叨乐 发自 凹非寺
量子位 | 公众号 QbitAI
斯坦福年初刚教完机器人炒菜，现在又教机器人系鞋带！
他们还发布了全球首个机器人自主系鞋带演示视频：
与之前的炒菜版1.0相比，这个版本的它可以执行更加轻巧、复杂的任务。
评论区的网友也是一片夸夸：
网友一：小手怪巧的，我系鞋带都没他系的好！
网友二：OMG！是个好东西！量产！
网友三：可爱捏！它甚至会打蝴蝶结！
小手怪巧的除了系鞋带，视频中的Aloha 2机器人还会挂衣服、拧齿轮、收拾厨房，甚至是给“同事”换不同用途的配件。
咱们一起来看一下它的表现~
先是挂衣服。演示视频中，Aloha 2先是乖乖的把衣服摆好，然后一气呵成地就把衣服套在了衣架上（它甚至知道抵一下防止衣服掉落）。
数据库中的没有的衣服类型也可以挂。
在拧齿轮的测试中，它的表现也不错。成功地把三个塑料齿轮插进了一个带摩擦力的插座，完美咬合。
“收拾厨房”的环节：Aloha 2乖乖地把桌面散落的餐具规整到一起，摆放整齐。
到了给“同事”换配件的时候，也是一气呵成。先摘下旧的，再拿起新的对准后安上！
怎么学会的为了训练Aloha 2机器人，研究团队使用扩散策略进行大规模训练，共在5个任务中收集2.6万个示范数据。
值得一提的是，他们的训练仅仅是基于模仿学习的方法，并不涉及强化学习。
而Aloha 2机器人的神经网络架构则是参考了ACT模型，没有用到条件VAE编码器（变分自动编码器）。
他们具体是这么做的：
研究人员给嵌入加了个位置嵌入，然后喂了一个8500万的Transformer编码器，之后用双向注意力进行解码，就得到了观察结果的潜在嵌入。
这些潜在的东西再传给一个5500万参数且带双向注意力的Transformer编码器。
解码器的输入是个50x14的张量，就是一个带位置信息的噪声动作块。这些嵌入跟观察编码器的潜在嵌入和时间步（用独热向量表示）进行交叉注意力。
解码器最后输出一个50x512的维度，然后用线性层映射成50x14，这就是对接下来50个动作的预测噪声。
基础模型总共有2.17亿个可学习的参数。小模型的话，研究人员用1700万的编码器和3700万的解码器，总共1.5亿参数。
训练时，研究人员基于JAX框架，在64个TPUv5e上并行训练，批量大小256，总共进行了200万步的训练。
并且使用带权重衰减的Adam优化器，权重衰减是0.001，线性学习率预热5000步，之后保持恒定速率为1e-4
最终结果如下：
研究人员对最终的结果很满意，发文感叹：
实验的总体成功率很高！模仿学习可能是实现99%成功率的有效途径！
One more thingAloha 2的研究团队主要由DeepMind和斯坦福研究小组组成。
Aloha 2是对原始Aloha系统的增强版本，为了更加支持双手的远程操作。
与之前的版本相比Aloha 2在硬件方面进行了多项改进，使其能够执行更复杂和细致的操作任务，
目前研究团队已经开源了Aloha 2的所有硬件设计，并提供详细的教程和模拟模型，以便于研究人员和开发者进行大规模的双手操作研究。
