本文来自 MathWorks 博客，Autonomous System 自主系统栏目。

作者：YJ Lim，MathWorks 机器人产品经理

翻译：叶女士(人机版)

非常激动地和大家分享我们最近的一些酷炫成果：我们正在利用生成式 AI，让机器人变得更加灵活，使用起来也更加便捷!

生成式 AI 已成为近年来最具影响力的技术趋势之一，推动了像 deepseek，ChatGPT 这样的工具，改变了我们的生活和工作方式。除此之外，生成式 AI 也正在重塑各行各业，机器人领域也不例外。在 MathWorks，我们非常期待探索这项技术如何简化和提升机器人运行的方式，让先进的机器人技术变得更加易用和多(duō)样(yàng)化(huà)。

该(gāi)领(lǐng)域的(de)一(yī)个(gè)典(diǎn)型(xíng)例(lì)子(zi)是(shì) Google’s Robotics Transformer 2 (RT-2) [1]。RT-2 展(zhǎn)示(shì)了(le)生(shēng)成(chéng)式(shì)AI的(de)巨(jù)大(dà)潜(qián)力(lì)，使(shǐ)机(jī)器(qì)人(rén)具(jù)备(bèi)了(le)前(qián)所(suǒ)未(wèi)有(yǒu)的(de)感(gǎn)知(zhī)、规划和行动的适应能力。这些模型利用大规模网络数据，帮助机器人泛化知识、在非结构化环境中执行任务，并且只需极少的针对性训练。虽然前景令人振奋，但仍然面临一些挑战，比如如何将这些模型集成到现实世界的工作流程中——而这，正是 MathWorks 的用武之地。

从传统到生成式 AI 方法的转变

传统上，自主系统通常由感知、规划和控制等独立模块组成。虽然这些模块能够实现预(yù)期(qī)功(gōng)能，但在集成和适应新环境时往往需要投入大量精力。

图(tú)示(shì)：现(xiàn)有的机器人任务实现方式——在传统机器人系统中，任务通常被分解为若干子任务，如目标检测、抓取和运动规划。感知模块负责检测并估算物体的姿态，而运动规划模块则计算任务执行所需的轨迹。在动态环境下，这些步骤往往需要多次重复执行，对于像放置多个物体这样的多步骤任务，会导致系统变得复杂且效率低下。

以传统的感知流程为例：

目标检测：可以(yǐ)使(shǐ)用(yòng) YOLOv4 检测器对图像中的物体进行识别(示例[2])。

姿态估算：通过多步流程估算被检测物体的三维位置和朝向(示例[3])。

训练与部署：每添加一个新物体或更换环境，都需要重新训练和配置系统，这不仅耗时，而且难以大规模推广。

图示：现有的姿态估算方法实现机器人任务(参见此示例[4])。在现有的感知流程中，主要目标是检测图像中的物体并估算其三维姿态，通常会用到 YOLOv4 检测器。尽管这种方法有效，但需要大量的训练和姿态估算步骤，因此在面对新物体或新环境时，扩展和应用起来既繁琐又具有挑战性。

生成式 AI 则改变了这一传统做法，将感知、规划和控制集成到一个端到端的系统中。VLA(视觉-语言-动作)模型能够处理文本指令和摄像头图像，预测机器人动作，并根据反馈不断优化这些动作。这类模型具备以下特点：

基于 transformer 架构——与 ChatGPT 等模型采用相同的技术基础;

能够结合视觉和语言输入进行推理并生成相应动作;

作为“具身智能”系统，将抽象理解与实际物理动作相连接。

这种端到端的方法大大简化了开发流程，使机器人更容易适应新的任务和环境。

图示：基于 transformer 架构的机器人 VLA(视觉-语言-动作)模型能够根据文本指令和摄像头图像，在一个简化的步骤中预测机器人动作，这与传统系统中任务分解、感知和运动规划等多个独立阶段不同。这些模型通过视觉反馈不断迭代优化动作，从而提升准确性，但在实际执行时仍需依赖底层控制器，并且在真实应用中需要安全层来保障可靠性。与 ChatGPT 和 DALL-E 等模型不同，VLA 模型通过将决策过(guò)程(chéng)融(róng)入(rù)物(wù)理(lǐ)机(jī)器(qì)人(rén)系(xì)统(tǒng)，实(shí)现了“具身智能”。

生成式 AI 与机器人技术在 MathWorks 的结合

在 MathWorks，我们致力于将生成式 AI 领域的前沿研究与机器人实际应用之间的鸿沟弥合。我们 MATLAB 和 Simulink 中的工具为机器人基础模型提供了有力补充，例如：

即插即用：可直接在 MATLAB 和 Simulink 中访问和部署此类模型。

测试验证：利用生成式模型的输出，仿真机器人动力学、优化运动规划和轨迹控制(通过 Robotics System Toolbox)。

三维可视化：逼真的3D动画将机器人行为生动展现，便于在仿真环境中评估性能。

安全保障：为机器人系统的现实应用提供验证和确认工具，确保安全关键型场景的可靠性。

真实部署：支持从仿真无缝过渡到实际部署，包括在资源受限设备上的测试或利用云端推理。

例如，我们开发了一个名为“RobotPolicy”的 Simulink 模块，可与基础模型集成，在闭环系统中展示其能力。该模块能够接收任务指令和视觉观测，输出机器人动作，并支持如 RT1-X 和 Octo 等预训练的小型模型。

图示：在 Simulink 中仿真和测试机器人基础模型。Simulink 中的“RobotPolicy”模块可以集成来自 HuggingFace 等平台的基于 Python 的基础模型。它能够处理任务指令和观测图像，生成机器人动作，明确指定末端执行器的位置和姿态。整个工作流程包括自然运动的位姿控制、具有真实感的 3D 仿真环境，以及动作的迭代生成直至完成任务，从而实现生成式 AI 在机器人领域的无缝测试与部署。

现实应用与未来展望

结合 MATLAB 和 Simulink 的生成式 AI 为各类机器人应用领域带来了令人兴奋的新可能，例如：

零样本部署：得益于基础模型在多样化数据集上的广泛训练，机器人能够在从未见过的环境中执行任务。

涌现能力：不仅能执行基础指令，机器人还可完成需要推理的复杂任务，比如挑选健康饮品或理解符号化指令。

仿真驱动开发：高保真仿真有助于优化模型和加速测试，缩小仿真与现实部署之间的差距。

针对特定任务的微调：借助基础模型中学到的先验知识，机器人仅需极少的数据就能适应新任务或新环境。例如，只需少量样本，便可在数小时内完成对高精度操作或长时序任务的模型微调。

亲自体验

我们非常乐意帮助您探索生成式 AI 如何变革机器人工作流程。目前，我们准备在 GitHub 上发布示例，同时您也可以直接联系我们，申请试用代码的访问权限。

这个示例将展示：

机器人基础模型与 Simulink 的集成

机器人任务的仿真与可视化

如何将这些模型适配到具体应用中

欢迎联系我们获取试用代码，亲自体验生成式 AI 带来的各种可能。我们期待您的反馈和宝贵见解!

加入讨论

生成式 AI 仍在不断发展，提升成功率和实现可扩展性等问题仍需攻克。随着更多数据和高保真仿真的出现，我们相信(xìn)该(gāi)领(lǐng)域将(jiāng)会(huì)快(kuài)速(sù)进(jìn)步(bù)。在(zài) MathWorks，我(wǒ)们(men)很(hěn)高(gāo)兴(xìng)能(néng)够(gòu)参(cān)与(yǔ)这(zhè)一(yī)进(jìn)程(chéng)，并(bìng)期(qī)待(dài)听(tīng)到(dào)您(nín)对(duì)生(shēng)成(chéng)式(shì) AI 在(zài)机(jī)器(qì)人(rén)领(lǐng)域创(chuàng)造(zào)新(xīn)机(jī)遇(yù)的(de)看(kàn)法(fǎ)。

欢(huan)迎(yíng)分(fēn)享(xiǎng)您(nín)的(de)想(xiǎng)法(fǎ)，并(bìng)亲(qīn)自(zì)试(shì)用(yòng) GitHub 上(shàng)的(de)示(shì)例(lì)，体(tǐ)验(yàn)这(zhè)些(xiē)创(chuàng)新(xīn)应(yīng)用(yòng)的(de)可(kě)能(néng)性(xìng)：

您(nín)目(mù)前(qián)是(shì)否(fǒu)在(zài)探(tàn)索(suǒ)生(shēng)成(chéng)式(shì) AI 在(zài)机器人领域的应用?在您看来，生成式AI在哪些机器人应用中能够产生重大影响?

机器人VLA基础模型(如 Google 的 RT-X 和 Covariant 的 RFM-01)可以实现端到端的任务处理(涵盖感知、规划和执行)。您认为这些模型有可能取代传统算法吗?

机器人基础模型在实际部署中仍需底层控制器、额外的安全机制和大量测试。您认为基于模型的设计(Model-Based Design)能否在保障这些模型功能安全方面发挥关键作用?

MATLAB/Simulink 为基础模型的连接、仿真、测试和部署提供了便捷工具。您是否有兴趣将 MATLAB/Simulink 用于这些用途?