兩大模型拿下10項(xiàng)SOTA，性能超越Pi0近30%。

作者 |程茜

編輯 |漠影

機(jī)器人前瞻2月12日?qǐng)?bào)道，近日，阿里巴巴旗下高德正式發(fā)布首個(gè)具身智能成果ABot系列具身基座模型。

該系列模型包含具身操作基座模型ABot-M0與具身導(dǎo)航基座模型ABot-N0，根據(jù)其技術(shù)報(bào)告，這兩大模型刷新了全球十項(xiàng)權(quán)威評(píng)測(cè)紀(jì)錄，在具身導(dǎo)航與具身操作上均達(dá)到SOTA。

▲ABot-M0在Libero-Plus上的評(píng)測(cè)結(jié)果（上）、ABot-N0在Point-Goal上的評(píng)測(cè)結(jié)果（下）

其中，ABot-M0要解決的難題是機(jī)器人操作通用性，提升模型在多樣化機(jī)器人形態(tài)和任務(wù)場(chǎng)景下的泛化能力；ABot-N0要提升機(jī)器人在動(dòng)態(tài)、多干擾環(huán)境中的通用行動(dòng)能力。

根據(jù)技術(shù)報(bào)告，搭載ABot-N0的機(jī)器狗可以完成“帶我們?nèi)プ罱墓珗@放松一下”的復(fù)雜任務(wù)。該模型會(huì)首先解讀用戶的意圖，并查詢地形記憶庫以獲取目標(biāo)坐標(biāo)，隨后分解為一系列中間子目標(biāo)最終成功引導(dǎo)機(jī)器人到達(dá)最終目的地。

此外，為解決機(jī)器人在執(zhí)行長程復(fù)雜任務(wù)時(shí)的任務(wù)拆解與容錯(cuò)問題，高德還提出了Agentic Navigation System具身導(dǎo)航系統(tǒng)框架，支持機(jī)器人在執(zhí)行過程中持續(xù)感知、記憶、決策與糾錯(cuò)。該系統(tǒng)已部署于真實(shí)四足機(jī)器人平臺(tái)。

今年1月，新浪科技曾援引知情人士報(bào)道，高德內(nèi)部已組建具身業(yè)務(wù)部，并在全球范圍內(nèi)招攬具身智能產(chǎn)品專家及算法工程師。高德計(jì)劃將世界模型作為底層大腦，探索包括人形機(jī)器人、機(jī)器狗在內(nèi)的多元化產(chǎn)品形態(tài)，實(shí)現(xiàn)從數(shù)字導(dǎo)航到實(shí)體行動(dòng)的跨越。

ABot-M0項(xiàng)目主頁：

https://amap-cvlab.github.io/ABot-Manipulation/

ABot-N0項(xiàng)目主頁：

https://amap-cvlab.github.io/ABot-Navigation/ABot-N0/

01.

ABot-M0：主攻機(jī)器人泛化性難題

三大主流基準(zhǔn)測(cè)試拿下SOTA

機(jī)器人技術(shù)的規(guī)?；瘧?yīng)用關(guān)鍵挑戰(zhàn)之一在于數(shù)據(jù)的割裂、動(dòng)作表示的不統(tǒng)一以及空間理解能力的不足。不同廠商、不同形態(tài)的機(jī)器人往往使用各自獨(dú)立的數(shù)據(jù)體系，導(dǎo)致模型難以跨平臺(tái)復(fù)用，訓(xùn)練效率受限，部署成本高。

高德推出的通用具身操作基礎(chǔ)模型ABot-M0，從數(shù)據(jù)統(tǒng)一、算法革新、空間感知三個(gè)方面進(jìn)行了系統(tǒng)性重構(gòu)，可提升模型在多樣化機(jī)器人形態(tài)和任務(wù)場(chǎng)景下的泛化能力。

在具身智能領(lǐng)域主流三大開源仿真評(píng)測(cè)基準(zhǔn)Libero、Libero-Plus、RoboCasa測(cè)試中，該模型在包含復(fù)雜任務(wù)組合與動(dòng)態(tài)場(chǎng)景擾動(dòng)的設(shè)定下，平均任務(wù)成功率均達(dá)到SOTA。

在考驗(yàn)VLA模型在真實(shí)擾動(dòng)下的脆弱性的Libero-Plus基準(zhǔn)上，該模型得分達(dá)到80.5%，較Pi0提升近30%，展現(xiàn)了其在高擾動(dòng)高難度具身操作任務(wù)中的優(yōu)勢(shì)。

▲ABot-M0在Libero-Plus上的評(píng)測(cè)結(jié)果

根據(jù)其技術(shù)報(bào)告，在訓(xùn)練數(shù)據(jù)方面，研究人員整合了整合超過600萬條真實(shí)操作軌跡，涵蓋9500多個(gè)小時(shí)的訓(xùn)練數(shù)據(jù)和20多個(gè)不同的機(jī)器人模型，為ABot-M0構(gòu)建了目前規(guī)模最大的通用機(jī)器人數(shù)據(jù)集UniACT。

▲UniACT數(shù)據(jù)集概覽

該數(shù)據(jù)集通過統(tǒng)一動(dòng)作表示、坐標(biāo)系與控制頻率，并采用增量式動(dòng)作建模，實(shí)現(xiàn)跨平臺(tái)數(shù)據(jù)融合，可支撐完全基于公開數(shù)據(jù)的模型預(yù)訓(xùn)練。

訓(xùn)練策略上，研究人員采用了兩階段訓(xùn)練模式，第一階段為大規(guī)模預(yù)訓(xùn)練，用于構(gòu)建可泛化的動(dòng)作先驗(yàn)，第二階段為基于知識(shí)注入的空間感知監(jiān)督微調(diào)。

第一階段訓(xùn)練中，ABot-M0提出了全球首個(gè)動(dòng)作流形學(xué)習(xí)，具體為有效的機(jī)器人動(dòng)作受限于物理規(guī)律、任務(wù)目標(biāo)與環(huán)境約束，集中分布在低維結(jié)構(gòu)化的流形上。然后，研究人員通過AML（Action Manifold Learning）算法，使模型能夠直接預(yù)測(cè)結(jié)構(gòu)合理、物理可行的動(dòng)作序列，以提升策略的穩(wěn)定性與解碼效率。

為增強(qiáng)機(jī)器人的空間感知能力，ABot-M0還引入了3D感知模塊，可增強(qiáng)模型對(duì)前后、遠(yuǎn)近、遮擋等空間語義的理解。

▲三維信息注入流程

02.

ABot-N0：集成五大導(dǎo)航任務(wù)，全球首個(gè)！

在實(shí)際場(chǎng)景中，機(jī)器人需要在動(dòng)態(tài)且存在干擾的環(huán)境里展現(xiàn)出通用的行動(dòng)能力，如跨場(chǎng)景送物或跟隨服務(wù)。但當(dāng)前的機(jī)器人會(huì)受困于環(huán)境看不懂、動(dòng)作做不準(zhǔn)，無法執(zhí)行“去門口幫我看看快遞”等復(fù)雜指令。

基于此，高德推出了具身導(dǎo)航基座模型ABot-N0。

該模型在七大具身智能領(lǐng)域的基準(zhǔn)測(cè)試CityWalker、SocNav、R2R-CE/RxR-CE、HM3D-OVON、BridgeNav、EVT-Bench中刷新了世界紀(jì)錄。

其中在考驗(yàn)機(jī)器人在人群中社交導(dǎo)航能力的SocNav閉環(huán)仿真中，ABot-N0成功率（SR）提升至40.5%，在HM3D-OVON評(píng)測(cè)中成功率（SR）提升8.8%，表現(xiàn)優(yōu)于此前的SOTA模型。

▲ABot-N0在多個(gè)數(shù)據(jù)集上的評(píng)測(cè)結(jié)果

根據(jù)技術(shù)報(bào)告，該模型以“全任務(wù)一統(tǒng)”為核心目標(biāo)，全球首次在單一模型中完整集成Point-Goal（點(diǎn)位導(dǎo)航）、Object-Goal（目標(biāo)導(dǎo)航）、Instruction-Following（指令跟隨）、POI-Goal（興趣點(diǎn)導(dǎo)航）與Person-Following（人物跟隨）五大導(dǎo)航任務(wù)。

點(diǎn)位導(dǎo)航：機(jī)器人必須達(dá)到在局部坐標(biāo)系中定義的精確度量坐標(biāo)，作為穩(wěn)健運(yùn)動(dòng)和避障的基礎(chǔ)；

目標(biāo)導(dǎo)航：機(jī)器人在未見過的環(huán)境中主動(dòng)搜索并導(dǎo)航到特定對(duì)象類別，需要復(fù)雜的語義推理和多模態(tài)集成；

指令跟隨：機(jī)器人必須執(zhí)行長遠(yuǎn)、復(fù)雜的自然語言路徑，重點(diǎn)在于語言輸入與順序動(dòng)作執(zhí)行之間的嚴(yán)格對(duì)齊

興趣點(diǎn)導(dǎo)航：要求機(jī)器人識(shí)別特定的興趣點(diǎn)并精確導(dǎo)航到其物理入口，連接室外和室內(nèi)環(huán)境，同時(shí)解決最后幾米的導(dǎo)航挑戰(zhàn)；

人物跟隨：涉及對(duì)動(dòng)態(tài)人類目標(biāo)的實(shí)時(shí)跟蹤，代表了人機(jī)交互的一項(xiàng)關(guān)鍵社交能力。

這使得搭載ABot-N0的機(jī)器人可以完成“帶我去奶茶店買一杯奶茶，再幫我占個(gè)座”的復(fù)雜指令。面對(duì)該需求，系統(tǒng)會(huì)分解導(dǎo)航任務(wù)：根據(jù)地圖記憶接近奶茶店區(qū)域完成點(diǎn)位導(dǎo)航，切換至目標(biāo)導(dǎo)航鎖定店鋪入口并靠近，觸發(fā)指令跟隨進(jìn)入店鋪并導(dǎo)航至柜臺(tái)；最后執(zhí)行目標(biāo)導(dǎo)航，在店內(nèi)尋找空沙發(fā)并?？俊?/p>

集成了五大導(dǎo)航的ABot-N0，能讓機(jī)器人成功執(zhí)行長程復(fù)雜任務(wù)。

▲ABot-N0架構(gòu)圖

高德在模型架構(gòu)方面采用了層次化的“大腦?動(dòng)作”設(shè)計(jì)，并構(gòu)建了業(yè)內(nèi)最大規(guī)模具身導(dǎo)航數(shù)據(jù)引擎。

具體來看，“大腦?動(dòng)作”設(shè)計(jì)由“認(rèn)知大腦”理解指令并做推理，由基于流匹配（Flow Matching）的“動(dòng)作專家”生成精確且多峰分布的連續(xù)軌跡。訓(xùn)練層面，研究人員會(huì)先讓模型做認(rèn)知訓(xùn)練，再用部分認(rèn)知數(shù)據(jù)和海量導(dǎo)航動(dòng)作進(jìn)行聯(lián)合監(jiān)督微調(diào)，最后用強(qiáng)化學(xué)習(xí)把導(dǎo)航?jīng)Q策對(duì)齊到人類偏好的行為價(jià)值，最終打造出真實(shí)環(huán)境中更通用的VLA基座模型。

其構(gòu)建的具身導(dǎo)航數(shù)據(jù)集涵蓋約8000個(gè)高保真3D場(chǎng)景等海量時(shí)空數(shù)據(jù)與近1700萬條專家示例，包含7802個(gè)高保真三維場(chǎng)景，覆蓋6.25公里的室內(nèi)環(huán)境和4.42公里的室外環(huán)境。

▲ABot-N0的數(shù)據(jù)集

03.

結(jié)語：憑海量空間認(rèn)知數(shù)據(jù)

地圖廠商切入具身智能賽道

作為地圖導(dǎo)航領(lǐng)域的頭部大廠，高德此前積累了大量的時(shí)空數(shù)據(jù)、環(huán)境理解與動(dòng)態(tài)規(guī)劃能力，此次其推出的兩大模型分別聚焦機(jī)器人通用操作泛化與復(fù)雜環(huán)境魯棒行動(dòng)，或進(jìn)一步將地圖平臺(tái)的空間智能優(yōu)勢(shì)轉(zhuǎn)化為機(jī)器人在真實(shí)世界的感知、決策與執(zhí)行能力。

高德切入具身智能賽道，其具備天然的海量空間認(rèn)知數(shù)據(jù)，或成為具身智能賽道中不可忽視的重要力量，加速機(jī)器人實(shí)現(xiàn)自主決策與執(zhí)行。