今天小编分享的科学经验：“机器人正在接管旧金山”，欢迎阅读。
一批人形机器人在美国旧金山街头出没，引得过往行人驻足留观：
可能还去上了个课，从加州大学伯克利分校校门大摇大摆走出：
路线不对，踩着小碎步，稳步调头：
或者不装了，调什么头，直接倒着走：
在各种场景下都可以看到它们的身影：
于是乎，网友传出了 " 机器人正在接管旧金山 " 的消息：
要不是视频中还有人类出镜，网友都要怀疑这是不是真的在旧金山：
这就是来自加州大学伯克利分校的人形机器人成果。研究人员提出了使用序列建模和动作预测的Causal Transformer 模型。
使得人形机器人可以在室内外各种环境中稳健行走，应对不同地形，甚至还能背个书包，提袋垃圾：
怎么做到的？
此前，尽管一些人形机器人在特定环境下表现良好，但广泛存在泛化和适应新环境方面的问题。
来自加州大学伯克利分校的研究人员提出了运用 Causal Transformer 的方法。
这是一种 Transformer 模型，通过自回归从观察 - 动作历史信息中预测下一个动作，也就是模型的输出（预测的动作）只依赖于其输入（观察 - 动作历史信息）中的先前信息。
具体来说，在处理 " 观察 - 动作对 " 时，模型会将每个 " 观察 - 动作对 " 作为一个 token，并通过自注意力机制来学习这些 token 之间的关系。在自注意力计算中，模型会为每个 token 分配权重，这些权重反映了在预测当前动作时，序列中其他 token 的重要性。
由于 Causal Transformer 限制了自注意力只能考虑前面的 token，它能够捕捉到序列中的因果依赖，即当前动作的决策是基于之前观察 - 动作的历史信息。
通过这种方式，Causal Transformer 能够使机器人在复杂和动态的环境中，在没有未来信息的情况下做出适应性更强的决策。
训练阶段，研究人员使用强化学习方法，在 Isaac Gym 模拟器进行大规模并行训练，模拟了机器人的刚体和接触动力学。
为了模拟机器人的闭链动力学，引入了 " 虚拟弹簧 " 模型。在模拟中随机化机器人的动态属性、控制参数和环境物理属性，以及添加噪声和延迟到观察中。
从模拟到现实的转移方面，研究人员在机器人初创公司 Agility Robotics 提供的高保真度模拟器中验证策略，该模拟器准确模拟了 Digit 机器人的动态和物理属性。
经过实验，Digit 机器人能够在多种环境中可靠行走，展现出对外部干扰的鲁棒性：
以及在不同地形和载荷条件下的适应性：
△左，脚被绊住；右，下坡
顺带保持手臂摆动协调有力，不顺拐：
Digit 人形机器人
再来介绍一下 demo 中的这款人形机器人——Digit。
背后公司Agility Robotics，前身为俄勒冈州立大学的 Dynamic Robotics Laboratory。2022 年，获亚马逊投资。
Agility Robotics 的主要产品是以鸵鸟等鸟类为发想的双足步行机器人，主要研发成果包含 Cassie、Digit 两个机型。
其中 Cassie 是只有下半身的双足机器人：
至于 Digit，像是下面这个，已经成为亚马逊 75 万机器人员工中的一员，不过还处于测试阶段，负责搬运亚马逊标志性的黄箱子：
Agility Robotics 表示，将在今年向合作伙伴交付第一批 Digit，Digit 的初步应用包括仓库和配送中心内的散装材料处理，预计 2025 年全面上市。
他们最近还宣布开设了一家新机器人制造工厂 RoboFab ™，声称第一年预计生产数百台机器人，之后每年产能最多可达 10000 台。Digit 也将在新工厂中上岗，进行搬运、装载等工作。
参考链接：
[ 1 ] https://twitter.com/minchoi/status/1749784839824216511
[ 2 ] https://learning-humanoid-locomotion.github.io/
— 完 —
点这里关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
>
