谷歌 DeepMind 联合斯坦福推出了 ALOHA 的增强版本 ——ALOHA 2。与一代相比，ALOHA 2 具有更强的性能、人体工程学设计和稳健性，且成本还不到 20 万元人民币。并且，为了加速大规模双手操作的研究，ALOHA 2 相关的所有硬件设计全部开源了，并提供了详细的教程，以及具有系统识别功能的 ALOHA 2 MuJoCo 模型。谷歌 DeepMind 放出了相关论文《ALOHA 2: An Enhanced Low-Cost Hardware for Bimanual Teleoperation》。
论文地址：https://aloha-2.github.io/assets/aloha2.pdf
项目主页：https://aloha-2.github.io/
我们先来一睹升级后的 ALOHA 2 能做些什么，比如将不同的玩具放进三个不同的碗里。
玩杂耍，你扔我接。
开可乐瓶并将可乐倒进别的杯子里、开酸奶盒。
给熊猫玩偶戴上美瞳。
更难以想象的是，它还能变身扒手，悄无声息拿走你的钱包，并给你放回去。
简直绝了！ALOHA 2 显著提高了一代 ALOHA 的耐用性，从而能够在更复杂的任务上进行大规模数据收集。
相较于一代，ALOHA 2 都升级了些啥
为支持对复杂操作任务的研究，在 ALOHA 平台上扩大数据收集的规模成为目标之一，包括使用的机器人数量、每台机器人的数据收集小时数以及数据收集的多样性。这一扩展过程改变了相对于第一代 ALOHA 平台的要求和范围。
对于 ALOHA 2，除了在 ALOHA 平台的基础上建设，研究者还针对以下领域寻求进一步改进：
性能和任务范围：增强 ALOHA 性能的关键组件，包括夹持器和控制器，以实现更广泛的操控任务。
用户友好性和人体工学：为了优化大规模数据收集，优先考虑用户体验和舒适度，包括改进用户界面系统的响应性和人体工学设计。
稳健性：增加系统的稳健性，最大限度地减少因诊断和维修造成的停机时间。这就需要简化机械设计，并确保更大规模的机器人队伍在整体上易于维护。
根据上述目标，ALOHA 2 的具体改进如下：
夹持器：研究者为主/从机器人的夹持器设计了新的低摩擦轨道。对于主机器人，这改善了遥操作的人体工学和响应速度。对于随动机器人，这改善了延迟和夹持器的力量输出。此外，他们还升级了手指上的抓胶带材料，以提高耐用性和抓取小物体的能力。
重力补偿：研究者使用现成的组件创建了一个被动的重力补偿机制，与 ALOHA 原有的抓带材料系统相比，这提高了耐用性。
框架：研究者简化了围绕工作单元的框架，同时保持了相机安装点的刚性。这些变化为人机协作者和机器人互动的道具提供了空间。
相机：ALOHA 2 使用更小的英特尔 RealSense D405 相机和定制的 3D 打印相机支架，以减小跟随臂的占地面积，从而减少对操作任务的阻碍。这些摄像头还具有更大的视场角、深度、全局快门和更多的定制功能。
模拟：研究者在 MuJoCo Menagerie 中的 MuJoCo 模型中模拟了 ALOHA 2 机器人的精确规格，从而改进了数据收集、策略学习和模拟评估，以应对具有挑战性的操纵任务。
夹持器
为了使遥控操作更顺畅，并改善人体工程学，本次采用了低摩擦轨道设计，降低了机械复杂性，从而取代了 ALOHA 原有的剪刀导轨式机械手设计。
研究者设计并制造了低摩擦随动机械手，取代了 ALOHA 最初的设计。较低的摩擦减少了领导机器人和跟随机器人夹持器之间感知的延迟，显著改善了远程操作期间的用户体验。
框架
研究者重新设计了支撑框架，并使用 20x20mm 铝型材将其制成。框架为领导机器人和重力补偿系统提供支撑，并为俯视摄像机和虫眼摄像机提供安装点。
与 ALOHA 相比，本次设计进行了简化，去掉了工作台与遥控操作员相对一侧的垂直框架。增加的空间使数据收集方式更加多样化。例如，人类协作者可以更轻松地站在工作区的对面与机器人互动，从而收集人机互动数据。此外，还可以在工作台前摆放较大的道具，让机器人与之互动。
模拟
研究者发布了用于 ALOHA 2 工作单元的 MuJoCo Menagerie 模型，它对于远程操作和模拟学习非常有用。
与之前发布的 ALOHA 模型相比，MuJoCo 的物理精度更高、视觉保真度更高，允许快速、直观、可扩展的模拟数据收集。
MuJoCo 模型渲染。
模拟远程操作任务。
以下为使用 Google Scanned Objects Dataset 与 MuJoCo 模型进行远程操作的示例（1 倍速度）：
