全新升级后的Figure机器人

Helix：视觉-语言-行动一体化的全新智能人形机器人控制系统 figure机器人" loading="lazy" src="https://www.gosl.cn/zdmsl_image/article/20250221081152_64381.jpg"/>

近日，FigureAI发布了首个通用视觉-语言-行动（VLA）模型——Helix，标志着人工智能领域的一大突破。
这一模型实现了像人类一样的推理能力，将感知、语言理解和学习控制完美融为一体，通过自然语言就能直接控制人形机器人整个上半身。
无需任何特定任务的演示或大量手动编程，Helix能快速生成长程、协作性的灵巧操作。

一、Helix的技术解析

Helix的设计精妙之处在于其实现了多个首创技术点：

1. 配备Helix的Figure机器人能够根据自然语言提示，拾起几乎任何小型家用物品，包括数以千计的它们从未见过的物品。例如，当被要求拾起沙漠中的物品时，Helix能识别出玩具仙人掌，选择最近的手，并执行精确的运动指令将其牢牢抓住。
2. Helix采用了一种独特的解耦架构，通过两个互补的系统进行高速、灵巧的控制。系统1负责实时执行和调整动作，系统2则可以慢思考高层次目标。这种架构解决了传统方法中的权衡问题，实现了通用性和效率的完美结合。

二、数据、模型与训练

为了让Helix实现如此强大的功能，FigureAI团队进行了大量的数据和模型训练工作：

1. 数据收集：团队收集了一个高质量、多机器人、多操作的数据集，包含各种远程操作行为，总计约500小时。为了生成受自然语言约束的训练对，他们使用了自动标注VLM来生成后见（hindsight）指令。
2. 模型构建：Helix系统由两部分组成：系统2是VLM骨干，系统1是潜条件视觉运动transformer。系统2基于一个7B参数的开源、开放权重VLM，并在互联网规模的数据上进行预训练。系统1则是一个8000万参数的交叉注意力编码器-解码器transformer，用于处理底层控制。
3. 训练方法：Helix采用完全端到端的训练方式，通过标准回归损耗将原始像素和文本指令映射为连续动作。梯度通过用于调节系统1行为的潜在通信向量从系统1反向传播到系统2，对两个组件进行联合优化。

三、表现与优势

Helix的表现令人惊艳：

1. 精细的VLA整个上半身控制：Helix能以200Hz的频率协调35-DoF的动作空间，控制从单个手指运动到末端执行器轨迹、头部注视和躯干姿势等一切动作。
2. 零样本多机器人协调：在极具挑战性的多机器人操控场景中，Helix实现了两个机器人之间的协作零样本杂货存储，展示了强大的跨任务和跨物体通用能力。
3. 智能涌现——捡起任何东西：只需接收拿起[X]的指令，配备Helix的Figure机器人就能拿起几乎任何小型家用物品。

四、前景与展望

Helix的诞生标志着人形机器人技术的重大突破，但研究团队表示，这仅仅触及了可能的表面。
他们对未来充满了期待，想知道当Helix的规模扩大1000倍甚至更多时会发生什么。

Helix的出现无疑为人形机器人领域带来了新的曙光。
其强大的视觉、语言和行动能力，使得机器人能够更好地适应家庭环境，实现真正的智能家居控制。
而随着技术的不断进步，我们期待Helix能够在未来带来更多的惊喜和突破。

---

---

相关标签： 编程、 推理、 人形机器人、 家庭用品、 动作、 仿人、 神经网络、

上一篇：期待中的狠料究竟何在神秘面纱下的尊界技术

下一篇：后续动作引关注究竟是何重要消息引发震动