Figure机器人进厂打工:8小时速成大师
Figure公司继推出自研VLA模型Helix后，再度发力！最新展示的机器人包裹分拣技术，仅用8小时训练数据，就实现了超越人类的效率和精度。通过一系列架构优化，包括立体视觉、多尺度特征、自我校准和运动模式，Figure机器人展现了惊人的学习和适应能力。
踹掉OpenAI之后，Figure的迭代堪称神速！
几天前才发布了第一款自研视觉-语言-动作（VLA）模型Helix，统一了感知、语言理解和学习控制。
就在刚刚，他们又在一个全新场景中实现了机器人应用的落地——物流包裹操作和分拣。
而且，只用了短短30天。
为了达到人类级别的速度、精确度和适应性，Figure对自研模型Helix的系统1（S1），也就是底层视觉运动控制策略，做出了全面的改进：
隐式立体视觉（implicit stereo vision）：Helix系统1现在具有丰富的3D理解能力，实现更精确的深度感知运动。
多尺度视觉表征（Multi-scale visual representation）：底层策略可以捕捉精细细节，同时保持场景层面的理解，实现更准确的操作。
学习式视觉本体感知（learned visual proprioception）：每个Figure机器人现在都可以自我校准，使跨机器人迁移变得无缝。
运动模式（sport mode）：使用简单的测试时加速技术，Helix 达到了比示范者更快的执行速度，同时保持高成功率和灵巧度。
结果显示，在这个特定场景中，仅需8小时精心策划的示范数据，就能产生灵活多变的操作策略。
只见，Figure机器人军团同时走向自己的工位，站成一排，同步开启打工模式。
看它灵活的双手，拿起包裹后，识别物流码逐一分拣。
整条流水线上，全由Figure完成，无需人类插手。
值得一提的是，它们还会自我校准。
对此网友纷纷表示，“工厂工人将被迅速取代！”
还有网友感慨道，“将现有劳动力转换为机器人会比我们想象的要快得多。”
极具挑战性的物流场景
包裹处理和分拣是物流中的基本操作。这通常涉及将包裹从一条传送带转移到另一条传送带，同时确保运输标签正确朝向以便扫描。
这项任务面临几个关键挑战：包裹的尺寸、形状、重量和刚性（如硬盒或软袋），都各不相同。
[物价飞涨的时候 这样省钱购物很爽]
无评论不新闻，发表一下您的意见吧
踹掉OpenAI之后，Figure的迭代堪称神速！
几天前才发布了第一款自研视觉-语言-动作（VLA）模型Helix，统一了感知、语言理解和学习控制。
就在刚刚，他们又在一个全新场景中实现了机器人应用的落地——物流包裹操作和分拣。
而且，只用了短短30天。
为了达到人类级别的速度、精确度和适应性，Figure对自研模型Helix的系统1（S1），也就是底层视觉运动控制策略，做出了全面的改进：
隐式立体视觉（implicit stereo vision）：Helix系统1现在具有丰富的3D理解能力，实现更精确的深度感知运动。
多尺度视觉表征（Multi-scale visual representation）：底层策略可以捕捉精细细节，同时保持场景层面的理解，实现更准确的操作。
学习式视觉本体感知（learned visual proprioception）：每个Figure机器人现在都可以自我校准，使跨机器人迁移变得无缝。
运动模式（sport mode）：使用简单的测试时加速技术，Helix 达到了比示范者更快的执行速度，同时保持高成功率和灵巧度。
结果显示，在这个特定场景中，仅需8小时精心策划的示范数据，就能产生灵活多变的操作策略。
只见，Figure机器人军团同时走向自己的工位，站成一排，同步开启打工模式。
看它灵活的双手，拿起包裹后，识别物流码逐一分拣。
整条流水线上，全由Figure完成，无需人类插手。
值得一提的是，它们还会自我校准。
对此网友纷纷表示，“工厂工人将被迅速取代！”
还有网友感慨道，“将现有劳动力转换为机器人会比我们想象的要快得多。”
极具挑战性的物流场景
包裹处理和分拣是物流中的基本操作。这通常涉及将包裹从一条传送带转移到另一条传送带，同时确保运输标签正确朝向以便扫描。
这项任务面临几个关键挑战：包裹的尺寸、形状、重量和刚性（如硬盒或软袋），都各不相同。
[物价飞涨的时候 这样省钱购物很爽]
| 分享: |
| 注： | 在此页阅读全文 |
推荐: