清華斯坦福研究：Ctrl-World技術(shù)降低機(jī)器人訓(xùn)練成本

清華和斯坦福的團(tuán)隊(duì)最近搞出個(gè)Ctrl-World系統(tǒng)，這東西直接解決了機(jī)器人訓(xùn)練的老大難問(wèn)題，以前機(jī)器人學(xué)個(gè)新動(dòng)作，又費(fèi)錢又費(fèi)時(shí)間，現(xiàn)在用虛擬環(huán)境預(yù)演，效率直接提上去了。

我之前去一家汽車零部件廠，看見(jiàn)師傅調(diào)試機(jī)械臂，光搭測(cè)試場(chǎng)景就花了3天，還得擔(dān)心機(jī)械臂磕著碰著，畢竟修一次就不少錢。

這種傳統(tǒng)方式，不光慢，成本還賊高，有時(shí)候調(diào)試一次的錢，夠買好幾臺(tái)普通電腦了。

而且就算花了這么多功夫，機(jī)器人遇到?jīng)]見(jiàn)過(guò)的任務(wù)，比如抓個(gè)角落的零件、疊條帶花紋的毛巾，能干成的概率也不高。

也正是因?yàn)檫@些麻煩，清華和斯坦福的團(tuán)隊(duì)才琢磨出Ctrl-World這么個(gè)解決方案，說(shuō)真的，這思路一出來(lái)，行業(yè)里不少人都眼前一亮。

這系統(tǒng)不用真的讓機(jī)器人在現(xiàn)實(shí)里瞎試，就在虛擬環(huán)境里練，只用了400條虛擬軌跡，就把機(jī)器人做陌生任務(wù)的本事往上提了不少。

斯坦福的ChelseaFinn老師在X上發(fā)了好幾條推文說(shuō)這事兒，我覺(jué)得她說(shuō)得特實(shí)在，生成好看的視頻容易，難的是讓模型真對(duì)機(jī)器人有用，這系統(tǒng)剛好做到了，既跟得上動(dòng)作，又不會(huì)經(jīng)常出“幻覺(jué)”。

以前機(jī)器人訓(xùn)練有個(gè)大問(wèn)題，就是“看不全”。

比如機(jī)械臂夾東西，只從一個(gè)角度看，根本搞不清夾沒(méi)夾住，經(jīng)常出現(xiàn)“東西沒(méi)碰著就挪走”的離譜情況。

Ctrl-World就給機(jī)器人裝了倆“眼睛”，一個(gè)是第三人稱的全局視角，能看見(jiàn)整個(gè)環(huán)境；另一個(gè)是腕部的第一人稱視角，專門盯機(jī)械臂和東西接觸的細(xì)節(jié)。

這倆視角一結(jié)合，效果立馬就出來(lái)了。

測(cè)試的時(shí)候，畫面跟真實(shí)場(chǎng)景的貼合度高了不少，那種不符合物理規(guī)律的“幻覺(jué)”少了很多。

本來(lái)想以為這只是小改進(jìn)，后來(lái)看數(shù)據(jù)才知道，峰值信噪比和結(jié)構(gòu)相似性都比單視角模型好不少，這對(duì)需要精細(xì)操作的活兒太重要了，比如組裝芯片、擰小螺絲，差一點(diǎn)點(diǎn)都不行。

還有個(gè)問(wèn)題是“控不準(zhǔn)”。

以前機(jī)器人動(dòng)一下，系統(tǒng)反應(yīng)跟不上，想讓它挪1厘米，可能挪多了也可能挪少了。

Ctrl-World搞了個(gè)幀級(jí)動(dòng)作控制，把機(jī)器人的動(dòng)作變成參數(shù)，每一幀的畫面都跟動(dòng)作對(duì)應(yīng)上。

我特意問(wèn)過(guò)做機(jī)器人的朋友，他說(shuō)這就像給機(jī)器人裝了“精準(zhǔn)導(dǎo)航”，哪怕就動(dòng)0.5厘米，畫面也能跟上，不會(huì)跑偏。

另外，機(jī)器人練久了還容易“忘事兒”，練著練著就跟真實(shí)情況脫節(jié)了。

這系統(tǒng)又加了個(gè)姿態(tài)記憶功能，從以前的訓(xùn)練記錄里挑關(guān)鍵幀，遇到類似動(dòng)作就拿出來(lái)參考。

這招挺聰明的，現(xiàn)在機(jī)器人能穩(wěn)定練20秒以上，不會(huì)練著練著就“走樣”，就算換個(gè)相機(jī)角度，也能適應(yīng)。

Ctrl-World不只是在實(shí)驗(yàn)室里好用，落地到實(shí)際場(chǎng)景里也特實(shí)在。

美的就在空調(diào)組裝線上試過(guò)，以前調(diào)試一條生產(chǎn)線要7天，現(xiàn)在用這系統(tǒng)，1天就搞定了，誤操作率也降了不少，單條生產(chǎn)線一年能省80多萬(wàn)。

本來(lái)想以為這技術(shù)只適合大工廠，后來(lái)發(fā)現(xiàn)家庭機(jī)器人也能用。

比如家里的機(jī)器人要收拾不規(guī)則的廚具、疊褶皺的衣服，以前得花兩天搭場(chǎng)景適配，現(xiàn)在用Ctrl-World，倆小時(shí)就搞定了，成本還降了九成。

還有救災(zāi)機(jī)器人，能在虛擬里模擬地震廢墟、火災(zāi)濃煙的環(huán)境，先預(yù)演好路徑再去真的救災(zāi)，既安全又省設(shè)備。

不過(guò)這系統(tǒng)也不是完美的。

遇到液體傾倒、東西高速碰撞的場(chǎng)景，虛擬和真實(shí)還有點(diǎn)差距。

團(tuán)隊(duì)說(shuō)接下來(lái)要把強(qiáng)化學(xué)習(xí)加進(jìn)去，讓機(jī)器人在虛擬里自己找最優(yōu)方法，還打算擴(kuò)大訓(xùn)練數(shù)據(jù)，覆蓋更多復(fù)雜場(chǎng)景。

我覺(jué)得這方向挺對(duì)的，畢竟機(jī)器人自己能琢磨，比人一點(diǎn)點(diǎn)教省事多了。

我覺(jué)得Ctrl-World最牛的不是數(shù)據(jù)多好看，是它把虛擬和真實(shí)打通了。

以前虛擬訓(xùn)練總怕和實(shí)際脫節(jié)，現(xiàn)在這系統(tǒng)的虛擬預(yù)演和真實(shí)表現(xiàn)相關(guān)系數(shù)能到0.87，說(shuō)明真能用得上。

對(duì)企業(yè)來(lái)說(shuō)，能省成本；對(duì)用戶來(lái)說(shuō)，以后家里的機(jī)器人能更快適應(yīng)新任務(wù)。

機(jī)器人行業(yè)以前總被成本和效率卡脖子，Ctrl-World這思路算是開(kāi)了個(gè)好頭。

以后要是能做成通用訓(xùn)練平臺(tái)，讓機(jī)器人既能聽(tīng)懂話，又能在虛擬里練好技能，那機(jī)器人普及就快多了。

不管是工廠里的機(jī)械臂，還是家里的服務(wù)機(jī)器人，都能少走不少?gòu)澛罚@才是真的幫行業(yè)解決問(wèn)題。