工程師們一直在試圖搭建更智能、可靠的機(jī)器人，比如之前火爆全網(wǎng)、來自波士頓動力公司的機(jī)器狗Spot。它可以輕松上下樓梯、搬運(yùn)重物、巡查街道，等等。

波士頓動力公司機(jī)器狗Spot按下把手開門通過

機(jī)器狗由一個運(yùn)行著Android系統(tǒng)的遙控手柄控制，人們可以通過攝像頭隨時(shí)查看它的狀態(tài)，并提供指引爬上爬下、行走翻身。這當(dāng)然很棒，但當(dāng)我們想給機(jī)器人傳達(dá)更復(fù)雜的動作指令時(shí)，在手柄上相應(yīng)的操作就繁瑣了很多。能不能開發(fā)出一種更易用、直觀的人機(jī)交互方法，能讓我們更輕松地發(fā)送指令給機(jī)器人呢？與其在一個小屏幕上戳來戳去控制不同的機(jī)械參數(shù)，能不能直接告訴機(jī)器人具體的指令，讓它去做什么呢？

近日，由李飛飛教授及來自斯坦福大學(xué)、加州理工、清華大學(xué)和英偉達(dá)的幾位學(xué)者組成的團(tuán)隊(duì)（Yunfan Jiang，Agrim Gupta，Zichen Zhang，Guanzhi?Wang，Yongqiang Dou，Yanjun Chen，Li Fei-Fei，Anima Anandkumar，Yuke Zhu，Linxi Fan）發(fā)推，分享他們?nèi)碌难芯拷Y(jié)果：VIMA（Vision-and-Language Navigation with Multi-Modal Transformers），一個使用多模態(tài)提示執(zhí)行各類任務(wù)的機(jī)械體操作系統(tǒng)。

也就是說，在Prompt中輸入文字、圖片、視頻，或任意的組合，VIMA就可以控制機(jī)械臂執(zhí)行相應(yīng)的動作。

VIMA將多模態(tài)提示用于任務(wù)規(guī)范

?

VIMA能做什么？場景事例

輸入指令「把形狀一樣的物品放到綠色碗（圖片）里」給VIMA。

VIMA通過分析自然語言提示和圖像提示，識別出所有物品的位置，找到形狀一樣的兩個圓柱體，再找到和綠色碗，最后操作機(jī)械臂一次一次把兩個圓柱體放到了碗里。

?

輸入指令「把圖示物品（彩虹方塊）掃到圖示物品（紅框）內(nèi)，不觸碰圖示物品（黃線）。」給VIMA，系統(tǒng)識別出所有物件的位置，隨后按照指示操作機(jī)械臂把彩虹方塊掃到紅框里，不觸碰黃線。

?

最后來看這個例子。

我們甚至可以在prompt教給它新的視覺概念，輸入指令「這是一個zup <灰色方框圖片>，這是一個blicket <灰色十字圖片>。將紅色的wug放在綠色的blicket上?！?/p>

VIMA識別到所有物體后，操作機(jī)械臂執(zhí)行相應(yīng)動作。

?

?

?機(jī)械臂系統(tǒng)的組成結(jié)構(gòu)

VIMA主要由以下幾個部分組成：

Transformer編碼器和解碼器：用于對多模態(tài)提示進(jìn)行編碼和機(jī)器人臂的控制進(jìn)行解碼。

視覺和語言模塊：用于處理視覺和語言輸入，并將它們轉(zhuǎn)換為Transformer可以處理的令牌序列。

動作執(zhí)行器：用于將機(jī)器人臂的控制信號轉(zhuǎn)換為物理動作，并將其發(fā)送到機(jī)器人控制器。

數(shù)據(jù)集和基準(zhǔn)：用于評估和比較不同的機(jī)器人學(xué)習(xí)方法，并提供訓(xùn)練和測試數(shù)據(jù)。

物理仿真器：用于在虛擬環(huán)境中模擬機(jī)器人的行為，并提供快速的反饋和調(diào)試機(jī)制。

這些組件共同構(gòu)成了VIMA的核心部分，使得它能夠接收多模態(tài)提示并執(zhí)行各種機(jī)器人任務(wù)。?

在VIMA中，GPT-3模型在第一部分被用作解碼器，用于生成導(dǎo)航指令，以指導(dǎo)機(jī)器人在環(huán)境中執(zhí)行導(dǎo)航任務(wù)。具體來說，VIMA-GPT是一個僅包含解碼器的架構(gòu)，它通過對多模態(tài)提示進(jìn)行編碼，自回歸地解碼給定指令和交互歷史的下一個動作，控制機(jī)器臂的運(yùn)動。連接硬件后的VIMA成為了“一個具有體現(xiàn)性的AI代理：它可以感知環(huán)境并逐步在物理世界中采取行動。”Fan說到。

?

軟硬件結(jié)合的AI系統(tǒng)能做什么

團(tuán)隊(duì)共實(shí)現(xiàn)了17個不同的任務(wù)，分為6大類：簡單物體操作（Simple object manipulation）、視覺目標(biāo)達(dá)成（Visual goal reaching）、新概念理解（Novel concept grounding）、單次視頻模仿（One-shot video imitation）、視覺約束滿足（Visual constraint satisfaction）、視覺推理（Visual reasoning）。

?Fan在他的推文中提及：“多模態(tài)提示使得任務(wù)規(guī)范對用戶來說更加容易和靈活。通過一個單一的模型，VIMA將視覺目標(biāo)達(dá)成、從視頻演示中進(jìn)行一次性模仿、學(xué)習(xí)新概念以及滿足安全約束等多種任務(wù)統(tǒng)一起來。而在以前的工作中，每個任務(wù)都需要不同的訓(xùn)練流程。”

作為一個機(jī)器人控制的框架，VIMA可以擴(kuò)展成為極其強(qiáng)大的工具。像是一個實(shí)體的小愛同學(xué)，在學(xué)習(xí)完所有的步驟和物品之后，它可以你成為現(xiàn)實(shí)生活里的左膀右臂，例如：

家務(wù)。告訴它你想吃西紅柿炒雞蛋，VIMA在廚房里找到材料、開火、放糖（北方同學(xué)大喜），自動化炒菜。

教育。在學(xué)校的自習(xí)課替老師回答問題，并在黑板上拿粉筆寫筆記，為學(xué)生提供定制練習(xí)和反饋。

娛樂。投籃后每次替你撿球送水的女同學(xué)，一個VIMA機(jī)器人就能替代，甚至更體貼。

當(dāng)然，上面的例子過于理想了，但并不是不可能實(shí)現(xiàn)。

模型結(jié)構(gòu)：編碼-解碼轉(zhuǎn)換器

?

結(jié)語

VIMA作為一個仍在開發(fā)中的基礎(chǔ)模型，為智能機(jī)械體的發(fā)展方向指明了更切實(shí)的發(fā)展方向。它有可能使機(jī)器人更智能、更有用。而如此強(qiáng)大的工具將其所有內(nèi)容全部開源：代碼、預(yù)訓(xùn)練模型、數(shù)據(jù)集和物理仿真基準(zhǔn)都可以免費(fèi)獲取和使用！代碼的透明度和可重復(fù)性被提高，更多的人可以使用和改進(jìn)VIMA框架，促進(jìn)了合作和知識共享，這對推動機(jī)器人學(xué)習(xí)領(lǐng)域的發(fā)展起到了巨大的作用。

審核編輯：劉清