为什么“教”机器人，不能像教人一样手把手？现在可以了-A³·爱力方

在具身智能的这条漫漫征途上，一个长期以来，被视为“圣杯”级的、却又看似无解的核心难题，正被一支由两位斯坦-福华人博士所率领的名为Sunday Robotics的年轻团队，以一种极具想象力、也极具“普惠”色彩的方式，悍然攻破。

这个难题是：如何，为机器人，去采集到足够多的、高质量的、多样化的、能够反映真实世界复杂性的“人类演示数据”，同时，又彻底地，摆脱对昂贵的、专业的、只能在实验室中使用的遥操作设备的依赖？

近日，在经历了长达18个月的“隐身模式”之后，Sunday Robotics正式地揭开了其首款家务机器人Memo的神秘面纱。

而比Memo机器人本身，那憨态可掬的“乐高”式外观，更令人震撼的，是其背后，那一整套的、旨在将“数据采集”这件“苦差事”，变为一种“众包游戏”的、全新的数据飞轮。

这场“数据革命”的核心，是一副看起来平平无奇、其成本仅为400美元的“技能捕捉手套”。

这副手套，其内部，拥有与Memo机器人自己的机械手，完全相同的几何结构和传感器套件。

这意味着，任何一个普通人，在自己真实的家庭环境中，只需戴上这副手套，去像往常一样，完成那些最琐碎的日常家务——无论是收拾餐桌、清洗碗碟，还是折叠衣物、冲泡咖啡——其手部的每一个动作、每一次用力的细微变化，都将被精准地，记录下来。

而这些，由成千上万的、分布在全球各地的“记忆开发者”（Memory Developers），在最真实的、非结构化的家庭场景中，所贡献出的宝贵数据，将成为训练Memo机器人“大脑”的、最核心、也最高质量的“养料”。

Sunday Robotics，已经向全球各地，寄送出了超过2000副这样的手套。

其后台，目前，已经收集了将近1000万条包含了行走、导航、以及完成长时域复杂任务的完整轨迹数据。

当然，人手与机械手之间，存在着天然的差异——不同的身高、不同的臂展、不同的关节灵活度。

为了解决这个“跨物种”模仿的难题，团队，专门开发了一套“技能转换”技术。

这套系统，能够对采集到的运动学数据和视觉数据，进行精细化的、自动的调整和校准。根据官方披露的数据，其从“人类演示”到“机器人可执行动作”的转换成功率，高达90%。

如果说，“技能捕捉手套”，完美地，解决了数据“从哪里来”的问题。

那么，由该团队，专门为Memo机器人，所打造的ACT-1基础模型，则 brilliantly（ brilliantly）地，回答了数据“到哪里去”的问题。

ACT-1，是业内首个将长时程的、精细化的操作（Manipulation），与基于地图的、大范围的导航（Navigation），进行了端到端（End-to-End）统一建模的基础模型。

它，仅需输入原始的、来自摄像头的像素信息，或其他的传感器观测值，就能直接地，输出机器人全身所有关节的、统一的动作指令。

在一个典型的“从餐桌到洗碗机”的演示中，Memo，能够：

而比其在家中的表现，更令人印象深刻的，是其强大的泛化能力。

研究团队，特意地，在多个，机器人从未“见过”的、临时的Airbnb房源中，对Memo，进行了测试。

即便，是面对一个完全陌生的、全新的房间布局，Memo，依然能够，顺利地，完成其被指定的家务任务。

其背后的“秘诀”，在于ACT-1独特的、对3D环境地图的理解机制。

在训练阶段，模型并非是去死记硬背，某个特定房屋的布局。

它学会了如何去“阅读”和“理解”一张通用的3D环境地图。当它，进入一个新环境时，只要为其提供一张由手机LiDAR等设备，快速扫描生成的3D地图，Memo便能自主地，在其“脑中”，规划出最优的行动路线，并准确地，找到厨房、餐厅、洗碗机等关键的功能区域。

AIbase的分析认为，Sunday Robotics，这家由斯坦福华人博士赵子豪（Tony Zhao）和迟宬（Cheng Chi）所领衔的、仅有约30人的年轻团队，其所开创的，不仅仅是一款更聪明的家务机器人。

它，更像是一次深刻的、关于“如何，以一种更民主、更高效、更具扩展性的方式，去构建具身智能”的、方法论层面的革命。

赵子豪，本科毕业于加州大学伯克利分校，师从具身智能领域的先驱Sergey Levine；后在斯坦福大学，师从Chelsea Finn攻读博士。他，是ALOHA、ACT、Mobile ALOHA等一系列顶级具身智能研究的核心作者。
迟宬，则在斯坦福大学，师从机器人界的大佬宋舒然。他，是被业界广泛采用的Diffusion Policy的第一作者，也是Open X-Embodiment、DROID等核心具身智能数据集的重要贡献者。