新闻动态

  

近日,Z6官网(Z6官网)高源团队结合北京通用人为智能钻研院(BIGAI)陈晰、香港中文大学(丽江)林天麟、华盛顿大学圣路易斯分校张崇杰、清华大学、微软亚洲钻研院、北京大学等国内表驰名机构与钻研者,在机械人领域国际顶级期刊《Science Robotics》颁发题为“Cross-Robot Behavior Adaptation through Intention Alignment”的钻研论文。

640_6

论文被选为Science Robotics和Science主页特选论文

该钻研提出了一种通用的“意图对齐仿照进建”(Intention-Aligned Imitation Learning, IAIL)框架,突破了传统仿照进建受限于机械人状态的瓶颈,初次实现了异构机械人团队——蕴含无人机、无人船、轮足机械人、人形机械人及单/双臂机械手等7类截然分歧的机械人——之间基于意图理解的自适应仿照与合作。在涵盖30个多步合作场景的真机尝试中,该框架获得了92%的工作成功率,展示出卓越的跨状态泛化能力与现实部署潜力。

原文链接:https://doi.org/10.1126/scirobotics.adv2250 

 

一览论文解读

1 期刊介绍

《Science Robotics》是美国科学推进会(AAAS)旗下《Science》系列的沉要子刊,也是Science系列子刊中唯一聚焦机械人学领域的顶级学术期刊。该期刊最新影响因子高达26.1,持久位居机械人学领域全球第一梯队,致力于颁发机械人领域拥有沉大原创性和刷新性的钻研成就,涵盖从基础科学到工程利用的宽泛议题。由于极高的学术尺度与极低的录用率,在《Science Robotics》颁发论文意味着钻研成就获得了国际顶级同业评审专家的高度认可,被视为该领域的沉要里程碑。

2 钻研布景:突破状态壁垒

在机械人技术日益遍及的今天,从工业产线的柔性造作到灾后接济的多机协同,再到太空索求中的异构编队作业,越来越多的现实场景必要状态各别的机械人协同工作。然而,若何让异构机械人(Cross-embodiment)——例如天上飞的无人机、水里游的无人船、地面跑的轮式机械人和桌上操作的机械臂——可能相互“理解”并合作实现工作,一向是机械人学领域的沉大盛开问题。

仿照进建(Imitation Learning, IL)是机械人技术获取的主题范式,使机械人可能通过观察专家演示高效习得新技术。然而,现有步骤多如果示教者与进建者拥有一样或类似的物理构型,依赖两者间的直接活动映射。当二者在自由度、活动模态或传感器配置上存在底子差距时,这种映射即告失效。为应对中等水平的状态差距,已有钻研尝试选取不变特点映射、状态转移对齐或域混合(domain confusion approaches)等步骤。然而,当活动模态底子分歧时(如地面车辆与飞行器),上述战术均难以见效。近年来,基于工作了局的对应进建虽获得进展,但需为每对示教-进建者手动标注配对轨迹,严沉造约了其可扩大性。无监督对应进建虽免去了标注职守,却仍要求机械人具备一样的职能集中。可能同时适应多样化环境并泛化至异构机械人状态的高效步骤,仍是该领域亟待添补的空缺。

此表,从单体仿照进建扩大到团队层面,引入了一个全新的“团队对团队”仿照范式(Team-to-Team Imitation)。当示教团队与进建团队在团队规模、机械人类型和个别能力上存在异质性时,系统必要同时解决两个耦合难题:为进建团队天生可行的活动规划,以及基于个别能力进行合理的多机械人工作分配(Multi-Robot Task Allocation, MRTA)。由于异构机械人职能各别且工作界说隐含在隐式活动轨迹中,异构团队间的仿照迄今仍是一个未被索求的课题。

钻研团队从认知科学中的“理性仿照”(Rational Imitation)理论获得了关键启发。发展生理学钻研批注,人类进建者——甚至婴幼儿——在仿照他人行为时,会优先再现示教者的揣度指标(inferred goals),而非精确复造其活动模式。神经科学钻研进一步支持了这一概想,证明人类在意图层面(intentional level)而非活动仿照层面(motor mimicry)理解行为。这一跨学科洞见组成了IAIL框架的理论基石:能否让机械人也像人类一样,通过理解意图而非复造作为来实现跨状态的进建与合作?

641

图1. 分歧仿照进建场景的视觉示意图

如图1所示,传统的仿照进建(左侧)通常局限于示教者与进建者占有一样或类似的身段结构,其对应关系成立在共享的活动空间或不变的身段组件之上。然而,本钻研索求了一种全新的、更具挑战性的跨体型仿照场景(右侧):即就是状态迥异的异构机械人团队(例如无人机与无人船),也能通过天然说话注解所编码的高层意图在共享嵌入空间中成立语义对应关系,从而实现跨活动模态、跨工作空间的仿照与合作。这一范式从底子上扭转了仿照进建的对应粒度——从底层活动轨迹的逐步映射,上升到高层工作意图的语义对齐。

3 主题框架:意图对齐仿照进建(IAIL)

针对上述挑战,团队提出了意图对齐仿照进建(Intention-Aligned Imitation Learning, IAIL)框架。该框架的主题理想在于“超过大局与职能”(Beyond Form and Function):不合齐活动,对齐意图。与近年来Open X-Embodiment、Octo、OpenVLA、HPT等致力于从大规模异构数据中进建通用战术或表征的步骤分歧,IAIL不钻营训练跨所有机械人的单一通用战术,而是为每个机械人保留独立的活动天生模型以尊沉其物理约束,同时通过构建跨机械人的共享意图空间(Shared Intention Space)实现异构体型间的行为关联与迁徙。该空间以人为标注的天然说话描述作为语义锚点,通过对比进建将分歧状态机械人的活动表征对齐到统一的语义层面——无论是无人机的飞行轨 ;故腔当鄣淖ト∽魑,只有它们背后的工作指标一样,在意图空间中就会被编码为相近的向量暗示。这种“?榛焐 + 统一意图空间”的架构设计,使得IAIL既保全了个别机械人的本体异质性(embodiment heterogeneity),又实现了跨体型的显式、矫捷的技术迁徙——这是当前通用表征进建步骤所不具备的能力。

640_7

图2. 智能体对智能体(Agent-to-Agent)场景下的IAIL框架概览

如图2所示,IAIL框架的运作流程蕴含三个关键阶段:

  1. 高低文感知的活动天生(Context-aware Motion Generation, 阶段A):该阶段掌管评估进建者机械人在当前情境下的行为能力。具体而言,系统为每个机械人训练一个基于变分自编码器(Variational Autoencoder, VAE)的状态前提天生模型。该模型通过在各机械人独立采集的专家轨迹数据集上离线训练,进建在给定状态下天生安全、可执行的候选作为序列。每条候选作为代表该机械人在当前环境约束下可实现的一种指标,候选作为库的多样性直接反映了机械人在特定情境中的能力天堑。值妥贴心的是,各机械人的天生模型齐全独立训练,无需任何跨机械人的数据共享或结合优化,这极大降低了系统的部署门槛和扩大成本。
  2. 活动意图提。∕otion Intention Extraction, 阶段B):该阶段是框架的主题创新地点。系统为每个机械人训练一个特定的活动编码器,同时训练一个所有机械人共享的注解编码器,两者通过对比进建(Contrastive Learning)指标函数结合优化。训练数据中,每条机械人轨迹配有3-5条分歧抽象档次的天然说话描述(例如,从“拾取白色纸杯”到“拾取杯子”),说话注解作为语义监督信号,通过最大化正确活动-注解对之间的互信息、最幼化谬误配对间的类似度,驱动拥有一样意图的作为——无论来自何种状态的机械人——在嵌入空间中荟萃。例如,“无人机飞往监测点”和“轮式机械人驶向监测点”固然活动大局截然分歧,但由于共享“前往监测点”的意图注解,它们在意图空间中将被映射到相邻地位。此表,通过将天生模型采样的散布表(Out-of-Distribution, OOD)作为标注为“unknown”并纳入训练,系统可能有效鉴别并排除不成靠的候选作为,这一机造对保险真实部署中的行为安全性至关沉要。
  3. 基于意图类似度的活动关联(Motion Association via Intention Similarity, 阶段C):在共享意图空间中,系统推算示教者作为嵌入与进建者所有候选作为嵌入之间的余弦类似度,拔取意图空间中距离最近的候选作为作为执行规划。这一机造确保了所选作为同时满足两个关键约束:物理可执行性(来自阶段A的天生保险)和语义一致性(来自阶段B的意图对齐)。当类似度低于预设阈值时,系统判定当前机械人不具备执行该示教意图的能力,机械人将自动维持待机而非冒险执行可能导致不成预期后果的作为——这一守旧战术对真实场景中的部署安全至关沉要。在多机械人团队场景中,该机造天然扩大为能力感知的工作分配(Capability-aware Task Allocation):系统跨所有进建者机械人的候选作为进行全局搜索,将每个示教步骤分配给意图距离最近且物理上可行的机械人执行,从而在统一框架内同时解决了跨体型行为迁徙和多机械人工作分配(MRTA)两个耦合问题。

640_0

图3. 256维潜在活动表征的t-SNE投影

为了验证意图空间的内部结构与鲁棒性,钻研团队在120个未参加训练的测试样本上进行了定量分析。通过推算潜在嵌入间的余弦距离,评估了工作类型间的语义分离度和跨体型的一致性。

语义分离方面:全局类间余弦距离高达0.997±0.003,批注分歧工作类型的潜在表征近乎正交、高度分离。类内距离则显著更低——监测工作为0.276-0.375,递送工作仅为0.023,总体语义分离比率达到3.764(界说为均匀类间距离与均匀类内距离之比,该指标常用于无监督聚类评估)。值得关注的是,意图空间还保留了细粒度的物等第语义结构:拾取统一物品的类内距离(如0.11±0.044用于杯类)远幼于拾取同类分歧物品的距离(0.499±0.034),批注系统可能在粗粒度(工作类型级)和细粒度(物品事俘级)同时实现精确的语义编码。这一层级化的语义结构直接支持了IAIL在"同物品可用"(85%成功率)和"同类物品可用"(87%成功率)两种前提下均维持高适应正确率的能力。

跨体型对齐方面:界说跨体型对齐误差为执行统一工作的分歧机械人嵌入质心之间的均匀余弦距离,递送阶段的对齐误差低至0.030-0.031,意味着分歧机械人执行统一递送工作时的潜在编码险些一样。总体跨体型对齐比率为3.046,证实了IAIL的意图空间具备优良的体型不变性(Embodiment Invariance),为其矫捷的角色代替和动态工作沉分配能力提供了坚实的表征基础

%E9%AB%98%E6%BA%90SR%20video1

视频1. IAIL主题组件(IAIL's Key Components)

该视频具体动态展示了上述框架的三个关键阶段:高低文感知的活动天生、基于共享空间的活动意图提取、以及基于意图类似度的活动关联。

4 团队合作:从个别到集群

IAIL框架不仅合用于单体间的智能体对智能体(Agent-to-Agent)仿照,更开创性地将跨体型仿照进建与多机械人工作分配(Multi-Robot Task Allocation, MRTA)在统一框架内耦合,支持异构机械人团队间的团队对团队(Team-to-Team)合作仿照。在团队层面,系统必要同时解决“学什么”(跨体型行为迁徙)和“谁来做”(基于能力的角色分配)两个耦合问题——而这正是现有跨体型迁徙步骤和传统MRTA步骤各自无法独立解决的。IAIL通过共享意图空间中的全局类似度搜索,将这两个问题统一求解。

640_1

图4. 机械人团队之间的作为关联过程

如图4所示,在团队对团队(Team-to-Team)的仿照中,系统会综合考量所有机械人的能力与约束。通过在共享意图空间中推算距离,系统可能动态地将工作分配给能力最匹配的成员。例如,将空中监测工作分配给无人机或无人船,将物品拾取分配给机械臂,将递送工作分配给轮足机械人,实现了工作的自动优化分配。值妥贴心的是,当团队成员发生变动时(如某台机械人不成用),系统可能自动沉新分配角色——例如当无人船Cuboat缺席时,轮足机械人Diablo会接替其监测职责,体现了框架对团队组成变动的强鲁棒性。

5 尝试验证与真实世界部署

钻研团队搭建了涵盖无人机、无人船、轮足机械人、人形机械人、差速轮式机械人及单/双臂机械手在内的7类异构机械人集群,在30个多步合作场景中对IAIL框架进行了全面验证。值妥贴心的是,示教团队与进建团队之间没有任何机械人沉叠——进建者必要在从未见过示教者状态的前提下,仅凭意图理解来复现工作指标。

尝试了局批注,IAIL在跨异构团队的仿照中获得了92%的工作成功率和88%的最佳自适应率。系统不仅可能在示教物品可用时精确复现,也能在仅有同类代替品时做出合理代替,更能在职务不成行使佚确鉴别并自动维持待机,预防谬误操作。所有角色分配均严格落在各机械人的物理能力领域内,且角色会随团队组成和环境配置动态调整——这种涌现式的智能分配并非硬编码规定,而是IAIL基于意图空间中的能力感知推理自动产生的。

视频文件

视频2. 真机尝试(Real-WorldExperiments)

视频展示了异构机械人团队在监测、物品抓取与递送等复杂工作中的阐发。系统可能凭据当前团队中可用的机械人及其能力,动态地将工作分配给最相宜的成员,实现了从个别仿照到团队合作的逾越。

除了真机尝试,团队还进行了系统的仿真对比尝试,将IAIL与两类代表性基线范式进行对照。第一类是基于密度的映射步骤(Density-based Mapping),通过循环一致性损失(cycle-consistency loss)对齐示教者与进建者的技术散布,在不依赖标注的前提下实现无监督跨体型迁徙。第二类是基于描述的翻译步骤(Description-based Translation),以天然说话作为中央暗示实现说话前提战术进建(language-conditioned policy learning),通过将示教作为编码为文本描述再解码为进建者的执行战术。为确保平正比力,两类基线与IAIL使用一样的编码器/解码器架构和一样的标注数据集。

从理论分析角度,两类基线步骤各有底子性局限:密度步骤在示教者与进建者的工作散布存在显著差距时会退化(因其依赖散布对齐而非语义理解) ;描述步骤虽具备语义鲁棒性,但不足对进建者物理能力的显式建模,当进建者不具备执行示教工作的能力时,仍会天生不成行的作为。两者均无法检测工作不成行场景(即示教工作超出进建者能力领域时),可能导致机械人执行谬误甚至危险的操作。在涉及所有机械人配对的500次沉复评估中(使用三个随机种子),双侧Welch t检验证实IAIL在所有挑战性配对中显著优于两类基线(所有p < 0.001)。

%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20260318234128

图5. 仿真钻研:监测工作中的仿照机能评估

在指标监测工作仿真中(图),四种机械人(Pepper、Drone、Carter、Wheeled Biped)因各自体型约束对两个指标有分歧的作为散布偏好。密度步骤在作为散布类似的配对中阐发尚可,但在散布差距显著的8组配对中机能急剧退化——IAIL相比密度步骤的无权沉均匀分差Δ=1.40(95% CI [1.01, 1.79],SD=0.47),效应量普遍达到大效应(Cohen's d > 0.8)。描述步骤在Pepper-Carter等能力不匹配的4组配对中同样失败,IAIL相比描述步骤的均匀分差Δ=0.94(95% CI [0.84, 1.04],SD=0.063)。最具诊断价值的发现是:在Pepper-Carter配对中,两种基线步骤的均匀得分均为-1(始终执行谬误作为),而IAIL可能正确鉴别不成行工作并维持待机。这一差距的现实意思在于:在真实部署中,执行谬误作为可能导致物理败坏或安全变乱,而IAIL的意图感知机造提供了传统步骤不具备的性质安全保险。

640_2

图6. 仿真钻研:分歧环境前提下的物品选择评估

在物品抓取工作仿真中(图),三台Universal Robots UR5机械臂拥有一样的活动学结构但分歧的相机视角,必要从18种物品(分属5个语义类别)中进行跨体选择。由于更高维度的状态-作为空间和更精密的物品语义差距,该工作的难度显著高于监测工作。IAIL在所有9组配对中均显著优于两类基线(所有p < 0.001):相比密度步骤的均匀分差Δ=1.11(95% CI [1.08, 1.14],SD=0.04),相比描述步骤的均匀分差Δ=0.63(95% CI [0.55, 0.70],SD=0.10)。档次化分析批注,描述步骤在“统一物品可用”前提下阐发尚可,但在“同类代替”前提下机能大幅降落——这刚好反映了其不足细粒杜罪义编码能力:它能复述具体物品名称,却无法在类别层面上进行矫捷的语义推理。密度步骤在两种前提下均阐发最差,因其齐全依赖散布统计而不足任何语义信息。两种基线步骤在不成行场景中均无法检测工作不成行性,频仍产生谬误作为。综合来看,IAIL通过意图空间中的多层级语义编码,在物品事俘级和类别级均实现了正确的跨体型行为迁徙,同时具备唯一可能保险工作不成行场景下行为安全性的能力。

作为框架可扩大性的一项沉要验证,钻研团队还展示了IAIL与大说话模型(LLMs)的集成潜力。由于IAIL的注解编码器与活动编码器经过结合训练,框架可能将说话指令与活动轨迹一致地投射到意图空间中。这意味着,当使用说话指令代替示教轨迹时,仅需将意图提取阶段的编码器从活动编码器切换至注解编码器,即可实现无缝的模态切换——无需任何额表训练或架构调整。这一个性使得大说话模型可直接作为高层规划器为异构机械人团队天生工作指令,IAIL则掌管在意图空间中找到与指令语义最匹配的可执行作为。当采集人类示教轨迹不成行时,LLMs还可自动天生说话指令作为代替示教,从底子上降低了异构多机系统的部署门槛。

%E9%AB%98%E6%BA%90SR%20video3

视频3. 与大说话模型集成(Integration with LLMs)

视频演示了集成的工作规划与执行流程。大说话模型不仅能够作为“大脑”进行顶层规划,还能在不足人类示教轨迹时,自动天生指令作为代替示教,进一步扩大了异构机械人系统的通用性与交互能力。

文章共统一作

高源(Yuan Gao,幼我主页:https://gaoyuankidult.github.io/),现任Z6官网(Z6官网)副钻研员、国际合作部项目掌管人(PI),兼任香港中文大学(丽江)理工学院客座助理教授。入选丽江市海表高档次人才打算,主持国度科技部沉大专项子课题及多项省市级科研项目,并参加瑞典SSF、欧盟Horizon 2020、ANIMATAS等国际机械人钻研项目。高源博士在机械人进建算法、多机合作战术及异构多机系统等领域累计颁发论文50余篇,重要颁发于Science Robotics、IEEE T-RO、IEEE IoT-J、IEEE T-MECH、ACM IMWUT、ACM CHI、RA-L、NeurIPS、ICRA、IROS等国际顶尖期刊与会议。其钻研聚焦于城市级社会化异构多机械人系统、云-边-端多模态大模型驱动的异构机械人集群,以及人机协同混合智能,致力于推动多机械人系统、大模型与智能协同交叉领域的理论创新与工程落地。

陈晰(Xi Chen),现任北京通用人为智能钻研院(BIGAI)钻研员,清华大学博士后出站,博士毕业于瑞典皇家工学院(KTH)机械人感知与进建尝试室(RPL)。钻研方向聚焦于数据驱动的机械人节造与决策,涵盖强化进建、仿照进建及幼样本战术的迁徙与适应。钻研成就颁发于ScienceRobotics、NeurIPS、IEEE T-RO、RA-L、ICRA、IROS等国际顶级机械人期刊与会议,累计颁发论文二十余篇。

其他重要作者

张崇洁(Chongjie Zhang),华盛顿大学圣路易斯分校 McKelvey工程学院推算机科学与工程系副教授,Machine Intelligence Group掌管人。2023 年秋季参与华盛顿大学,此前曾任清华大学交叉信息钻研院助理教授,以及麻省理工学院推算机科学与人为智能尝试室(CSAIL)博士后钻研员。2011年获得马萨诸塞大学阿默斯特分校推算机科学博士学位。钻研聚焦于深度强化进建、多智能体系统及人机交互,索求智能体若何进建决策并与其它智能体某人类有效合作,以实现超过个别能力的指标,致力于弥合前沿钻研与现实利用之间的差距。

林天麟(Tin Lun Lam),香港中文大学(丽江)副教授、校长青年学者、机械人与智能造作国度处所结合工程尝试室常务副主任、Z6官网项目掌管人、广东省卓越青年基金获得者,电气与电子工程师协会(IEEE)高级会员及IEEE 机械人与自动化协会昭通分会副主席,任IEEE Transactions on Automation Science and Engineering、Journal of Field Robotics、《机械人》等副编纂。钻研沉点蕴含新型移动机械人及多机械人合作系统等 ;窆诒硎谌ㄗɡ80余项,颁发4部书籍,在Nature Communications、T-RO、IJRR、JFR、TPAMI、TIP、TMECH、RA-L、ICRA、IROS顶尖国际期刊及会议颁发论文70余篇,并曾获IEEE/ASME TMECH最佳论文奖、IROS机械人机构及设计最佳论文奖等荣誉。

对具身异构多机领域的启迪

IAIL框架组成了异构多机械人系统架构设计的范式刷新,为具身智能钻研奠定了新的理论基础。当前,Open X-Embodiment、Octo、OpenVLA等前沿工作致力于从大规模异构数据中训练通用战术,但其主题范式是将多样化的机械人表征压缩为单一通用模型——这不仅面对数据散布不均所导致的长尾困境,更有扼杀分歧机械人本体异质性(embodiment heterogeneity)的风险。IAIL则证了然另一条蹊径的可行性:意图对齐的共享嵌入空间能够作为跨本体的元和谈(meta-protocol),在保全每个机械人物理约束与职能特异性的同时,实现异构智能体间的高阶语义对齐。

这一架构设计还天然与机械人活动可读性(Motion Legibility)和可预测性(Predictability)文件对齐:通过将机械人行为组织在与人类可理解的说话描述对齐的共享意图空间中,IAIL使得机械人的指标可能从其行为中被高效揣度,这在人机合作场景中尤其有利于成立人类对机械人团队的理解与信赖。

这一洞见对具身异构多机基础模型构建拥有深远启迪。该框架的三阶段流程——高低文感知活动天生、活动意图提取和基于意图的关联——为盛开环境下机械人团队的动态组合提供了可扩大的模板,无需沉新训练即可适应新的团队配置。天然说话作为意图桥梁的整合(如与GPT的集成所示)批注,未来基础模型可借助大说话模型作为语义骨干,实现对新异构机械人组合的零样本工作规范与动态角色分配。潜在空间中跨体型对齐(对齐比率3.046)与语义分离(分离比率3.764)的定量证据批注,此类意图空间具备大规模部署所需的结构法规性与泛化个性。此表,IAIL的能力感知工作分配机造添补了当前基础模型钻研的一个关键空缺:在跨机械人迁徙过程中显式建模并尊沉物理约束,确保纯数据驱动步骤无法提供的安全性与可行性保障。

从多智能体具身系统视角审视,IAIL框架为异构物理智能体提供了一种去中心化的协同和谈。通过将意图空间作为共享的 “心智模型”(Shared Mental Model),具备分歧感知-活动能力的智能体可能在无需精确状态同步的情况下,基于高层语义指标实现行为对齐。这一机造天然适配于大说话模型驱动的认知-物理双层多智能体系统:云端或边缘侧的认知智能体掌管高阶规划与逻辑推理,而IAIL则作为物理执行接口,将抽象的说话意图转化为异构机械人的可执行战术。更沉要的是,人类操作员也可作为特殊智能体接入共享意图空间,直接参加工作分配——IAIL的能力感知机造确保人类意图不会被谬误地分配给物理能力不匹配的机械人执行。

统合观之,意图空间组成了衔接集中式基础模型与散布式多智能体系统的关键中央表征层:对前者,它提供了可扩大的跨本体知识共享接口 ;对后者,它确立了异构智能体间互操作的语义尺度与协和谐谈。我们以为,未来的异构多机系统将兼具基础大模型(集中式表征进建)与多智能体模型(散布式协同执行)的双沉特点,而IAIL所成立的意图对齐范式将成为衔接两者的有机纽带,为构建可诠释、可扩大且物理可执行的人机混合智能社会奠定步骤论基础。

关于构建未来异构机械人社会的钻研建议

为推动该范式从概想验证走向工程落地,钻研幼组建议有关钻研社区在以下维度协同突破:第一,构建异构多模态数据集——当前数据多集中于单一机械人状态,需成立涵盖微纳操作、水面航杏注?榛猿凉沟认∪北咎宓拇蠊婺9旒-说话配对数据集 ;第二,深入具身意图空间的认知架构——索求将因果推理、物理学问与世界模型嵌入意图编码,使系统不仅能匹配表层作为意图,更能理解深层物理约束 ;第三,成立尺度化评估基准——开发涵盖安全性、合作效能与物理可行性的测试平台,以量化分歧异构组合下的泛化能力 ;第四,推动云-边-端协同推算架构——在保注意图空间全局一致性的同时,允许各机械人基于本地观测进行高低文感知的作为天生。

称谢与合作约请

本钻研仅揭开了意图对齐驱动异身合作的冰山一角。当前,我们正致力于将IAIL框架扩大至更大规模的异构机械人集群,并索求其在工业产线柔性沉构、灾后接济异构编队、以及人形-无人机协同作业等真实场景中的落地利用。这一愿景的实铣两需跨学科智慧的注入与持续资源支持。

我们在追求:

  • 产业同伴:提供真实场景数据、机械人平台测试环境或工程化落地支持 ;
  • 学术合作者:从事多模态大模型、机械人进建、认知架构或散布式系统钻研的团队,共同索求意图空间的认知神经科学基础或构建更大规模的异构具身数据集 ;
  • 优良人才:对具身智能与多智能体系统充斥周到的博士后、博士生及接见学者,参与Z6官网在物理-数字混合环境中的前沿索求。

若您认同“异构共生、意图互联”的未来机械人社会愿景,并愿意以资金、数据、算力或智力大局支持这项钻研,敬请与我们联系。让我们共同推动下一代具身智能基础设施的天堑,构建真正可扩大、可诠释且物理可执行的人机混合智能系统。