RHINO 旨在賦予人形機(jī)器人實(shí)時(shí)響應(yīng)人類指令、靈活切換任務(wù)的能力，通過學(xué)習(xí)人類交互數(shù)據(jù)，讓機(jī)器人學(xué)會(huì) “察言觀色”?。

原標(biāo)題：實(shí)時(shí)人-機(jī)-物交互框架 RHINO：人形機(jī)器人助手從人類交互數(shù)據(jù)中學(xué)會(huì)「察言觀色」
文章來源：AI科技評(píng)論
內(nèi)容字?jǐn)?shù)：7367字

上海交大RHINO框架：賦予人形機(jī)器人實(shí)時(shí)人機(jī)交互能力

本文介紹了上海交通大學(xué)研究團(tuán)隊(duì)提出的實(shí)時(shí)人機(jī)物交互框架RHINO，該框架旨在解決人形機(jī)器人在復(fù)雜交互場(chǎng)景中實(shí)時(shí)響應(yīng)與數(shù)據(jù)處理的難題，使其能夠成為人類日常生活中真正得力的助手。

1. RHINO框架概述

RHINO框架將人機(jī)交互過程建模為領(lǐng)導(dǎo)者-跟隨者模式，人類作為領(lǐng)導(dǎo)者，機(jī)器人作為跟隨者，通過一系列技能完類意圖。該框架的核心在于其分層學(xué)習(xí)架構(gòu)，將交互過程分解為多個(gè)子模塊，包括反應(yīng)式規(guī)劃器、交互技能模塊、操作技能模塊和安全監(jiān)督模塊。這種分解式設(shè)計(jì)提升了模型的泛化能力，使其能夠更好地適應(yīng)不同的場(chǎng)景和人類行為。

2. 關(guān)鍵模塊

1. 反應(yīng)式規(guī)劃器：

   基于Transformer架構(gòu)，以30Hz頻率實(shí)時(shí)推斷人類意圖，并決定機(jī)器人的下一個(gè)技能。它融合了人類身體姿態(tài)、手部動(dòng)作、物體信息等多模態(tài)數(shù)據(jù)，能夠靈活處理技能的啟動(dòng)、中斷和切換。

2. 交互技能模塊：

   采用多體擴(kuò)散模型，基于歷史數(shù)據(jù)預(yù)測(cè)未來機(jī)器人，生成平滑自然的交互動(dòng)作，例如揮手、握手等。該模塊能夠?qū)崟r(shí)反饋人類意圖。

3. 操作技能模塊：

   為每個(gè)低層級(jí)操作技能訓(xùn)練的ACT模型，實(shí)現(xiàn)精確的物體操作，例如拿起、放下、蓋章等。該模塊學(xué)習(xí)技能的成功條件，并能判斷任務(wù)是否完成。

4. 安全監(jiān)督模塊：

   實(shí)時(shí)監(jiān)測(cè)機(jī)器人與人類之間的距離，防止碰撞，保障人機(jī)交互安全性。

3. 數(shù)據(jù)收集與訓(xùn)練

RHINO框架的訓(xùn)練數(shù)據(jù)包括人-物-人交互數(shù)據(jù)和遙操作數(shù)據(jù)。人-物-人數(shù)據(jù)用于學(xué)習(xí)理解人類意圖和交互動(dòng)作技能；遙操作數(shù)據(jù)用于學(xué)習(xí)精確的物體操作技能。這些數(shù)據(jù)涵蓋了餐飲和辦公場(chǎng)景下的日常交互任務(wù)。

4. 實(shí)驗(yàn)結(jié)果與評(píng)估

實(shí)驗(yàn)結(jié)果表明，RHINO框架在人類意圖預(yù)測(cè)、生成和物體操作方面均取得了優(yōu)異的性能。在人類意圖預(yù)測(cè)方面，RHINO優(yōu)于基線模型；在生成方面，RHINO生成的更自然流暢；在物體操作方面，RHINO在許多任務(wù)上的成功率甚至超過人類。此外，RHINO框架在處理多技能任務(wù)和應(yīng)對(duì)分布外數(shù)據(jù)方面也表現(xiàn)出良好的魯棒性。

5. 結(jié)論

RHINO框架通過創(chuàng)新的分層學(xué)習(xí)架構(gòu)，成功實(shí)現(xiàn)了人形機(jī)器人的實(shí)時(shí)人機(jī)物交互。其高效性、靈活性和安全性使其在多種場(chǎng)景下都具有應(yīng)用潛力，為人形機(jī)器人成為人類日常生活中得力助手鋪平了道路。

聯(lián)系作者

文章來源：AI科技評(píng)論
作者微信：
作者簡(jiǎn)介：雷峰網(wǎng)旗下AI新媒體。聚焦AI前沿研究，關(guān)注AI工程落地。