近日，一個「人形機(jī)器人做漢堡」的視頻火爆全網(wǎng)！

這個具備 [主動視覺]、[高精度觸覺] 以及 [高自由度靈巧手] 的人形機(jī)器人，首次實現(xiàn)了 2.5 分鐘連續(xù)自主控制，從原材料開始，一步步制作出完整漢堡，并遞到你的盤子里。

真正讓機(jī)器人「看得見」、「摸得準(zhǔn)」、「動得巧」，未來廚房可能真的不需要人類了！

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

靈巧操控是機(jī)器人實現(xiàn)類人交互的關(guān)鍵能力，尤其在涉及多階段、細(xì)致接觸的任務(wù)中，對控制精度與響應(yīng)時機(jī)提出了極高要求。盡管視覺驅(qū)動的方法近年來快速發(fā)展，但在遮擋、光照變化或復(fù)雜接觸環(huán)境下，單一視覺感知常常失效。

觸覺感知為機(jī)器人提供了與環(huán)境交互的直接反饋，在判斷接觸狀態(tài)、施力時機(jī)等方面扮演著不可替代的角色。然而，當(dāng)前大多數(shù)方法僅將觸覺信息作為靜態(tài)輸入進(jìn)行融合，缺乏真正有效的多模態(tài)聯(lián)合建模機(jī)制。更為關(guān)鍵的是，現(xiàn)有方法往往只關(guān)注當(dāng)前的觸覺狀態(tài)，忽視了對未來觸覺變化的預(yù)測。這種短視導(dǎo)致機(jī)器人在連續(xù)操作中難以提前準(zhǔn)備、策略難以穩(wěn)定，特別是在需要時序感知和力覺判斷的任務(wù)中表現(xiàn)不佳。

盡管已有研究嘗試引入觸覺信息提升策略表現(xiàn)，但往往停留在簡單拼接或輔助通道的層面，缺乏結(jié)構(gòu)性設(shè)計，難以充分發(fā)揮視觸結(jié)合的潛力。

為應(yīng)對上述挑戰(zhàn)，來自 UC 伯克利、北京大學(xué)、Sharpa 等機(jī)構(gòu)的研究人員提出ViTacFormer，一個融合視覺與觸覺信息，并引入未來觸覺預(yù)測機(jī)制的統(tǒng)一框架，專為提升靈巧操控中的精度、穩(wěn)定性與持續(xù)控制能力而設(shè)計。

論文作者包括我們熟悉的 UC Berkeley 大牛 Pieter Abbeel 和 Jitendra Malik，以及他們的學(xué)生，北大校友、UC Berkeley 博士生耿浩然 (項目 lead)。

• 論文標(biāo)題：ViTacFormer: Learning Cross-Modal Representation for Visuo-Tactile Dexterous Manipulation
• 論文主頁：https://roboverseorg.github.io/ViTacFormerPage/
• Github 鏈接: https://github.com/RoboVerseOrg/ViTacFormer

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

這項研究獲得了業(yè)內(nèi)人士的高度認(rèn)可，多位知名學(xué)者和企業(yè)家討論和轉(zhuǎn)發(fā)，其中就包括 Transformer 作者之一、GPT-4 作者之一 Lukasz Kaiser。

ViTacFormer 介紹

方法設(shè)計：跨模態(tài)注意力與觸覺預(yù)測

ViTacFormer 核心思想是構(gòu)建一個跨模態(tài)表征空間，通過多層跨注意力模塊在策略網(wǎng)絡(luò)的每一步中動態(tài)融合視覺信息與觸覺信號，實現(xiàn)對接觸語義與空間結(jié)構(gòu)的聯(lián)合建模。

與傳統(tǒng)方法僅依賴當(dāng)前觸覺觀測不同，ViTacFormer 引入了一個自回歸觸覺預(yù)測分支，以強(qiáng)化模型對未來接觸狀態(tài)的建模能力。該模塊強(qiáng)制共享表征空間編碼可用于預(yù)測的觸覺動態(tài)特征，使策略不僅「看得見、摸得到」，還能「預(yù)判下一步觸感變化」。

在推理過程中，模型首先基于當(dāng)前觀測預(yù)測未來的觸覺反饋信號，再將其用于指導(dǎo)動作生成，從而實現(xiàn)由 「感知當(dāng)前」 向 「預(yù)測未來」 的關(guān)鍵轉(zhuǎn)變。我們通過實驗證明，這種基于未來觸覺信號的前瞻式建模方式顯著提升了動作策略的穩(wěn)定性與精度。

系統(tǒng)架構(gòu)：雙臂靈巧手與視觸覺數(shù)據(jù)采集

ViTacFormer 基于一套雙臂機(jī)器人系統(tǒng)進(jìn)行數(shù)據(jù)采集與策略評估。系統(tǒng)由兩臺 Realman 機(jī)械臂組成，每條機(jī)械臂搭載一只 SharpaWave 靈巧手（開發(fā)版本），具有 5 指結(jié)構(gòu)和 17 個自由度，支持高自由度的多指動作控制。每個手指的指尖均配備分辨率為 320×240 的觸覺傳感器，用于實時記錄接觸反饋。

視覺感知部分包括兩種視角：手腕安裝的魚眼相機(jī)提供近距離局部觀察以及頂部 ZED Mini 立體攝像頭提供全局場景信息。視覺與觸覺數(shù)據(jù)同步記錄，覆蓋機(jī)器人執(zhí)行過程中的關(guān)鍵狀態(tài)變化。

在專家示范采集過程中，團(tuán)隊使用一套基于機(jī)械外骨骼手套的遙操作系統(tǒng)。操作者通過手套與靈巧手形成機(jī)械聯(lián)動，并佩戴 VR 頭顯獲取第一人稱沉浸式反饋。該界面集成了立體頂視圖、雙腕局部視圖與實時觸覺圖像疊加，支持自然直觀的操控體驗，有效提升了接觸密集型任務(wù)的示范質(zhì)量。

實驗評估：真實任務(wù)中的操作性能驗證

基線比較：在短程靈巧操作任務(wù)中的表現(xiàn)

團(tuán)隊在四項真實的短程靈巧操控任務(wù)上評估了 ViTacFormer 的性能，包括插銷（Peg Insertion）、擰瓶蓋（Cap Twist）、擦花瓶（Vase Wipe）和翻書（Book Flip），每項任務(wù)均具有明確的接觸依賴性與細(xì)粒度控制需求。

實驗設(shè)置中，每個任務(wù)僅使用 50 條專家軌跡進(jìn)行訓(xùn)練，并在測試階段獨立推理 10 次，以評估模型在有限數(shù)據(jù)條件下的策略學(xué)習(xí)能力與執(zhí)行穩(wěn)定性。

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

團(tuán)隊將 ViTacFormer 與四個當(dāng)前代表性的模仿學(xué)習(xí)基線方法進(jìn)行比較：Diffusion Policy (DP)、HATO、ACT 和 ACTw/T。DP 和 ACT 分別代表當(dāng)前主流的視覺模仿策略，不使用觸覺信息；而 HATO 和 ACTw/T 則在輸入中引入觸覺信號，但均采用直接拼接或簡單 token 融合的方式，未進(jìn)行深入建模。

相比之下，ViTacFormer 采用跨模態(tài)注意力與自回歸預(yù)測機(jī)制，充分挖掘視覺與觸覺之間的動態(tài)依賴關(guān)系。

從結(jié)果來看（見上表），ViTacFormer 在所有短程靈巧操控任務(wù)中均顯著優(yōu)于現(xiàn)有方法，相比僅使用視覺或簡單融合觸覺的模型，成功率穩(wěn)定提升，平均增幅超過 50%。這表明跨模態(tài)注意力與未來觸覺預(yù)測在提升操作穩(wěn)定性與精度方面具有關(guān)鍵作用。

長時任務(wù)評估 穩(wěn)定完成 11 階段連續(xù)操作流程

為進(jìn)一步驗證 ViTacFormer 在復(fù)雜任務(wù)中的執(zhí)行能力，團(tuán)隊對其在一項長時靈巧操作任務(wù)中進(jìn)行評估。

該任務(wù)包括 11 個連續(xù)子階段，模擬制作漢堡的全過程，涵蓋多指協(xié)調(diào)、精細(xì)接觸與長時間持續(xù)控制等挑戰(zhàn)，對策略的穩(wěn)定性與動作連貫性提出了極高要求。

https://mp.weixin.qq.com/s/1NSh2smFWit5_fBJFPixtA

實驗結(jié)果顯示，ViTacFormer 能夠穩(wěn)定完成整個操作序列，持續(xù)操控時間達(dá)到約 2.5 分鐘，整體成功率超過 80%。在長時間、多階段的任務(wù)中，系統(tǒng)表現(xiàn)出良好的動作連貫性和接觸控制能力，充分體現(xiàn)了視觸覺融合策略在復(fù)雜任務(wù)執(zhí)行中的優(yōu)勢。