李飛飛「具身智能」新成果！機器人接入大模型直接聽(tīng)懂人話(huà)，0預訓練就能完成復雜指令（2）

以下分別是VoxPoser在真實(shí)和模擬環(huán)境中的表現（衡量指標為平均成功率）：

可以看到，無(wú)論是哪種環(huán)境哪種情況（有無(wú)干擾、指令是否可見(jiàn)），它都顯著(zhù)高于基于原語(yǔ)的基線(xiàn)任務(wù)。

最后，作者還驚喜地發(fā)現，VoxPoser產(chǎn)生了4個(gè)“涌現能力”：

（1）評估物理特性，比如給定兩個(gè)質(zhì)量未知的方塊，讓機器人使用工具進(jìn)行物理實(shí)驗，確定哪個(gè)塊更重；

（2）行為常識推理，比如在擺餐具的任務(wù)中，告訴機器人“我是左撇子”，它就能通過(guò)上下文理解其含義；

（3）細粒度校正，比如執行“給茶壺蓋上蓋子”這種精度要求較高的任務(wù)時(shí)，我們可以向機器人發(fā)出“你偏離了1厘米”等精確指令來(lái)校正它的操作；

（4）基于視覺(jué)的多步操作，比如叫機器人將抽屜精準地打開(kāi)成一半，由于沒(méi)有對象模型導致的信息不足可能讓機器人無(wú)法執行這樣的任務(wù)，但VoxPoser可以根據視覺(jué)反饋提出多步操作策略，即首先完全打開(kāi)抽屜同時(shí)記錄手柄位移，然后將其推回至中點(diǎn)就可以滿(mǎn)足要求了。

大約一年前，李飛飛在美國文理學(xué)會(huì )會(huì )刊上撰文，指出計算機視覺(jué)發(fā)展的三個(gè)方向：

• 具身智能（Embodied AI）

• 視覺(jué)推理（Visual Reasoning）

• 場(chǎng)景理解（Scene Understanding）

李飛飛認為，具身智能不單指人形機器人，任何能在空間中移動(dòng)的有形智能機器都是人工智能的一種形式。

正如ImageNet旨在表示廣泛且多樣化的現實(shí)世界圖像一樣，具身智能研究也需要解決復雜多樣的人類(lèi)任務(wù)，從疊衣服到探索新城市。

遵循指令執行這些任務(wù)需要視覺(jué)，但需要的不僅僅是視覺(jué)，也需要視覺(jué)推理理解場(chǎng)景中的三維關(guān)系。

最后機器還要做到理解場(chǎng)景中的人，包括人類(lèi)意圖和社會(huì )關(guān)系。比如看到一個(gè)人打開(kāi)冰箱能判斷出他餓了，或者看到一個(gè)小孩坐在大人腿上能判斷出他們是親子關(guān)系。

機器人結合大模型可能正是解決這些問(wèn)題的一個(gè)途徑。

除李飛飛外，參與本次研究的還有清華姚班校友吳佳俊，博士畢業(yè)于MIT，現為斯坦福大學(xué)助理教授。

論文一作Wenlong Huang現為斯坦福博士生，在谷歌實(shí)習期間參與了PaLM-E研究。

論文地址：
https://voxposer.github.io/voxposer.pdf
項目主頁(yè)：
https://voxposer.github.io/
參考鏈接：
[1]https://twitter.com/wenlong_huang/status/1677375515811016704
[1]https://www.amacad.org/publication/searching-computer-vision-north-stars