斯坦福机器人进化：从演示中转移技能，400美元解训练数据悖论

斯坦福最新“技能转移”大法，让人类沦为给机器人提供训练数据的工具人。

小哥拿上机械手做示范，机器人就能从收集到的数据中学会刷碗，并且能随机应变。

打开水龙头、抓取盘子、用百洁布清洗一气呵成，外界干扰使坏也不怕。

整套系统从硬件到代码完全开源，成本只需400美元，就可以在没有机器人的情况下收集训练机器人所需数据。

更详细的3D打印、组装教程视频也即将发布。

要知道，在这项工作之前要想大规模训练机器人be like：

对此，李飞飞团队具身智能成果VoxPoser一作黄文龙表示：惊人的工作，破解了机器人数据收集中的先有鸡先有蛋难题。

有网友觉得，这项工作和之前爆火的斯坦福家务机器人ALOHA等工作同样令人印象深刻。

实际上，都是来自斯坦福大学的两个团队，已经在实验室里带着各自的机器人对练碰拳、握手了。

破解数据的先有鸡先有蛋难题

新方法收集数据的秘密，就藏在这对手持夹持器里。

左右手各一个300美元的Go Pro摄像头，搭配一面镜子就能得到隐式立体信息，大大节省成本和重量。

再加上内置的惯性传感器，联合优化视觉跟踪和惯性姿态。

录好的第一视角演示影像就像这样：

机器人学会之后，即使照明环境发生剧烈变化也丝毫不受影响。

再叠加上人为干扰，机器人最后也不忘把水龙头关好。

除刷碗之外，还展示了叠衣服、摆放餐具和抛物投篮，都是学习了人类演示后，机器人全自主行动无遥控，1倍速播放。

通用操作接口

斯坦福的这项研究名为通用操作接口（UMI），是一种数据收集和策略学习框架，允许将技能从人类演示直接转移到可部署的机器人策略。

其中硬件，设计了一个手持夹持器，长这样婶儿：

上面搭载的GoPro运动相机，是唯一的传感器和记录设备，这种设计可以最小化人机观测空间上的差异，保证策略部署时的鲁棒性，同时也简化了硬件搭建。

相机配有155°宽视角鱼眼镜头，可以收集足够的视觉上下文和关键深度信息。相机的两边还配有两块物理侧镜，用于提供隐式的立体视角，辅助深度估计。

下图中绿色框圈出的部分就是侧镜在相机镜头上的显示：

结合内置的IMU传感器，UMI能够在快速运动下稳健跟踪，即使在运动模糊或视觉特征缺失时也能在短时间内保持跟踪。

并且，可以通过视觉标记实时检测夹持器张开宽度，进行精细和连续的抓取控制，同时可隐式检测抓取力度。

总的来说，UMI夹持器的重量为780克，其中3D打印的夹持器材料成本为73美元，GoPro相机及配件的总成本为298美元。

可谓集便携、低成本、信息丰富的数据收集于一身，在任何家庭或餐厅，2分钟内就可以开始进行数据收集。

再来看策略接口设计。

UMI在观测和推理时间上可能会有延迟，为此研究人员进行了延迟匹配。

具体来说，测量不同数据流的延迟将其对齐到最大延迟，通过图像时间戳进行线性插值，获得同步观测序列；测量机械臂和手持夹持器延迟，提前对应时间发送控制指令。

此外，作为策略输入的端效器（机械臂）位姿状态采用的是相对位姿序列的表示方法，所以与机器人基座的位置无关，可跨多个机器人平台部署，不需要重新训练或校准。

凭借多样化操作数据集，UMI能训练出一个扩散策略（Diffusion Policy），实现零样本泛化到新环境和对象，使得机器人在新环境下执行任务，也能展示出高度的适应性和灵活性。

扩散策略基于团队之前的研究成果，把扩散模型用于机器人视觉运动策略学习，可优雅地处理多模态动作分布、适用于高维动作空间以及表现出令人印象深刻的训练稳定性。

做到即使是水上作业也游刃有余：

斯隆奖得主领衔

UMI来自斯坦福大学 、哥伦比亚大学 、丰田研究院联合团队。

通讯作者为斯隆奖得主、斯坦福助理教授、哥伦比亚大学兼职副教授宋舒然，两位共同一作都是宋舒然的博士生。

论文公布后，她还补充总结了在这个项目中学到的三件事：

l  通过正确的硬件设计，腕戴式相机足以应对具有挑战性的操作任务。

l  通过合适的策略接口，可以实现跨实体（cross-embodiment）的策略。

l  如果数据合适，行为克隆（BC）可以实现泛化。

共同一作Cheng Chi（迟宬），哥伦比亚大学博士生及斯坦福Student of New Faculty。

共同一作上交大校友Zhenjia Xu，哥伦比亚大学博士生及斯坦福大学机器人与具身智能实验室 (REAL)成员。

Cheng Chi认为，新方法在大多数任务上实现了70-90%的成功率，但仍然没有达到商业部署的标准。

最后还自曝了一波UMI系统的翻车集锦。可以看出，机器人在真实场景中还会碰到很多意想不到的问题，但这回新方法启动了数据飞轮，解决也只是时间问题。

论文地址：https://umi-gripper.github.io

来源：量子位