您好！歡迎登錄水木春錦資本管理有限公司官方網(wǎng)站！
投資案例
以人工智能產(chǎn)業(yè)投資為核心，投資一批具有前景的未來型企業(yè)
已投資訊 | 達(dá)闥聯(lián)手中山大學(xué)打造具身智能模擬器和新基準(zhǔn)，讓機(jī)器人更智能
發(fā)布時間：
2023-06-20 18:00
來源：
去年年底，ChatGPT橫空出世，在全球科技浪潮中掀起了驚濤駭浪，隨后，各個科技公司都開始著手打造自己的大模型，帶來各行各業(yè)效率的革命和體驗的升級。盡管大規(guī)模語言模型（LLMs，Large Language Models）可以進(jìn)行復(fù)雜的語言生成和對話交流，但ChatGPT多模態(tài)感知、長期的運動規(guī)劃和行為交互能力有限，還不是人類理想的智能體。“具身智能”+“機(jī)器人”有望成為AI的下一個潮水涌動的方向。
近年來，達(dá)闥在具身智能領(lǐng)域持續(xù)加大研發(fā)投入，發(fā)布了海睿AGI平臺和首個機(jī)器人智能領(lǐng)域的多模態(tài)認(rèn)知大模型——RobotGPT。達(dá)闥還與中山大學(xué)智能工程學(xué)院副教授、博士生導(dǎo)師梁小丹（國家萬人青拔人才）展開緊密合作，共同探索具身智能前沿科技：為機(jī)器人開發(fā)非常真實的模擬環(huán)境，創(chuàng)建兩個基準(zhǔn)測試，助力機(jī)器人在自主推理和導(dǎo)航方面的研究更快地取得進(jìn)展。
“具身智能”（Embodied Intelligence）意指有身體并支持物理交互的智能體，標(biāo)桿產(chǎn)品是人形機(jī)器人。實現(xiàn)具身智能是指讓機(jī)器能夠像人一樣擁有身體感知、交互和行動的能力，這種能力使機(jī)器能夠更加自然地與物理世界進(jìn)行交互。但是，實現(xiàn)具身智能面臨著以下困難和挑戰(zhàn)：
為了有效應(yīng)對上述挑戰(zhàn)，我們需要追求更為真實的仿真環(huán)境，開發(fā)更為有效的數(shù)據(jù)收集和標(biāo)注策略，制定更為全面的評估指標(biāo)。因此，達(dá)闥積極與中山大學(xué)展開了深度合作，在以下三方面取得了階段性成果：
1.研發(fā)并開放工業(yè)級真實感的機(jī)器人具身智能訓(xùn)練工具（HARIX RDK）
為了方便、公正地比較機(jī)器人在不同基線模型下理解和執(zhí)行人類自然語言指令的成功率，我們構(gòu)建了高度逼真的場景模擬與機(jī)器人具身智能訓(xùn)練工具（HARIX RDK），用于機(jī)器人具身智能的研究，特點有：①有真實光照，能夠高擬真產(chǎn)生照明陰影、鏡面反射、亮斑等。②仿真環(huán)境中加入了人類，這些人類或處于通道中阻擋路徑或走入機(jī)器人行進(jìn)路線。③環(huán)境可以通過讀取底層數(shù)據(jù)實現(xiàn)對各類物體進(jìn)行細(xì)致的語義分割標(biāo)注，便于后續(xù)構(gòu)建基準(zhǔn)。④HARIX RDK可支持達(dá)闥公司研發(fā)的多種類型的機(jī)器人。
2.構(gòu)建了機(jī)器人操作相關(guān)的漸進(jìn)式推理任務(wù)基準(zhǔn)測試，促進(jìn)機(jī)器人漸進(jìn)式推理研究的快速發(fā)展
為方便分析和評估大語言模型在機(jī)器人操作中的應(yīng)用，我們創(chuàng)建了一個通用的框架，如下圖所示，主要由三部分組成：自動場景生成、指令生成和機(jī)器人操縱。自動場景生成負(fù)責(zé)生成豐富多樣的場景供agent進(jìn)行訓(xùn)練和測試。由于獲取大規(guī)模復(fù)雜且高質(zhì)量的人類自然語言指令既昂貴又困難，為此我們還設(shè)計了一個使用ChatGPT模擬人類自然語言指令生成的模塊，為機(jī)器人操作提供自然語言指令。最后，通過向機(jī)器人輸入生成的視覺場景和自然語言指令，控制機(jī)器人進(jìn)行相應(yīng)的操作。
Level 1任務(wù)用于評估機(jī)器人的抓取能力。Level 2任務(wù)用于評估機(jī)器人在多目標(biāo)環(huán)境中的識別和抓取能力。Level 3任務(wù)側(cè)重于評估機(jī)器人理解簡單的人類自然語言的能力。Level 4任務(wù)主要用于評估機(jī)器人理解復(fù)雜、模糊的人類自然語言指令和推理人類意圖的能力。
3.構(gòu)建了面向開放域零樣本視覺語言導(dǎo)航的多任務(wù)基準(zhǔn)測試，促進(jìn)機(jī)器人視覺語言導(dǎo)航研究的快速發(fā)展
為了促進(jìn)開放式視覺語言導(dǎo)航的研究，我們在HARIX RDK中構(gòu)建了MO-VLN，一個面向開放域零樣本視覺語言導(dǎo)航的多任務(wù)基準(zhǔn)測試。MO-VLN專注于零樣本視覺與語言導(dǎo)航，涉及根據(jù)語言指令導(dǎo)航到特定的目標(biāo)對象、抽象對象和特定位置。具體來說，MO-VLN分為四個任務(wù)，如下圖所示，即給定類別的對象導(dǎo)航、給定簡單指令的目標(biāo)導(dǎo)向?qū)Ш?、完全抽象指令和按步驟跟隨指令。
在HARIX RDK的仿真場景中讓智能體自主探索、結(jié)合其視覺自動構(gòu)建拓?fù)湔Z義地圖，將開放詞匯模型和大語言模型結(jié)合進(jìn)行指令和場景理解，預(yù)測目標(biāo)位置并逐步移動至目標(biāo)位置，如下圖所示：
這里，我們利用預(yù)訓(xùn)練的視覺-語言模型如GLIP/ Grounding DINO進(jìn)行物體定位。在檢測到可能的物體位置后，我們將它們投影到語義地圖上。在環(huán)境探索上，我們只考慮zero-shot策略，如基于常識知識的探索。運用GLIP檢測觀察并獲取關(guān)于周圍環(huán)境的信息，能力較強(qiáng)的LLM可以根據(jù)其常識知識和檢測結(jié)果更準(zhǔn)確地預(yù)測下一個可能的位置。我們還讓GPT-4在給定檢測到的周圍物體和區(qū)域的情況下完成常識推理。
項目網(wǎng)站：
https://necolizer.github.io/RM-PRT
https://mligg23.github.io/MO-VLN-Site
此次研究所用到的機(jī)器人產(chǎn)品是達(dá)闥自主研發(fā)的Cloud Ginger 1.0——柔美人形智能服務(wù)機(jī)器人，具有精準(zhǔn)的視覺抓取能力、全方位的聽、說、看、動等融合智能能力；開發(fā)平臺使用的是達(dá)闥HARIX RDK機(jī)器人開發(fā)套件，可以實現(xiàn)機(jī)器人在智能語音、行為控制、動作編輯、移動導(dǎo)航等方面的能力開發(fā)，并完成數(shù)字孿生環(huán)境和真實機(jī)器人的虛實同步驗證。
校企合作是促進(jìn)創(chuàng)新和培養(yǎng)人才的有效機(jī)制，一直以來，達(dá)闥都很重視和高校的深度合作，近年來相繼與復(fù)旦大學(xué)、同濟(jì)大學(xué)、上海交大、上海大學(xué)、東北大學(xué)、安徽大學(xué)、西安理工大學(xué)、山東大學(xué)等多所高校，在人工智能課程設(shè)置、技術(shù)研發(fā)、人才培養(yǎng)等方面聯(lián)合開展了多項合作，促進(jìn)了學(xué)術(shù)研究與市場前沿的無縫結(jié)合，全方位發(fā)掘了云端機(jī)器人背后的價值及潛能。在達(dá)闥和中山大學(xué)的合作下，具身智能正以強(qiáng)勁的勢頭邁向新的里程碑。相信隨著更多科學(xué)家和工程師的不懈努力，我們將迎來通用人工智能的嶄新時代，智能體與人類在互動和合作中共同創(chuàng)造美好未來。
掃一掃
即可訪問微信公眾號
COPYRIGHT ? 2023 水木春錦資本管理有限公司 版權(quán)所有
京公網(wǎng)安備 11010502051444號 網(wǎng)站建設(shè)：中企動力 北京 SEO標(biāo)簽 營業(yè)執(zhí)照