一個(gè)瓶蓋在機(jī)械手指間被旋轉(zhuǎn)、擰開(kāi)，整個(gè)過(guò)程流暢得仿佛人手。但驅(qū)動(dòng)這套動(dòng)作的眼睛只是一個(gè)普通攝像頭，皮膚是成本不到250美元的觸覺(jué)傳感器。

長(zhǎng)久以來(lái)，機(jī)器人專家深信不疑：要復(fù)現(xiàn)人手無(wú)與倫比的靈巧性，必須配備與之匹配的、同樣精密的感知系統(tǒng)，如高分辨率視覺(jué)、能繪制精細(xì)力場(chǎng)分布圖的觸覺(jué)傳感器。

然而，來(lái)自浙江大學(xué)等機(jī)構(gòu)研究團(tuán)隊(duì)發(fā)表在《Science Robotics》的最新研究《Visual-tactile pretraining and online multitask learning for humanlike manipulation dexterity》，以其徹底的降維方式給出顛覆性的答案。

研究團(tuán)隊(duì)證明，僅依靠單目RGB攝像頭和提供二值觸覺(jué)信號(hào)的簡(jiǎn)易觸覺(jué)傳感器，機(jī)器人手就能在擰瓶蓋、轉(zhuǎn)水龍頭、滑動(dòng)杠桿等復(fù)雜任務(wù)中達(dá)到約85%的成功率，并能舉一反三，完成削鉛筆等未訓(xùn)練任務(wù)。

更令人驚訝的是，這套感官系統(tǒng)的總成本僅約250美元。怎么實(shí)現(xiàn)的？一套邏輯：靈巧的關(guān)鍵或許不在于感官的高保真，而在于大腦如何理解并融合“感知”與“控制”。

▍硬件降級(jí)，為何能力躍升？

這一研究結(jié)果挑戰(zhàn)了機(jī)器人靈巧性領(lǐng)域的傳統(tǒng)認(rèn)知。長(zhǎng)久以來(lái)，學(xué)界和產(chǎn)業(yè)界的主流路徑是追求感知硬件的極致精密化。

為了讓機(jī)器人手更聰明，工程師們?yōu)槠溲b上多目立體視覺(jué)系統(tǒng)、高幀率相機(jī)，以及能感知微小壓力梯度的高密度觸覺(jué)傳感器陣列。

這套邏輯簡(jiǎn)單直接：既然人類依靠精密的視覺(jué)和觸覺(jué)配合完成靈巧操作，那么給機(jī)器人更高清的“眼”和更敏感的“皮膚”，它理應(yīng)做得更好。

然而，這條路徑成本高昂、系統(tǒng)復(fù)雜，且易受光照、遮擋干擾，遲遲未能讓機(jī)器人獲得可靠的日常物品操作能力。

這項(xiàng)新研究則反其道而行之，進(jìn)行了一場(chǎng)“感官降級(jí)”實(shí)驗(yàn)：將視覺(jué)輸入簡(jiǎn)化為一個(gè)固定角度的普通攝像頭，將觸覺(jué)輸入簡(jiǎn)化為分布在手指關(guān)鍵位置的20個(gè)二值開(kāi)關(guān)（接觸為1，不接觸為0）。

結(jié)果出人意料：這套“低配”感知系統(tǒng)，在多指靈巧操作任務(wù)上的綜合表現(xiàn)，遠(yuǎn)超同等條件下僅有高清視覺(jué)或僅有復(fù)雜觸覺(jué)的系統(tǒng)。

▍解耦“感知”與“控制”，模仿人腦分工

奧秘不在于傳感器本身，而在于處理傳感器信息的大腦。研究團(tuán)隊(duì)從神經(jīng)科學(xué)中獲得了核心靈感，為機(jī)器人構(gòu)建了一個(gè)“仿生大腦”。這個(gè)大腦并非混沌一體，而是像人腦一樣，有著清晰的功能分區(qū)。

頂下小葉區(qū)域負(fù)責(zé)整合視覺(jué)與觸覺(jué)信息，運(yùn)動(dòng)皮層區(qū)域負(fù)責(zé)發(fā)出運(yùn)動(dòng)指令，兩者相對(duì)獨(dú)立又協(xié)同工作的。也就是說(shuō)，我們并非直接用眼睛看到的像素去指揮肌肉，而是先由頂下小葉將多種感官信息融合成一個(gè)關(guān)于“手和物體正在發(fā)生何種交互”的抽象理解，再將這個(gè)理解傳遞給運(yùn)動(dòng)皮層生成動(dòng)作。

研究團(tuán)隊(duì)精準(zhǔn)復(fù)現(xiàn)了這一“解耦”架構(gòu)。他們?cè)O(shè)計(jì)了一個(gè)兩階段學(xué)習(xí)框架：

機(jī)器人系統(tǒng)完整學(xué)習(xí)流程示意圖

第一步，賦予它“知覺(jué)”。讓AI模型觀看海量人類佩戴觸覺(jué)手套操作物體的視頻。在此過(guò)程中，模型唯一的學(xué)習(xí)目標(biāo)，是建立視覺(jué)畫(huà)面變化（如手部姿態(tài)、物體移動(dòng)）與簡(jiǎn)單觸覺(jué)信號(hào)（何時(shí)、何指發(fā)生接觸）之間的內(nèi)在關(guān)聯(lián)。

這相當(dāng)于讓AI自行領(lǐng)悟“當(dāng)手指以某種姿勢(shì)接觸物體某處時(shí)，畫(huà)面通常會(huì)是什么樣子”。

第二步，訓(xùn)練它“動(dòng)手”。利用第一階段訓(xùn)練好的成熟感知能力，“仿生大腦”在虛擬環(huán)境中專攻動(dòng)作控制。這時(shí)，它接收到的已經(jīng)是融合了視覺(jué)與觸覺(jué)意義的高級(jí)抽象信號(hào)，從而能更高效、更穩(wěn)定地學(xué)會(huì)如何移動(dòng)手指來(lái)完成特定任務(wù)。

這種分工明確的架構(gòu)，被同期發(fā)表的評(píng)論文章盛贊為“方法論的革新” 。它避免了傳統(tǒng)方法中，智能體既要學(xué)怎么看懂世界，又要學(xué)怎么動(dòng)手操作的混亂與低效，讓機(jī)器人學(xué)習(xí)變得像人類一樣，先理解，再行動(dòng)。

▍250美元超低成本，多復(fù)雜任務(wù)成功率達(dá)85%

在嚴(yán)謹(jǐn)?shù)膶?shí)驗(yàn)中，這套“降級(jí)感官+仿生大腦”的機(jī)器人手展現(xiàn)出全面而強(qiáng)大的優(yōu)勢(shì)。

在五項(xiàng)核心靈巧任務(wù)（擰瓶蓋、擰水龍頭、滑動(dòng)杠桿、桌面重定向、手中重定向）中，面對(duì)25個(gè)不同形狀、材質(zhì)（包括光滑、透明）的物體，取得了平均約85%的成功率。

關(guān)鍵對(duì)比數(shù)據(jù)如下表所示：

這意味著，在大多數(shù)情況下，它都能像人類一樣流暢完成任務(wù)。

更關(guān)鍵的突破在于“舉一反三”。研究人員給了它三項(xiàng)從未練習(xí)過(guò)的“加試”：削鉛筆、擰螺絲、滑動(dòng)零食包裝套。它居然成功完成了大部分嘗試。這說(shuō)明它學(xué)會(huì)的并非一套死刻板公式，而是一種更接近本能的物理直覺(jué)，能夠?qū)⒑诵膮f(xié)調(diào)能力遷移到新場(chǎng)景中。

值得注意的是，系統(tǒng)對(duì)硬件也表現(xiàn)出極佳的兼容性。研究團(tuán)隊(duì)測(cè)試了壓阻陣列、氣壓傳感等不同原理、不同分辨率的觸覺(jué)傳感器，策略均能良好運(yùn)行。這得益于預(yù)訓(xùn)練時(shí)對(duì)二值化閾值進(jìn)行了隨機(jī)化處理，增強(qiáng)了系統(tǒng)的適應(yīng)性。

這套系統(tǒng)的硬件核心均采用低成本商用組件，總成本僅約250美元，相比以往依賴數(shù)千美元高精度傳感器的方案，實(shí)現(xiàn)了數(shù)量級(jí)上的降低。

▍觸手可及的靈巧性革命

這項(xiàng)研究的深遠(yuǎn)意義，在于它為機(jī)器人靈巧性的普及掃清了一個(gè)關(guān)鍵障礙——成本和復(fù)雜度。

它證明，無(wú)需等待造價(jià)數(shù)萬(wàn)美金的高精尖傳感器成熟，利用現(xiàn)有的、低成本的感測(cè)組件，通過(guò)算法層面的革新，就能讓機(jī)器手獲得應(yīng)對(duì)復(fù)雜物理世界的能力。

這極大地加速了靈巧機(jī)器人從實(shí)驗(yàn)室走入倉(cāng)庫(kù)、家庭、醫(yī)院乃至更廣闊天地的進(jìn)程。當(dāng)靈巧操作不再是一項(xiàng)昂貴的技術(shù)特權(quán)，而成為一種可大規(guī)模部署的基礎(chǔ)能力時(shí)，一場(chǎng)真正的機(jī)器人應(yīng)用革命才將拉開(kāi)序幕。

從追求感官的高保真，到致力于理解力的高智能，這條路看似迂回，卻可能正是讓機(jī)器人靈巧性變得“觸手可及”的最短路徑。

論文鏈接：https://www.science.org/doi/10.1126/scirobotics.ady2869