解與連續(xù)決策能力。該優(yōu)化使模型可以在端側(cè)部署，用機(jī)器人自身搭載的算力就可實(shí)時(shí)自主拆解復(fù)雜流程，避免規(guī)劃中斷或邏輯混亂，在流程嚴(yán)格、環(huán)環(huán)相扣的工業(yè)場(chǎng)景中展現(xiàn)出關(guān)鍵價(jià)值，將有力保障生產(chǎn)連貫性和操作安全性。
通用基礎(chǔ)能力打造+工業(yè)場(chǎng)景精調(diào)
共創(chuàng)工業(yè)人形機(jī)器人應(yīng)用生態(tài)
工業(yè)場(chǎng)景的精調(diào)策略正成為推動(dòng)多模態(tài)大模型邁向?qū)嶋H應(yīng)用的關(guān)鍵力量，為人形機(jī)器人在生產(chǎn)線上的穩(wěn)定、高效部署奠定了技術(shù)基礎(chǔ)，加速其從技術(shù)驗(yàn)證走向規(guī)模化實(shí)戰(zhàn)應(yīng)用的進(jìn)程。
優(yōu)必選創(chuàng)新性地采用“通用基礎(chǔ)能力打造+工業(yè)場(chǎng)景精調(diào)”的微調(diào)策略，基于超200萬條視頻數(shù)據(jù)構(gòu)成的大規(guī)模訓(xùn)練集進(jìn)行預(yù)訓(xùn)練，隨后引入優(yōu)必選在工廠實(shí)訓(xùn)中積累的億級(jí)工業(yè)數(shù)據(jù)集進(jìn)行微調(diào)，并對(duì)工業(yè)場(chǎng)景任務(wù)規(guī)劃數(shù)據(jù)加以清洗與整合，構(gòu)建高效多模態(tài)大模型學(xué)習(xí)閉環(huán)。通過這一流程，模型能夠快速學(xué)習(xí)工業(yè)場(chǎng)景的視覺特征、任務(wù)規(guī)則與操作偏好，最終顯著提升人形機(jī)器人在工業(yè)場(chǎng)景中的理解準(zhǔn)確率、規(guī)劃適配性與決策可靠性，實(shí)現(xiàn)在多種復(fù)雜場(chǎng)景中的泛化性與穩(wěn)定性。
prompt: "Move the material box onto the pile of boxes next to it."
Thinker: "The middle slot is the best one for the material box."
Walker S2在工業(yè)場(chǎng)景中自主規(guī)劃任務(wù)
在Thinker大模型技術(shù)體系的全方位賦能下，優(yōu)必選新一代工業(yè)人形機(jī)器人Walker S2 實(shí)現(xiàn)“最強(qiáng)大腦”再進(jìn)化，不僅具備高精準(zhǔn)環(huán)境感知能力，更能夠在動(dòng)態(tài)場(chǎng)景中高效完成任務(wù)分解、實(shí)時(shí)調(diào)整與穩(wěn)定規(guī)劃。借助Thinker，Walker S2可精準(zhǔn)識(shí)別設(shè)備、物料與障礙物，深度理解場(chǎng)景語義及操作前后邏輯關(guān)聯(lián)，顯著提升長(zhǎng)周期任務(wù)的執(zhí)行穩(wěn)定性。在復(fù)雜流水線環(huán)境中，機(jī)器人展現(xiàn)出持續(xù)連貫的規(guī)劃能力，大幅降低對(duì)人工干預(yù)的依賴。
實(shí)際應(yīng)用數(shù)據(jù)顯示，相比僅基于通用數(shù)據(jù)微調(diào)的模型，采用工業(yè)數(shù)據(jù)集進(jìn)行二次微調(diào)后，Walker S2在拆碼垛規(guī)劃等典型任務(wù)的中的規(guī)劃精度提升超過 20%，有力驗(yàn)證了該技術(shù)方案的產(chǎn)業(yè)化價(jià)值，相關(guān)技術(shù)報(bào)告將在arxiv上發(fā)布。
prompt: “Move the material box onto the roller rack.”
Thinker: “First locate the roller rack and then place material box.”
Walker S2在工業(yè)場(chǎng)景中自主規(guī)劃任務(wù)
當(dāng)前，人形機(jī)器人正在進(jìn)入大規(guī)模應(yīng)用的關(guān)鍵階段，其發(fā)展亟需與開發(fā)者共同構(gòu)建開放、協(xié)同的應(yīng)用生態(tài)。為此，優(yōu)必選將逐步開源一系列業(yè)界稀缺的工業(yè)場(chǎng)景數(shù)據(jù)集與通用基礎(chǔ)大模型，為全行業(yè)提供源自實(shí)際應(yīng)用一線的高質(zhì)量合規(guī)數(shù)據(jù)資源。開發(fā)者可基于優(yōu)必選多模態(tài)大模型Thinker，面向各類新場(chǎng)景開展精調(diào)與二次開發(fā)，助力提升開發(fā)效率。我們期待與全球開發(fā)者攜手，共創(chuàng)工業(yè)人形機(jī)器人的應(yīng)用生態(tài)，為具身智能行業(yè)的加速發(fā)展注入持續(xù)動(dòng)能。
