Technical Report: One-Step Drifting Action Heads for GR00T N1.7
本技术报告评估了一种具有单步漂移动作头的 GR00T N1.7 变体，该变体将推理延迟从 70.0 ms 显著降低至 30.6 ms，但以降低 LIBERO 基准测试中的任务成功率为代价，凸显了确定性单步生成在闭环控制中的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
能够看见、理解并能用手进行动作的机器人不再仅仅是科幻小说中的梦想；如今，人们正利用将摄像头的眼睛与经过语言训练的大脑相结合的系统来制造它们。这些被称为“视觉-语言-动作模型”的系统，使机器能够观察场景，读取如“拿起红杯子”之类的指令，然后计算出完成该动作所需的精确动作序列。然而，为了让这些机器人在现实世界中发挥作用，它们必须思考得足够快，以便在变化的环境中做出反应而不出错。如果计算机在决定下一步动作时耗时过长，机器人可能会错过目标或撞倒物体。工程师面临的核心挑战在于，如何在不牺牲完成任务所需的准确性的前提下，实现快速决策。
来自浙江大学和 LimX Dynamics 研究人员的一份最新技术报告研究了一种加速这些机器人决策的具体捷径。该研究聚焦于一个强大的机器人大脑——GR00T N1.7。在标准形式下，该系统运作起来像是一个细心的规划者：为了决定一个包含四十个未来动作的序列，它会多次运行其内部计算引擎，通过每一次迭代不断完善计划，直到达到置信水平。这种迭代过程虽然准确但速度较慢，仅生成动作列表就需要大约 45 毫秒。研究人员提出了一个简单的问题：他们能否用一次性的、瞬间的猜测来取代这种细致的多步规划？他们构建了一个跳过精炼步骤、尝试在一次尝试中直接预测整个四十步动作序列的机器人版本。
实验结果揭示了速度与成功率之间存在着剧烈的权衡。通过切换到“单步法”，研究人员实现了思考时间的显著缩减。生成动作列表所需的时间从约 45 毫秒降至仅 5 毫秒，速度提升了九倍。当他们测量计算机处理视觉和语言信息以产生计划的总时间时，时间从约 70 毫秒降至 30 多毫秒。这是一个显著的工程学胜利，表明如果这种方法趋于完美，机器人潜力巨大，反应速度可以大幅提升。
然而，报告明确指出，这种速度是以沉重的代价换取的。虽然机器人的思考速度变快了，但执行任务的能力却显著下降。研究人员在涉及移动物体到不同位置、伸手抓取目标以及完成长序列动作的标准任务集上测试了新系统。在需要空间推理的任务中，新系统的成功率仅为 64%，而原始、较慢的系统成功率要高得多。在需要机器人到达特定目标的任务中，成功率降至 52%。对于长且复杂的任务，这种差距进一步扩大，新系统的成功率仅为 26%。
研究人员非常谨慎地确保这些失败并非仅仅是运气不好。他们使用不同的随机起始点进行了三次实验，结果在所有情况下都表现得持续糟糕。这种一致性告诉他们，问题并非偶然，而是当前设置下“单步法”的一个根本性局限。系统似乎难以应对，因为它被迫立即做出单一预测，而不是拥有通过多次迭代来完善想法的余地。当任务变得复杂或漫长时，这种缺乏精炼的过程会导致误差累积，从而导致机器人失败。
报告还探讨了一个名为“DrifOv”的高级概念，旨在处理现实世界中的异步动作问题。在真实的机器人操作中，当机器人仍在执行旧计划时，新计划往往已经到达。研究人员构建了一个能够处理部分已完成计划，并在不重写已提交部分的情况下填补缺失未来步骤的系统。虽然这一功能已成功实现并经过了训练测试，但标准的实验并未采用它，这意味着所报告的提速和失败率仅适用于较简单的同步版本。研究人员指出，目前的设置尚未证明这种先进的方法能否解决成功率问题，尽管这仍是一个充满前景的研究方向。
最终，这项研究对“通过消除复杂性来简单地提高机器人速度”这一想法进行了现实的检验。研究人员发现，虽然他们可以让机器人的“大脑”在生成动作列表时快九倍，但机器人无法可靠地利用这种速度来完成任务。提速并没有转化为更好的整体系统，因为准确性的下降使得该方法变得不再实用。报告总结道，未来的路径不在于简单地丢弃缓慢而细致的规划，而在于寻找一种既能保持准确性又能获得速度的方法。研究人员建议，未来的工作应侧于测试：通过更频繁地运行机器人的计划（而非以长块形式运行），是否能弥合新系统的速度与旧系统的可靠性之间的差距。目前来看，教训是明确的：在机器人操控领域，思考得更快并不自动意味着做得更好。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。