下注端到端:一场具身智能的谨慎豪赌

AIGC动态2个月前发布 aitechtalk
477 0 0
下注端到端:一场具身智能的谨慎豪赌

 

文章摘要


【关 键 词】 人形机器人具身智能端到端分层决策技术路径

在2024年世界机器人大会(WRC)上,人形机器人以其操作能力的提升成为焦点,体现了人类对通用机器人终极形态的向往。在具身智能时代,除了机器人的外形,更重要的是实现智能,这涉及到软件与硬件的耦合。具身智能领域的团队在技术路径上有不同的选择,主要分为端到端的暴力美学和分层决策两种方法。

端到端架构通过单一神经网络将任务目标直接转化为控制信号,如特斯拉的Optimus机器人和谷歌的RT-2项目。这种模型虽然强大,但需要大量数据和算力,对小规模团队来说成本过高。此外,端到端模型的决策速度可能较慢,限制了其在实际场景中的应用。

分层决策模型则将任务分解为多个层级,分别训练不同的神经网络,最终整合。这种方法的优点是即时性高、可解释性和可控性强,且训练单个模型所需的数据量相对较少。Figure AI的Figure 02就是分层决策模型的代表,其输出频率高达200Hz,执行动作的延时只有5ms。

在具身智能的发展中,「大脑」和「小脑」的概念被引入,分别负责高层次的认知或决策问题和基础层面的功能性问题。具身智能的「大脑」涉及感知和规划决策系统,而「小脑」则负责将决策转换为动作指令并执行。

具身智能的实现不仅依赖于技术路径的选择,还面临数据质量和数量的挑战。不同的团队在解决这一问题上采取了不同的策略,如通过仿真数据、模拟器、Sim2Real等方法来提高数据的质量和数量。

总的来说,具身智能的发展正处于一个快速变化的阶段,无论是端到端的暴力美学还是分层决策架构,都需要不断地探索和优化。随着技术的进步,未来可能会有更多的创新和突破。

“极客训练营”

原文和模型


【原文链接】 阅读原文 [ 5491字 | 22分钟 ]
【原文作者】 AI科技评论
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★

© 版权声明
“绘蛙”

相关文章

暂无评论

暂无评论...