2023人形机器人行业海外科技研究：从谷歌看机器人大模型进展

今天分享的是人形机器人系列深度研究报告：《2023人形机器人行业海外科技研究：从谷歌看机器人大模型进展》。

（报告出品方：华鑫证券）

报告共计：26页

大模型是人形机器人的必备要素

长期来看，人形机器人的最大优势在于通用性:

人形机器人的特点在于泛化能力。如果只为解决单一或少数场景的应用，则特定专用机器人足以满足要求(如酒店服务机器人，扫地机器人等，从第一性原理来说，机器人之所以拟人，其根本目的在于完成多样化的任务一一能爬楼梯，能按电梯能提重物等完成所有人类所需的各种任务

通用性的实现依赖大模型的应用 (体现在感知与识别) :

大模型具有庞大的先验知识库与强大的通识理解能力。可以满足人形机器人通用性的场景要求和技能要求。不再仅限于完成某一类特定工作，而是进一步完成多类型任务。目前机器人的应用基础是代码，机器人工程师需要编写代码和规范来控制机器人行为，这个调试过程缓慢、昂贵且低效，使用场景有限。ChatGPT带来一种新的机器人应用范式，我们可以通过LLM将自然语言快速转换为代码。这样就可以解决大量的场景以及任务需求，有望大幅度降低了算法开发的复杂度，同时可以简化合并算法模型数量，提升开发效率。而传统算法模型即使经历大量的训练，仍存在较多小概率场景(corner case) 难以零盖，泛化能力较低。

大模型是人形机器人的必备要素

人形机器人大模型所需的视频数据足够充足 (体现在后续的动作)：

深度学习的本质是模仿，可以用大量的人类视频来进行预训练/模仿学习，之后再通过标注用Reinforcement Learning进行微调。机器人做成人形也是为大模型在机器人上的发展铺垫。

思维链条：

思维链(Chain of Thought，CoT)是一种思维工具，通过逐步延伸和拓展一个主要想法，帮助人们进行更深层次的思考，并得出更复杂、更全面的结论。在机器人大模型上，思维链可以帮助机器人拆分与分解一件事件如何完成，增加了先解码出计划的步骤，再解码需要完成任务需要输出的动作，在需要语义推理任务上效果更好。

在谷歌7月发布展示的具身大模型中RT-2中，机器人展示了类似视觉语言模型 (VLM) 的思维链，如: 选出与其他物品不同的物品:告诉机器人很困，让机器人拿饮料，机器人会拿红牛:让机器人完成锤钉子任务，但桌子上只有耳机线、石头、纸，使用思维链后机器人会拿石头等。

SayCan：谷歌机器人大模型的开端，连接LLM与具身智能

• 2022 年4月，谷歌推出 Say-can 模型。将任务拆分成两个部分，先是 “Say”，模型通过与谷歌的大语言模型结合，把获得的任务进行分解，找到最适合当前行动；之后是“Can”，模型计算出当前机器人能够成功执行这一任务的概率。机器人通过将二者结合起来，进行动作。例子：对机器人说“我的饮料撒了，你能帮助我吗”机器人会首先通过语言模型进行任务规划，这时可能最合理的方式是找到一个清洁工、找到一个吸尘器，找一块海绵自己擦等。然后机器人会通过价值函数计算出作为机器人，找到海绵自己擦是最佳方案。之后，机器人就会选择寻找海绵的动作。

• 亮点：首次引入大语言模型帮助理解任务，选择合适的任务规划。

• 不足：机器人的动作仍然是预设好的，因此只能完成特定任务。底层技能通用性和泛用性较差。只能输出高级指令。

RT-1：用于动作控制的端到端模型

• 原理：RT-1模型输入图片以及自然语言指令，通过基于image net（图像分类数据集）的高效卷积神经网络将其输出成为一系列与图片中任务相关的token,通过特征学习器将其转换成压缩的图像特征（image token），经过Transformer模型解码得到离散的动作指令。

• 亮点：将任务通过Saycan拆分成具体的任务，然后使用RT-1去执行。可以执行700个现实中文字指令，并且泛用到新的任务中（可以在三个未见过的厨房执行任务）。可以接受图片作为输入。训练了宝贵的数据集供使用，使用13个机器人历经17个月收集了超过13万个轨迹。端到端的控制模型。

• 不足：对新任务的泛化实际上是以前见过的案例，只能接受出现过的指令。本质上是模仿学习，无法超越数据集的遥操作。严格意义上不是“大模型”，无法从互联网规模（internet-scale）数据中受益。

PaLM-E：多模态视觉语言具身大模型（VLM）

• 原理：由谷歌大语言模型PaLM与拥有220亿个参数的最大视觉模型ViT-22B结合而成，输入连续的视觉、状态、文字之后，在已经预训练的大语言模型PaLM基础上进行端到端训练，用于多个具体任务，包括顺序机器人操作规划、视觉问题解答和图像视频字幕描述。最终输出文本形式的高级任务指令（可以是问题的答案，也可以是PaLM-E以文本形式生成的一系列决策，这些决策应由机器人执行）。

• 亮点：让机器人能够接收持续的多模态的输入（包括文本，图片，状态以及其他传感器模态），连续信息以类似于语言标记的方式注入到语言模型中，并具有一定的推理能力。参数量级有明显提升，5620亿的参数模型。

• 不足：本质为大语言模型，对于动作的完成和指导较弱。只解决机器人的高级别指令，没有更基础层级的具体运动控制相关指令。

RT-2：控制机器人的视觉 - 语言 - 动作（VLA）大模型

• 原理：机器人数据仍然稀缺的背景下，收集到海量机器人数据难度太大。因此谷歌RT-2抛弃了RT-1从头训练 Transformer模型的方式，而是直接采用已有的视觉语言模型（VLM）作为主模型，再使用更适合机器人任务的方法对其进行微调（结合RT-1的视觉/语言/机器人动作数据集与互联网级别数据共同微调co-fine-tuning），最终输出机器人行为字符串。

• 在这种训练方式下，机器人模型拥有一个已经预训练好的VLM模型，可以理解成一个互联网数据级别的常识系统，能够识别物体、了解物体。而在后续的微调阶段，再加入机器人实际抓取物体的数据集。

• 效果：在符号理解，推理和人类识别三项考核中，RT-2的正确率是对照组（RT-1/VC-1）的三倍。而在泛化性上，没见过的物体，没见过的背景，没见过的环境等方面，RT-2相比对照组有一倍的提升。

• 亮点：包含chain of thought的第一次涌现。直接生成较为具体的运动人运动指令。既能够从互联网规模数据中学习（RT-1做不到），又能够输出机器人所需的具体的动作指令。（SayCan、PaLM-E做不到）。相较于SayCan与RT-1的分拆执行的双层模型架构， RT-2在训练模型时候就学习视觉、语言、机器人行为，直接产生动作输出。

• 不足：场景仍然局限，主要为桌面任务。虽然RT-2 对于物体和位置的认知拥有了互联网级别的数据训练，可以去拓展新的任务，但是具体动作微调较为依赖 RT-1的数据集，而此类数据仍然较为昂贵。本质上大模型主要还是体现在VLM相关方面，也就是在语言和视觉概念，在物理控制层面没有办法获得更强的能力。后期改善将依赖于视频学习的方法。最后，目前运行 VLA模型的成本仍然太高，后续希望能够有更多新的底层架构VLM模型出炉。（目前论文主要是PaLM-E 和PaLI-X）