斯坦福大学发布开源远程操作机器人系统 ALOHA

斯坦福大学发布开源远程操作机器人系统ALOHA是一个低成本的开源硬件系统，可用于双手远程操作机器人执行精细任务(例如给线缆轧带或剥鸡蛋壳)、动态任务(例如颠乒乓球)以及接触式丰富的任务(例如给自行车上链条)。作者TonyZhao基于Transformer开发了一种动作学习算法，ALOHA可以直接从实际演示中执行端到端的模仿学习，然后自主完成相同或类似的任务，也可根据实时反馈调整动作以适应不同的环境和情况。以往执行这些任务通常需要高端机器人、精确的传感器或仔细的校准，这可能既昂贵又难以设置，而ALOHA开源了有关设置的所有内容，并准备了详细教程，任何人都可以3D打印组件然后运行现成的机器人。——投稿：@ZaiHuabot频道：@TestFlightCN

昨天一篇斯坦福大学的家务机器人比较火

昨天一篇斯坦福大学的家务机器人比较火dji宣布退出k12教育智元机器人与北大开始合作机器人圈（好吧我非常讨要说圈，为什么要说呢，因为我想说一下我讨要说圈）这是机器人相关的比较有意思的三件事。斯坦福大学的家务机器人工作很有启发意义，但是复现难度不会太大。距离真的可以用还有较长一段时间。有启发意义的事情是，这玩意儿不是编程编出来的，而是手把手教的。他的后方有两个采集人手以及手臂动作的机械臂。在人完成了一系列复杂动作50次后，可以有90%的成功率让机器人去【学会】这个动作，这也就是论文的启发性。首先这个东西是没有移动机构的，也就是他不能在家里自由的移动。为什么要特意强调这一点，因为对于机械臂形的机器人来说，没有移动机构意味着，他的底盘相对来说是比较重的。而且有了移动机构之后，能否仍然如此顺滑地做家务而不是抖来抖去这就不太清楚了。机器人的机械结构没有特别大的进步，这里就是纯废话了，因为机械臂真的发展的特别完善，现在在走小型化，轻量化的路线，让机械臂变成一个消费级的产品。值得注意的是很多up主已经开始使用机械臂辅助拍摄，效果还是不错的。这里cue一个国产机械臂厂商，方舟无限，怎么说呢，如果方舟无限现有的机械臂去实现斯坦福大学家务机器人做出来的事情是没有什么压力的，但是该公司的算法能不能支持就存疑了。（基本不能，但是他家机械臂真的很好用）dji推出了k12教育，机器人在k12，尤其是国内的k12缺乏一些力量的最大原因还是对升学没有什么帮助。不像少儿编程，还能参加信息竞赛（不过信息竞赛也由于一些时间上的问题对升学的帮助越来越低）机器人在国内缺乏一个被教育部认可的竞赛。不过在国际上还是有的那就是赫赫有名的FRC机器人比赛。这个比赛拿到比较好的名次对于申请藤校还是有很大帮助的，包括机器人教育本身也很费钱，（虽然说费钱但是和补习班比起来我感觉后者就是细水长流但是钱堆起来还是比机器人费的多一点不知道）。由于这玩意儿打出来除了申请国外学校以外没什么别的作用，而申请国外学校，尤其是美本还是比较贵的，所以市场一直不大，（但是客单价很高）。考虑到德国一些学校也认，或许也是一条出路（划掉）。dji对于本科机器人教育的投资并没有说是不是要砍掉，这里又有一段故事我们下次再说。这里就不得不提优必选了，一个人形教育机器人，随着每个高校都有了一堆吃灰的优必选机器人展示在学生创新中心的犄角旮旯里，难说还有什么别的市场。虽然我对人形机器人会首先在中国出现深信不疑的主要原因就是智元机器人的存在，但是这家公司和北大这么快就合作了也是让我感觉到很神奇。高山仰止吧。出于我朴素的爱国主义和浅陋的见识，我相信且认为，中国未来出现一个庞大的机器人产业。但是我也更加希望，这样的庞大产业是与庞大的市场相互匹配的。我工作还指望这个呢！祝大家新年快乐哈。

斯坦福大学研究：儿时沉迷宝可梦玩家会有宝可梦特定脑活动

斯坦福大学研究：儿时沉迷宝可梦玩家会有宝可梦特定脑活动·研究过程是，邀请5岁~8岁时经常玩宝可梦游戏的玩家11名与从不玩的调查者11人进行对比测试，项目分为八个领域，分别是脸部、身体、宝可梦、动物、漫画、单词、汽车与走廊的画像识别。·试验结果显示，5岁~8岁时经常玩宝可梦游戏的玩家们看到宝可梦时的大脑VTC领域反应明显优于其他类别，而从不玩宝可梦的试验者们则没有任何特有表现区别。·研究指出，5岁~8岁时经常玩宝可梦游戏的玩家将来的大脑VTC领域明显会受到宝可梦特定影响，不过该项研究并没有明确这种影响会对玩家的人生发展起到好或者坏的作用。...PC版：https://www.cnbeta.com.tw/articles/soft/1433350.htm手机版：https://m.cnbeta.com.tw/view/1433350.htm

特斯拉机器人全面进化 感知、大脑、运动控制能力升级 端到端方案初现成效

特斯拉机器人全面进化感知、大脑、运动控制能力升级端到端方案初现成效在视频中，特斯拉机器人展示了视觉自标定、颜色分拣任务、单脚保持平衡等能力，在感知、大脑、运动与控制方面具备多项亮点：在感知方面，通过视觉感知及关节位置编码器，Optimus便可自动校准四肢，并精准定位四肢的空间位置。在大脑方面，凭借纯视觉技术及完全本地部署的神经网络，其可以迅速适应环境并完成多项任务。其将蓝色与绿色积木分别分拣到对应颜色的托盘之中，即便在抓取积木过程中，有人在一旁将积木打乱，Optimus也可以立即调整并适应新环境，继续分拣积木。与此同时，其还可以将翻倒的积木摆正，并执行“打乱分类好的积木”等新任务。在运动控制能力方面，Optimus可以精准抓取物品，在做出动作时，该机器人的四肢、躯干、手指动作都极为灵活，且与人类接近。此外，Optimus还做出多个单腿支撑的运动拉伸动作，并能在拉伸的同时保持躯干平衡。值得注意的是，特斯拉端到端模型输入端为视频信号，即图像及音频信号的混合输入，但此次展示显示，其识别部分神经网络算法仅使用视觉信息。中信证券认为，特斯拉V12自动驾驶的算法体系同时应用于人形机器人及汽车是可行的，且有利于加速提升识别算法的泛化能力。随着特斯拉展示了机器人端到端技术路线可能性，该方案与其FSD的运行模式类似，FSD以及Dojo的成功经验有望加速机器人迭代速度，由单一任务向多任务拓展。分环节来看，（1）在输入端，分析师指出，本次特斯拉展现的图像识别，2D及3D相机都可实现，选配核心为成本控制因素，国内视觉镜头及相机等核心零部件厂商已具备此类产品生产能力，产品配套方案及产品性价比值得关注。（2）在输出端，特斯拉人形机器人输出端为信号及姿态控制，关节、传感器、控制系统对输出端稳定性至关重要，此领域可选方案较多，不同厂商有望在不同价格段占据优势。（3）在算法端，端到端框架能够直接从原始输入端到最终输出端进行训练，无需进行手动特征工程或中间阶段处理。尽管此视频未展示其具体算法，但基于其输入输出信息，建议关注基于强化学习框架的机器人控制算法。（4）在硬件端，视频展现出特斯拉机器人的静态运动控制稳定性及用以控制平衡的IMU的较高精度，且关节模组中的“双编码器”并非存在阻滞性较强的缺点，灵巧手中的编码器也同样具备较高精度。IMU、编码器等传感环节的重要性愈发显现。落实到具体标的上，浙商证券看好人形机器人产业化大趋势，聚焦人形机器人核心部件制造龙头。电机：鸣志电器，关注汇川技术、江苏雷利、步科股份、伟创电气等；丝杠：恒立液压、长盛轴承、五洲新春，关注贝斯特、鼎智科技、日发精机、秦川机床等；减速器：双环传动、绿的谐波、中大力德、上海机电、汉宇集团、丰立智能、大族激光、昊志机电等；传感器：华依科技、柯力传感、汉威科技、芯动联科等；控制器：华中数控、博众精工，关注新时达、埃夫特、英威腾等；轻量化：精工科技、中复神鹰、吉林化纤、吉林碳谷等；集成：三花智控、拓普集团等；机器人整机：埃斯顿、博实股份、新松机器人等；特种机器人：晶品特装。...PC版：https://www.cnbeta.com.tw/articles/soft/1386067.htm手机版：https://m.cnbeta.com.tw/view/1386067.htm

斯坦福团队新作：喊话就能指导机器人 任务成功率暴增

斯坦福团队新作：喊话就能指导机器人任务成功率暴增比如在这个场景中，机器人没能完成系统设定的“把海绵放入袋子”的任务。这时研究者直接朝它喊话，“用海绵把袋子撑得再开一些”，之后就一下子成功了。而且，这些纠正的指令还会被系统记录下来，成为训练数据，用于进一步提高机器人的后续表现。有网友看了说，既然已经能朝着机器人喊话了，那汽车是不是也快点安排上，还在线点名特斯拉和其自动驾驶软件总监AshokElluswamy。成果发布后，前Google机器人高级研究员EricJang，前DeepMind研究员、斯坦福客座教授KarolHausman等一众大佬也纷纷表示了肯定和赞许。那么，用喊话调整的机器人，都能实现什么样的动作呢？喊话就能发号施令利用YAY技术调教后，机器人以更高的成功率挑战了物品装袋、水果混合和洗盘子这三项复杂任务。这三种任务的特点是都需要两只手分别完成不同的动作，其中一只手要稳定地拿住容器并根据需要调整姿态，另一只手则需要准确定位目标位置并完成指令，而且过程中还涉及海绵这种软性物体，拿捏的力度也是一门学问。以打包装袋这个任务为例，机器人在全自主执行的过程中会遇到各种各样的困难，但通过喊话就能见招拆招。只见机器人在将装袋的过程中不小心把海绵掉落了下来，然后便无法再次捡起。这时，开发者直接朝它喊话，口令就是简单的“往我这边挪一挪，然后往左”。当按照指令做出动作后，第一次还是没成功，但机器人记住了“往左”这个指令，再次左移之后便成功把海绵捡起来了。但紧接着就出现了新的困难——袋子的口被卡住了。这时只要告诉它再把袋子打开一点点，机器人就“心领神会”，调整出了一系列后续动作，并最终成功完成任务。而且不只是能纠正错误，任务的细节也能通过喊话实时调整，比如在装糖的任务中，开发者觉得机器人拿的糖有点多了，只要喊出“少一点”，机器人就会将一部分糖果倒回盒子。进一步地，人类发出的这些指令还会被系统记录并用作微调，以提高机器人的后续表现。比如在刷盘子这项任务中，经过微调之后的机器人清洁力度更强，范围也变大了。统计数据表明，机器人在经历这种微调之后，平均任务成功率提高了20%，如果继续加入喊话指令还能继续提高。而且这样的指令-微调过程可以迭代进行，每迭代一次机器人的表现都能有所提升。那么，YAY具体是如何实现的呢？人类教诲“铭记在心”架构上，整个YAY系统主要由高级策略和低级策略这两个部分组成。其中高级策略负责生成指导低级策略的语言指令，低级策略则用于执行具体动作。具体来说，高级策略将摄像头捕捉到的视觉信息编码，与相关知识结合，然后由Transformer生成包含当前动作描述、未来动作预测等内容的指令。而低级策略接收到语言指令后，会解析这些指令中的关键词，并映射到机器人关节的目标位置或运动轨迹。同时，YAY系统引入了实时的语言纠正机制，人类的口头命令优先级最高——经识别后，直接传递给低级策略用于执行。且在这个过程中命令会被系统记录并用于微调高级策略——通过学习人类提供的纠正性反馈，逐渐减少对即时口头纠正的依赖，从而提高长期任务的自主成功率。在完成基础训练并已经在真实环境中部署后，系统仍然可以继续收集指令信息，不断地从反馈中学习并进行自我改进。作者简介本项目的第一作者是斯坦福大学的学生研究员LucyX.Shi，2019年毕业于人大附中后进入南加州大学就读计算机科学专业。其间，Lucy曾到英伟达实习研究多模态大模型，并曾与知名AI学者JimFan博士合作。她的论文曾连续两年被机器人顶会CoRL收录，还入选过NeurIPS，本人还被DeepMind邀请发表过演讲。Lucy的导师ChelseaFinn是斯坦福计算机科学和电气工程系助理教授，Google学术论文引用数超4.7万，此前还在GoogleBrain工作过一段时间。包括本项目在内，在ALOHA团队发表的一系列论文当中，Finn总是作为通讯作者出现。此外，ALOHA团队的TonyZ.Zhao、SergeyLevine等研究人员，也是本文的共同作者。...PC版：https://www.cnbeta.com.tw/articles/soft/1426490.htm手机版：https://m.cnbeta.com.tw/view/1426490.htm

斯坦福大学研究发现全球湿地损失被高估了

斯坦福大学研究发现全球湿地损失被高估了芬兰北卡累利阿省林农索的一个泥炭地遗址，从前面退化的土壤中可以看出遗留的泥炭开采已经使湿地退化，。大法官们可能会考虑阅读斯坦福大学领导的一项新研究，该研究发现，尽管湿地在世界许多地方仍然受到威胁--包括美国，它的损失比任何其他国家都多--但全球湿地的损失可能被高估了。这项研究的结果发表在2月8日的《自然》杂志上，可以帮助更好地解释湿地损失的原因和影响，从而能够制定更明智的计划来保护或恢复对人类健康和生计至关重要的生态系统。研究主要作者EtienneFluet-Chouinard说："尽管我们的结果可能暗示了一个好消息，但仍然迫切需要阻止和扭转湿地的转换和退化，损失的地理差异是需要考虑的关键，因为被抽干的湿地所放弃的当地利益不能被其他地方的湿地所取代。"他在研究时是斯坦福大学地球系统科学系的博士后。重新思考湿地现在，湿地被认为是水净化、地下水补给和碳储存的重要来源，但长期以来，湿地被视为非生产性区域，充斥着带病的昆虫，只适合排水以种植农作物或收获泥炭作为燃料和肥料。除了火灾和为了地下水开采的改变外，为转换为人类土地用途（如农田和城市地区）而进行的排水工作，已使湿地成为世界上最受威胁的生态系统之一。准确估计湿地损失的程度、分布和时间是了解它们在自然过程中的作用以及湿地排水对水和碳循环影响的关键。历史数据的缺乏阻碍了这一努力，迫使科学家们根据不完整的区域湿地损失数据收集进行估计。研究报告的共同作者、斯坦福大学杜尔可持续发展学院能源与环境专业的米歇尔和凯文-道格拉斯教务长教授罗布-杰克逊说："湿地净化了我们的水，防止洪水，是生物多样性的超级英雄。我们需要尽可能最好的数据来拯救我们所拥有的，并知道我们已经失去了什么。"第二次机会在一个首创的历史重建中，研究人员梳理了154个国家的数千条湿地排水和土地使用变化的记录，将排水和转换的湿地分布绘制在现今的湿地地图上，以获得一幅1700年原始湿地面积可能是什么样子。他们发现，自1700年以来，由于人类的干预，湿地生态系统的面积下降了21-35%。这远远低于以往研究估计的50-87%的损失。尽管如此，作者估计全球至少有130万平方英里的湿地已经消失--这个面积大约是阿拉斯加、德克萨斯、加利福尼亚、蒙大拿、新墨西哥和亚利桑那州的总和。"这些新的结果使我们能够更好地量化湿地从大气中封存碳和排放甲烷（另一种强大的温室气体）的变化，"研究的共同作者AvniMalhotra说，他在研究时是斯坦福大学的博士后研究人员。低估计可能是由于该研究的重点超出了历史上湿地损失较高的地区，并避免了大量的推断--这是许多先前估计的特点。研究人员指出，他们对损失的估计可能是保守的，因为他们把分析限制在现有的数据上，而1850年以前的数据是稀缺的。尽管看起来是个好消息，但研究人员强调，在一些地区湿地的损失非常大，比如美国，据估计，自1700年以来，美国失去了40%的湿地，占研究期间全球所有损失的15%以上。尽管全球范围内的湿地转换和退化已经放缓，但在一些地区，例如印度尼西亚，农民和企业继续为油棕榈种植园和其他农业用途清除大片的土地。研究报告的共同作者、康奈尔大学水生保护生态学家彼得-麦金太尔（PeterMcIntyre）说："发现已经失去的湿地比我们以前想象的要少，这给了我们第二次机会，可以采取行动防止进一步减少。这些结果为确定保护和恢复的优先次序提供了一个指南"。...PC版：https://www.cnbeta.com.tw/articles/soft/1343305.htm手机版：https://m.cnbeta.com.tw/view/1343305.htm