在近日的北京智源大會上，北京大學(xué)助理教授、北京銀河通用機(jī)器人創(chuàng)始人兼CTO-王鶴，在備受關(guān)注的「具身智能與人形機(jī)器人」論壇上發(fā)表了演講，詳細(xì)介紹了VLA對于機(jī)器人智能發(fā)展的作用，以及銀河通用目前所做的工作。

RoboX對其演講內(nèi)容進(jìn)行了整理提煉，供大家參考。

簡述VLA

通用機(jī)器人的本質(zhì)，是通過具身智能驅(qū)動高自由度的仿人本體。它不能只做某一件具體的事情，而是要服務(wù)千行百業(yè)，千家萬戶。

面對這樣的目標(biāo)，王鶴認(rèn)為，VLA（Vision-Language-Action Model）的應(yīng)用是一個重要轉(zhuǎn)折點(diǎn)。

他介紹稱，VLA的輸入是人類的自然語言指令，這也是實(shí)現(xiàn)通用的一個關(guān)鍵點(diǎn)，比過去的復(fù)雜指令更加通用。

另一個重要的模態(tài)是視覺：視覺占到了人類日常信息輸入量的80%以上。所以要想實(shí)現(xiàn)通用機(jī)器人，先納入視覺模態(tài)是非常重要的。

模型的輸出是Action。在谷歌的RT-2框架中，模型直接生成Everyday Robot末端執(zhí)行器的瞬時三維平動和三維旋轉(zhuǎn)。該動作指令可通過逆運(yùn)動學(xué)（IK）求解器轉(zhuǎn)換為關(guān)節(jié)空間的目標(biāo)位姿，最終由PID/PD控制器驅(qū)動執(zhí)行機(jī)構(gòu)完成運(yùn)動控制。

王鶴表示，如果類比人體的運(yùn)動控制及腦部系統(tǒng)，VLA用于實(shí)時生成軌跡，控制則交由機(jī)械臂，做IK后再基于positional（位置信息）執(zhí)行。所以VLA不是「小腦」，更多的是「大腦」。

今天的VLA強(qiáng)調(diào)快速的閉環(huán)反饋，它的頻率從剛開始的3赫茲，到現(xiàn)在最快可達(dá)50赫茲甚至更高的反饋頻率，這就是大腦中的快系統(tǒng)。而一些邏輯推理和長程規(guī)劃的東西，它會思考得更慢。

為何不能押寶真實(shí)數(shù)據(jù)？

目前，國際上訓(xùn)練VLA最主流的方式，是通過真機(jī)采集大量的遙操作數(shù)據(jù)，例如特斯拉的遙操工廠、斯坦福大學(xué)的ALOHA等等。

“現(xiàn)在市場或政府都在討論要不要建大型的遙操場，到底要建多少才夠。我們可以先看一下自動駕駛使用的‘人類的遙操數(shù)據(jù)’——既然車就是機(jī)器人，那方向盤就是遙操的主臂，人就是遙操員。”

王鶴表示，如今的頭部車企，會有約百萬輛級別的車每天在路上跑。按照15-30秒是一個clip的標(biāo)準(zhǔn)，日回流量為上億clips；而目前具身智能最大的數(shù)據(jù)集約為100萬-200萬clips的數(shù)據(jù)集。

車的自由度只有兩個：方向盤+油門剎車。而人形機(jī)器人的一條手臂就有六七個自由度，一只靈巧手有20個自由度，全身加起來有接近百個自由度。

如今的頭部人形機(jī)器人廠商，包括銀河通用，在真機(jī)數(shù)據(jù)采集這件事上，與汽車百萬臺的數(shù)量中間存在巨大差距，這就是為什么不能夠完全押寶真實(shí)數(shù)據(jù)。

“如果想押寶真實(shí)數(shù)據(jù)，就得先把人形機(jī)器人量產(chǎn)到百萬千萬臺，然后再讓百萬千萬人去做數(shù)據(jù)采集。這一點(diǎn)會讓人形機(jī)器人或者VLA的發(fā)展陷入長期的無法落地的狀態(tài)。”

如何訓(xùn)練端到端VLA？

王鶴指出，在此背景下，最主要的學(xué)術(shù)觀點(diǎn)就是用合成仿真數(shù)據(jù)解決難題——銀河通用正在從機(jī)器人與物體間的交互，以及靈巧手抓取標(biāo)簽和軌跡中，研究視覺層面仿真和現(xiàn)實(shí)之間的差異（Sim2Real Gap），并且在仿真器中通過大量的強(qiáng)化學(xué)習(xí)，自主探索靈巧手抓取的方式。

今年，銀河通用構(gòu)建了一個完全用合成數(shù)據(jù)訓(xùn)練的具身端到端VLA大模型。

王鶴稱，它背后是數(shù)10億級別的機(jī)械臂抓取的軌跡幀，每一幀都有VLA label。并且，這些數(shù)據(jù)覆蓋了桌面上可能出現(xiàn)的各種物體及相關(guān)信息：包括名字、材質(zhì)、形狀、堆放方式、光照背景，桌子顏色紋理，以及其他變量等。

與DeepSeek千億萬億級別的參數(shù)量不同，銀河通用的GraspVLA模型，是一個幾十億參數(shù)的端到端快系統(tǒng)。

該模型的訓(xùn)練特點(diǎn)，是在輸出時用到了「具身思維鏈」：“比如‘拿起盒子’的動作，我們先輸出一個2D的Bounding Box（邊界框），再用該輸出去進(jìn)一步思考如何做6D Grasping Pose。這兩個輸出本質(zhì)上都是Auto-Regressive（自回歸模型）中的離散Token，基于它們，可以用Flow Matching的Action Expert，去輸出七自由度的Delta Action。就和Google RT-2一樣，Delta Action可實(shí)現(xiàn)瞬時平動，瞬時轉(zhuǎn)動和瞬時夾爪的閉合。”

王鶴表示，GraspVLA是第一次將2D Bounding Box、6D Grasping Pose引入作為思維鏈（CoT），最終輸出Delta Action的。

數(shù)據(jù)價值與測試效果

GraspVLA首先采用的就是合成數(shù)據(jù)，由于這些數(shù)據(jù)將物體的2D Bounding Box標(biāo)簽、6D Grasping Pose的抓取標(biāo)簽，動作軌跡標(biāo)簽等融在一起合成，從而可以保證其一致性。

但是，合成數(shù)據(jù)畢竟不能囊括物理世界的一切信息，所以銀河通用也在使用互聯(lián)網(wǎng)的圖文視頻數(shù)據(jù)。這些數(shù)據(jù)也被加以注釋和描述，約有一億數(shù)據(jù)也做了Bounding Box的注釋，這些數(shù)據(jù)會與合成數(shù)據(jù)進(jìn)行混合訓(xùn)練。

“互聯(lián)網(wǎng)的很多數(shù)據(jù)沒有Action標(biāo)簽，只有Bounding Box標(biāo)簽，所以我們的模型就只訓(xùn)練到第一步Bounding Box，并不輸出CoT和Action。經(jīng)過這樣的混合訓(xùn)練，我們可將互聯(lián)網(wǎng)上所有的感知、視覺和語義全部吸納進(jìn)來。”

王鶴指出，經(jīng)過訓(xùn)練，銀河通用的VLA端到端模型產(chǎn)生了非常強(qiáng)的零樣本泛化能力——經(jīng)過與π0（PI發(fā)布的具身智能大模型）對比，在全新的環(huán)境中，π0需要在指定的測試環(huán)境中進(jìn)行一定的數(shù)據(jù)微調(diào)才能工作，而GraspVLA則完全不需要微調(diào)，成功率還比前者更高。

“π0只用到了100萬到幾百萬規(guī)模的數(shù)據(jù)集，而且還是一個‘很臟’的數(shù)據(jù)集，包括一些跨本體、多形態(tài)的機(jī)械臂、人形、輪式混在一起。我們則是單一機(jī)械臂的大規(guī)模高質(zhì)量物理仿真數(shù)據(jù)集，對于光照背景、物體位置、平面高度、開放詞匯類別、閉環(huán)、魯棒性，都有充分的零樣本的泛化性。”

王鶴舉了一個「抓取玩具鴨」的案例，輸入的語言指令就是「抓一個鴨子」，同時隨機(jī)采取了各種干擾方式，夾爪還是成功夾起了目標(biāo)。他認(rèn)為，這足以證明GraspVLA不是一個開環(huán)的模型。

對于該模型的架構(gòu)和數(shù)據(jù)，銀河通用也進(jìn)行了機(jī)制消融實(shí)驗。

“π0的模型只用仿真數(shù)據(jù)，因此它直接輸出Action,成功率沒有想象的那么高，在真實(shí)世界只有20%。而我們的仿真數(shù)據(jù)用到了2D Bounding Box、6D Grasping Pose的全部標(biāo)簽，成功率在真實(shí)世界達(dá)到了93%。”

王鶴還表示，如果和π0.5這種多任務(wù)平行訓(xùn)練的模式相比，采用CoT的VLA成功率高了20%以上。

“上述成果都是基于全合成數(shù)據(jù)。如果你給我真實(shí)世界的動作數(shù)據(jù)，只會讓我更強(qiáng)。”

在「零樣本泛化」層面，他舉了個例子——在針對某品牌礦泉水進(jìn)行訓(xùn)練時，貨架上一排擺了4瓶，一共5排；而測試時變成一排3瓶，一共4排，位置大小、高度、顏色，蓋子的直徑全變了。

“如果只是簡單記憶，肯定是會抓錯的，而我們現(xiàn)在能夠零樣本的泛化在新的飲品上。這就意味著，如果需要進(jìn)廠或進(jìn)店培訓(xùn)，可以在一類樣品中只培訓(xùn)一個，它就自動在同類物體之間泛化，這樣的VLA才能成為老百姓或是工廠超市用得起的技術(shù)。”

VLA是「義務(wù)教育階段」

王鶴認(rèn)為，這種采用合成數(shù)據(jù)的具身端到端VLA訓(xùn)練新范式，相當(dāng)于人類的義務(wù)教育——它能將一項技能在十億百億規(guī)模的數(shù)據(jù)中進(jìn)行充分學(xué)習(xí)，在徹底學(xué)會以后，就可以真實(shí)世界用很少量的數(shù)據(jù)進(jìn)行簡單培訓(xùn)，這相當(dāng)于職業(yè)教育，讓機(jī)器人能夠舉一反三地執(zhí)行真實(shí)場景的任務(wù)。

他介紹稱，在「貨架取物」的任務(wù)中，過去是基于視覺，對抓取Pose進(jìn)行估計，再進(jìn)行軌跡執(zhí)行。這需要把商品放得稀疏一些，因為軌跡規(guī)劃必須要避障。

而在銀河通用的實(shí)際操作中，貨架上的商品種類繁多，形態(tài)各異，從瓶裝水到真空包裝的鹵蛋都有，而且燈光、展區(qū)、物品位置都和測試布置完全不一樣。“這一看就是閉環(huán)的模型。”他說道。

靈巧手+VLA的效果

除了展示的二指夾爪，銀河通用也對靈巧手進(jìn)行了長時間測試。

“今年我們用自研的合成管線，第一次將33種人類抓取模式全部覆蓋：使用剪刀的手勢、持針抓的手勢等等，這些數(shù)據(jù)全都能合成。“

王鶴說的這套基于數(shù)學(xué)優(yōu)化和物理仿真的全鏈路合成管線，能夠GPU并行地產(chǎn)生大量的靈巧手抓取數(shù)據(jù)，覆蓋上千萬個不同的物體的抓取。而且還不僅限于抓取，還有各種各樣的操作。

例如疊衣服的任務(wù)，從帽衫、跨欄、背心、長袖、短袖、無袖、長褲、短褲，各種紋理的衣物，都能夠大規(guī)模合成數(shù)據(jù)，從而進(jìn)行非常長程的示范學(xué)習(xí)。

從王鶴演示的視頻來看，靈巧手在疊衣服過程中，即便面對種種干擾也還是繼續(xù)完成了任務(wù)。

另外，其合成數(shù)據(jù)還覆蓋了自然語言視覺、自然語言導(dǎo)航、尋物，跟隨人等等。其中，在復(fù)雜環(huán)境中，聽從復(fù)雜指令跟隨人的示范非常有趣：

“在從來沒見過的場景里，沒有SLAM，沒有定位建圖，機(jī)器人能在陌生環(huán)境中服從一個非常長的指令，例如Move to the man on the right side，then follow the man until you see a sofa。”

在示范視頻中，可以看到收到該指令的機(jī)器狗，跟隨一個人直到沙發(fā)邊，然后便停止跟隨。另一個案例中，即便人都在拐角處走出視野了，機(jī)器狗還能繼續(xù)轉(zhuǎn)彎跟隨，而且在商場的復(fù)雜環(huán)境中也沒有失誤。

“這就是端到端方案的效果。頭部車廠是單天回流1億條clips，可是總不能找100萬人去操作機(jī)器狗，所以這其中全合成數(shù)據(jù)。”

已開始常態(tài)化運(yùn)行

目前，這些VLA端到端模型的技術(shù)，已經(jīng)在零售、接待、康養(yǎng)和工業(yè)領(lǐng)域中逐步落地。

例如在24小時藥店的貨架區(qū)和柜子存儲區(qū)，銀河通用已經(jīng)部署了人形機(jī)器人進(jìn)行取貨工作，這樣的店已經(jīng)常態(tài)化運(yùn)行7家。

關(guān)于「全人形」的工作

全人形機(jī)器人無疑是更難的，而銀河通用也已經(jīng)在全人形上開展工作。

“現(xiàn)在我們基于強(qiáng)化學(xué)習(xí)端到端全身控制的遙操，不僅能蹲，還可以向前前傾，能抓握地面上的東西。我們也在各種各樣的環(huán)境中去做全身遙操，并且全時維持身體的平穩(wěn)。”

這就是銀河通用聯(lián)合清華大學(xué)弋力助理教授團(tuán)隊發(fā)布的OpenWBT，這是一款全開源、多機(jī)型、跨虛實(shí)人形機(jī)器人全身遙操作系統(tǒng)。

王鶴介紹稱，該方法將原子技能進(jìn)行編碼、解碼，再把中間串聯(lián)的連接，通過強(qiáng)化學(xué)習(xí)構(gòu)成技能組合。

“大家只需要大家用VR頭顯、手柄，筆記本就可以輕松搭建。它既能在真實(shí)世界里遙操，又能在仿真世界里遙操，還可以跨機(jī)型。”