VIMA：更适合机械宝宝体质的操作系统，竟然内置LLM！

作者 | 曾浩辰       责编 | 袁滚滚

出品 | CSDN（ID：CSDNnews）

“机器人技术将是我们在人工智能领域征服的最后一道护城河。一个给机器人使用的GPT模型，它的应用程序接口是什么样的？”

——英伟达资深 AI 科学家 Jim Fan，师从李飞飞。

工程师们一直在试图搭建更智能、可靠的机器人，比如之前火爆全网、来自波士顿动力公司的机器狗Spot。它可以轻松上下楼梯、搬运重物、巡查街道，等等。

波士顿动力公司机器狗Spot按下把手开门通过

机器狗由一个运行着Android系统的遥控手柄控制，人们可以通过摄像头随时查看它的状态，并提供指引爬上爬下、行走翻身。这当然很棒，但当我们想给机器人传达更复杂的动作指令时，在手柄上相应的操作就繁琐了很多。能不能开发出一种更易用、直观的人机交互方法，能让我们更轻松地发送指令给机器人呢？与其在一个小屏幕上戳来戳去控制不同的机械参数，能不能直接告诉机器人具体的指令，让它去做什么呢？

近日，由李飞飞教授及来自斯坦福大学、加州理工、清华大学和英伟达的几位学者组成的团队（Yunfan Jiang，Agrim Gupta，Zichen Zhang，Guanzhi Wang，Yongqiang Dou，Yanjun Chen，Li Fei-Fei，Anima Anandkumar，Yuke Zhu，Linxi Fan）发推，分享他们全新的研究结果：VIMA（Vision-and-Language Navigation with Multi-Modal Transformers），一个使用多模态提示执行各类任务的机械体操作系统。

也就是说，在Prompt中输入文字、图片、视频，或任意的组合，VIMA就可以控制机械臂执行相应的动作。

VIMA将多模态提示用于任务规范

VIMA能做什么？场景事例

如下图，输入指令「把形状一样的物品放到绿色碗（图片）里」给VIMA。

VIMA通过分析自然语言提示和图像提示，识别出所有物品的位置，找到形状一样的两个圆柱体，再找到和绿色碗，最后操作机械臂一次一次把两个圆柱体放到了碗里。

如下图，输入指令「把图示物品（彩虹方块）扫到图示物品（红框）内，不触碰图示物品（黄线）。」给VIMA，系统识别出所有物件的位置，随后按照指示操作机械臂把彩虹方块扫到红框里，不触碰黄线。

最后来看这个例子。

我们甚至可以在prompt教给它新的视觉概念，输入指令「这是一个zup ，这是一个blicket 。将blicket放进zup里。」

VIMA识别到所有物体后，操作机械臂执行相应动作。

机械臂系统的组成结构

VIMA主要由以下几个部分组成：

Transformer编码器和解码器：用于对多模态提示进行编码和机器人臂的控制进行解码。

视觉和语言模块：用于处理视觉和语言输入，并将它们转换为Transformer可以处理的令牌序列。

动作执行器：用于将机器人臂的控制信号转换为物理动作，并将其发送到机器人控制器。

数据集和基准：用于评估和比较不同的机器人学习方法，并提供训练和测试数据。

物理仿真器：用于在虚拟环境中模拟机器人的行为，并提供快速的反馈和调试机制。

这些组件共同构成了VIMA的核心部分，使得它能够接收多模态提示并执行各种机器人任务。

在VIMA中，GPT-3模型在第一部分被用作解码器，用于生成导航指令，以指导机器人在环境中执行导航任务。具体来说，VIMA-GPT是一个仅包含解码器的架构，它通过对多模态提示进行编码，自回归地解码给定指令和交互历史的下一个动作，控制机器臂的运动。连接硬件后的VIMA成为了“一个具有体现性的AI代理：它可以感知环境并逐步在物理世界中采取行动。”Fan说到。

软硬件结合的AI系统能做什么

团队共实现了17个不同的任务，分为6大类：简单物体操作（Simple object manipulation）、视觉目标达成（Visual goal reaching）、新概念理解（Novel concept grounding）、单次视频模仿（One-shot video imitation）、视觉约束满足（Visual constraint satisfaction）、视觉推理（Visual reasoning）。

Fan在他的推文中提及：“多模态提示使得任务规范对用户来说更加容易和灵活。通过一个单一的模型，VIMA将视觉目标达成、从视频演示中进行一次性模仿、学习新概念以及满足安全约束等多种任务统一起来。而在以前的工作中，每个任务都需要不同的训练流程。”

作为一个机器人控制的框架，VIMA可以扩展成为极其强大的工具。像是一个实体的小爱同学，在学习完所有的步骤和物品之后，它可以你成为现实生活里的左膀右臂，例如：

家务。告诉它你想吃西红柿炒鸡蛋，VIMA在厨房里找到材料、开火、放糖（北方同学大喜），自动化炒菜。

教育。在学校的自习课替老师回答问题，并在黑板上拿粉笔写笔记，为学生提供定制练习和反馈。

娱乐。投篮后每次替你捡球送水的女同学，一个VIMA机器人就能替代，甚至更体贴。

当然，上面的例子过于理想了，但并不是不可能实现。

模型结构：编码-解码转换器

结语

VIMA作为一个仍在开发中的基础模型，为智能机械体的发展方向指明了更切实的发展方向。它有可能使机器人更智能、更有用。而如此强大的工具将其所有内容全部开源：代码、预训练模型、数据集和物理仿真基准都可以免费获取和使用！代码的透明度和可重复性被提高，更多的人可以使用和改进VIMA框架，促进了合作和知识共享，这对推动机器人学习领域的发展起到了巨大的作用。

将机器人和LLM整合，相当于让机器人有了大脑！长期来说，利好智能设备的功能增强，短期来说，B站上如稚晖君的一批知名UP主，又可以整活了。

参考链接：

https://arxiv.org/abs/2210.03094

https://vimalabs.github.io

https://twitter.com/DrJimFan/status/1683517085731913729