當(dāng)我們拿起一個(gè)機(jī)械手表時(shí)，從正面會(huì)看到表盤和指針，從側(cè)面會(huì)看到表冠和表鏈，打開手表背面會(huì)看到復(fù)雜的齒輪和機(jī)芯。每個(gè)視角都提供了不同的信息，將這些信息綜合起來才能理解操作對(duì)象的整體三維。

想讓機(jī)器人在現(xiàn)實(shí)生活中學(xué)會(huì)執(zhí)行復(fù)雜任務(wù)，首先需要使機(jī)器人理解操作對(duì)象和被操作對(duì)象的屬性，以及相應(yīng)的三維操作空間，包括物體位置、形狀、物體之間的遮擋關(guān)系，以及對(duì)象與環(huán)境的關(guān)系等。

其次，機(jī)器人需要理解自然語言指令，對(duì)未來動(dòng)作進(jìn)行長期規(guī)劃和高效執(zhí)行。使機(jī)器人具備從環(huán)境感知到動(dòng)作預(yù)測的能力是具有挑戰(zhàn)性的。

近期，中國電信人工智能研究院（TeleAI）李學(xué)龍教授團(tuán)隊(duì)聯(lián)合上海人工智能實(shí)驗(yàn)室、清華大學(xué)等單位，模擬人「感知—記憶—思維—想象」的認(rèn)知過程，提出了多視角融合驅(qū)動(dòng)的通用具身操作算法，為機(jī)器人學(xué)習(xí)復(fù)雜操作給出了可行解決方案，論文被國際機(jī)器學(xué)習(xí)大會(huì)ICML 2024錄用，為構(gòu)建通用三維具身策略奠定了基礎(chǔ)。

近年來，視覺基礎(chǔ)模型對(duì)圖像的理解能力獲得了飛速發(fā)展。然而，三維空間的理解還存在許多挑戰(zhàn)。能否利用視覺大模型幫助具身智能體理解三維操作場景，使其在三維空間中完成各種復(fù)雜的操作任務(wù)呢？受「感知—記憶—思維—想象」的認(rèn)知過程啟發(fā)，論文提出了全新的基于視覺分割模型Segment Anything（SAM）的具身基座模型SAM-E。

首先，SAM- E具有強(qiáng)大可提示（promptable）「感知」能力，將SAM特有的分割結(jié)構(gòu)應(yīng)用在語言指令的具身任務(wù)中，通過解析文本指令使模型關(guān)注到場景中的操作物體。

隨后，設(shè)計(jì)一種多視角Transformer，對(duì)深度特征、圖像特征與指令特征進(jìn)行融合與對(duì)齊，實(shí)現(xiàn)對(duì)象「記憶」與操作「思考」，以此來理解機(jī)械臂的三維操作空間。

最后，提出了一種全新的動(dòng)作序列預(yù)測網(wǎng)絡(luò)，對(duì)多個(gè)時(shí)間步的動(dòng)作序列進(jìn)行建模，「想象」動(dòng)作指令，實(shí)現(xiàn)了從三維場景感知到具身動(dòng)作的端到端輸出。

• 論文名稱：SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation
• 論文鏈接： ???https://sam-embodied.github.io/static/SAM-E.pdf???
• 項(xiàng)目地址： ????https://sam-embodied.github.io/???

從二維感知到三維感知

在數(shù)字時(shí)代的浪潮中，隨著人工智能技術(shù)的飛速發(fā)展，我們正逐漸邁入一個(gè)嶄新的時(shí)代——具身智能時(shí)代。賦予智能體以身體，使其具備與真實(shí)世界直接互動(dòng)的能力，成為了當(dāng)前研究的重點(diǎn)方向之一。

要實(shí)現(xiàn)這一目標(biāo)，智能體必須具備強(qiáng)大的三維感知能力，以便能夠準(zhǔn)確地理解周圍環(huán)境。

傳統(tǒng)的二維感知手段在面對(duì)復(fù)雜的立體空間時(shí)顯得力不從心，如何讓具身智能體通過學(xué)習(xí)掌握對(duì)三維空間的精準(zhǔn)建模能力，成為了一個(gè)亟待解決的關(guān)鍵問題。

現(xiàn)有工作通過正視圖、俯視圖、側(cè)視圖等等多個(gè)視角的視圖還原和重建三維空間，然而所需的計(jì)算資源較為龐大，同時(shí)在不同場景中具有的泛化能力有限。

為了解決這個(gè)問題，本工作探索一種新的途徑——將視覺大模型的強(qiáng)大泛化能力應(yīng)用于具身智能體的三維感知領(lǐng)域。

SAM-E提出了使用具有強(qiáng)大泛化能力的通用視覺大模型 SAM 進(jìn)行視覺感知，通過在具身場景的高效微調(diào)，將其具有的可泛化，可提示（promptable）的特征提取能力、實(shí)例分割能力、復(fù)雜場景理解等能力有效遷移到具身場景中。

為了進(jìn)一步優(yōu)化SAM基座模型的性能，引入了動(dòng)作序列網(wǎng)絡(luò)的概念，不僅能夠捕捉單個(gè)動(dòng)作的預(yù)測，還能夠深入理解連續(xù)動(dòng)作之間的內(nèi)在聯(lián)系，充分挖掘動(dòng)作間的時(shí)序信息，從而進(jìn)一步提高基座模型對(duì)具身場景的理解與適應(yīng)能力。

圖1. SAM-E總體框架

SAM-E方法

SAM-E方法的核心觀點(diǎn)主要包含兩個(gè)方面：

• 利用SAM的提示驅(qū)動(dòng)結(jié)構(gòu)，構(gòu)建了一個(gè)強(qiáng)大的基座模型，在任務(wù)語言指令下?lián)碛谐錾姆夯阅堋Ｍㄟ^LoRA微調(diào)技術(shù)，將模型適配到具身任務(wù)中，進(jìn)一步提升了其性能。
• 采用時(shí)序動(dòng)作建模技術(shù)，捕捉動(dòng)作序列中的時(shí)序信息，更好地理解任務(wù)的動(dòng)態(tài)變化，并及時(shí)調(diào)整機(jī)器人的策略和執(zhí)行方式，使機(jī)器人保持較高的執(zhí)行效率。

可提示感知與微調(diào)

SAM- E核心在于利用任務(wù)指令提示驅(qū)動(dòng)的網(wǎng)絡(luò)結(jié)構(gòu)，包含一個(gè)強(qiáng)大的視覺編碼器和一個(gè)輕量的解碼器。

在具身場景中任務(wù)「提示」以自然語言的形式呈現(xiàn)，作為任務(wù)描述指令，視覺編碼器發(fā)揮其可提示的感知能力，提取與任務(wù)相關(guān)的特征。策略網(wǎng)絡(luò)則充當(dāng)解碼器的角色，基于融合的視覺嵌入和語言指令輸出動(dòng)作。

在訓(xùn)練階段，SAM-E 使用 LoRA 進(jìn)行高效微調(diào)，大大減少了訓(xùn)練參數(shù)，使視覺基礎(chǔ)模型能夠快速適應(yīng)于具身任務(wù)。

多視角三維融合

SAM-E引入了多視角Transformer網(wǎng)絡(luò)，以融合多視角的視覺輸入，深入理解三維空間。其工作分為兩個(gè)階段：視角內(nèi)注意力（View-wise Attention）和跨視角注意力（Cross-view Attention）。

首先，對(duì)多視角特征分別進(jìn)行視角內(nèi)部的注意力處理，然后融合多個(gè)視角和語言描述進(jìn)行混合視角注意力，實(shí)現(xiàn)多視角的信息融合和圖像—語言對(duì)齊。

動(dòng)作序列建模

在機(jī)械臂執(zhí)行中，末端執(zhí)行器的位置和旋轉(zhuǎn)通常呈現(xiàn)出連續(xù)而平滑的變化趨勢。這一特性使得相鄰動(dòng)作之間存在著密切的聯(lián)系和連續(xù)性。基于這一觀察，提出了一種新穎的時(shí)間平滑假設(shè)，旨在充分利用相鄰動(dòng)作之間的內(nèi)在關(guān)聯(lián)，實(shí)現(xiàn)對(duì)動(dòng)作序列的有效模仿學(xué)習(xí)。

具體來說，SAM-E框架通過序列建模技術(shù)捕捉動(dòng)作序列中的模式和關(guān)系，為動(dòng)作預(yù)測提供一種隱性的先驗(yàn)知識(shí)，并對(duì)動(dòng)作的連續(xù)性加以約束，從而顯著提升動(dòng)作預(yù)測的準(zhǔn)確性和一致性。

在實(shí)際應(yīng)用中，SAM-E 允許在一次動(dòng)作預(yù)測中執(zhí)行后續(xù)的多步動(dòng)作，極大地提高了執(zhí)行效率。

圖3.連續(xù)動(dòng)作的位置和旋轉(zhuǎn)變化              

圖4.動(dòng)作序列預(yù)測網(wǎng)絡(luò)

實(shí)驗(yàn)

實(shí)驗(yàn)使用具有挑戰(zhàn)性的機(jī)械臂任務(wù)集合——RLBench，對(duì)多視角觀測下的3D操作任務(wù)進(jìn)行了全面評(píng)估，SAM-E模型在多個(gè)方面均顯著優(yōu)于其他傳統(tǒng)方法。

• 在多任務(wù)場景下，SAM-E模型顯著提高了任務(wù)成功率。
• 在面對(duì)少量樣本遷移至新任務(wù)的情況下，SAM-E憑借強(qiáng)大的泛化性能和高效的執(zhí)行效率，有效提升新任務(wù)的表現(xiàn)。

圖5.三維操作任務(wù)結(jié)果比較

圖6.三維操作任務(wù)示例

此外，動(dòng)作序列建模顯著提高了 SAM-E 的執(zhí)行效率，同時(shí)在策略執(zhí)行階段，相比于單個(gè)動(dòng)作，動(dòng)作序列執(zhí)行顯著降低了模型推理次數(shù)，測試中甚至能通過一次模型推理完成相應(yīng)任務(wù)。

圖7.任務(wù)執(zhí)行中的模型推理頻率

SAM-E在真實(shí)機(jī)械臂控制中同樣有效，使用兩個(gè)第三人稱相機(jī)捕獲多視角視覺輸入，在五個(gè)真實(shí)任務(wù)上具有實(shí)時(shí)的推理能力。

圖8.真實(shí)機(jī)械臂任務(wù)

總結(jié)

該工作開創(chuàng)性地提出了一種以多視角融合的基礎(chǔ)的通用具身操作算法，利用視覺分割大模型和多視角融合實(shí)現(xiàn)具身智能體的三維物理空間感知。

通過高效的參數(shù)微調(diào)，將預(yù)訓(xùn)練視覺模型遷移到具身場景中，能夠解決自然語言指令的復(fù)雜3D機(jī)械臂操作任務(wù)。此外，模型可以通過學(xué)習(xí)少量專家示例，快速泛化到新的任務(wù)中，展現(xiàn)出優(yōu)越的訓(xùn)練效率和動(dòng)作執(zhí)行效率。

更重要的是，SAM-E以「感知—記憶—思維—想象」的認(rèn)知鏈路，實(shí)現(xiàn)了從數(shù)據(jù)到動(dòng)作的端到端映射。其意義不僅在于其在具身智能體中的應(yīng)用，更在于對(duì)提升智能體認(rèn)知能力的啟發(fā)。

通過模擬人類的感知和決策方式，智能體能夠更好地理解和適應(yīng)復(fù)雜的環(huán)境，從而在更廣泛的領(lǐng)域發(fā)揮更大的作用。

團(tuán)隊(duì)負(fù)責(zé)人介紹：

李學(xué)龍，中國電信CTO、首席科學(xué)家，中國電信人工智能研究院（TeleAI）院長。主要關(guān)注人工智能、臨地安防、圖像處理、具身智能。

本文轉(zhuǎn)自機(jī)器之心 ，作者：機(jī)器之心

原文鏈接:??https://mp.weixin.qq.com/s/bLqyLHzFoBrRBT0jgkmZMw??