رونمایی علی‌بابا از مدل هوش مصنوعی Lambda-0؛ آموزش مهارت‌های حرکتی به ربات‌های انسان‌نما با داده‌های انسانی

معرفی

مدل Lambda-0 (λ₀) یک مدل پایه برای کنترل تمام‌بدن ربات‌های انسان‌نما است که توسط بخش نقشه‌برداری علی‌بابا (Amap) با همکاری بخش Alibaba Token Hub (ATH) توسعه یافته و به‌صورت متن‌باز منتشر شده است. ویژگی برجسته این مدل، یادگیری هم‌زمان مهارت‌های راه رفتن و کار با اشیاء تنها بر اساس داده‌های اول‌شخص انسانی است؛ به این معنا که در فرایند جمع‌آوری داده‌ها هیچ رباتی حضور ندارد.

مقاله این پژوهش با شناسه arXiv 2610.18950 و کدهای آن تحت مجوز Apache 2.0 در GitHub منتشر شده است. جالب اینکه نماد یونانی لاندا (λ) در نام‌گذاری این پروژه، شباهت معناداری به نویسه چینی 人 به معنای «انسان» دارد.

توضیح سازوکار

ایده محوری

آموزش ربات‌های انسان‌نما معمولاً به روش‌های پرهزینه و کند هدایت از راه دور ربات‌های واقعی متکی است. از سوی دیگر، اغلب مدل‌های دیداری زبانی حرکتی (VLA) که از دید اول‌شخص استفاده می‌کنند، فقط بر دست‌ها و بازوها متمرکز هستند و بالاتنه، نحوه قرارگیری بدن و گام‌برداری را در نظر نمی‌گیرند. مدل Lambda-0 این چالش را با ثبت حرکات کل بدن بدون نیاز به ربات حل کرده است: داوطلبان با بستن یک دوربین GoPro به گردن و حسگرهای حرکتی PICO به بدن، فعالیت‌های روزمره را در فضاهای واقعی انجام می‌دهند و حرکات آن‌ها ذخیره می‌شود.

مجموعه‌داده HumanVerse-500

• ۵۰۰ ساعت داده حرکتی و مهارتی انسان در دنیای واقعی: متشکل از ۳۲٬۹۹۳ نمونه حرکتی، ۸۷ میلیون فریم وضعیت بدنی و ۸۲۷ نوع کار متنوع.
• ترکیب تصاویر رنگی اول‌شخص (RGB) با ردیابی ۲۴ مفصل حرکتی بدن و ۲۱ مفصل برای هر دست (بازسازی‌شده از روی ویدیو) که به‌طور کامل همگام‌سازی شده‌اند.
• مدت‌زمان ثبت هر نمونه حدود ۲۹ ثانیه در برابر حدود ۱۰۰ ثانیه در ربات واقعی است که سرعت و بازدهی جمع‌آوری داده را حدود ۳٫۴ برابر بیشتر می‌کند.

آموزش سه‌مرحله‌ای

1. پیش‌آموزش حرکات دست از دید اول‌شخص با استفاده از هفت مجموعه‌داده انسانی.
2. آموزش میانی تمام‌بدن همگام با ربات: در این مرحله نمونه‌های انسانی به فضای ادراکی و حرکتی ربات تبدیل می‌شوند که شامل تطبیق زاویه دید، شبیه‌سازی بازوهای ربات G1 و انطباق مرحله‌به‌مرحله حرکات از سطوح کلی تا جزئیات دقیق است.
3. پس‌آموزش نهایی روی ربات با ترکیب داده‌های انسانی منطبق‌شده و داده‌های مستقیم خود ربات.

نتایج ارزیابی (بر پایه مقاله پژوهشی)

• روی ربات انسان‌نمای Unitree G1 (مجهز به دست‌های BrainCo Revo2 و کنترل‌کننده حرکتی تمام‌بدن SONIC): ثبت ۶۲٫۵ درصد موفقیت در دنیای واقعی (۲۵ اجرای موفق از ۴۰ سناریو) که پیشرفتی ۲۲٫۵ واحدی نسبت به قوی‌ترین مدل پیشین یعنی π₀.₅ (با نرخ موفقیت ۴۰ درصد) نشان می‌دهد، به‌همراه تکمیل ۸۰٫۴ درصد از مراحل مأموریت‌ها.
• دستیابی به نرخ موفقیت ۹۰٫۰ درصد در بنچمارک شبیه‌سازی SIMPLE.
• داده‌ها تأیید می‌کنند که افزایش حجم داده‌های حرکتی تمام‌بدن انسان به‌شکل پیوسته موجب ارتقای عملکرد ربات در دنیای واقعی می‌شود.

کاربردها و راهنمای پیگیری

نحوه استفاده و دسترسی به منابع

• صفحه رسمی پروژه: مشاهده ویدیوها و جزئیات مجموعه‌داده در lambdahumanoid.github.io
• مقاله علمی: منتشرشده در arXiv با شناسه 2610.18950 تحت عنوان «λ₀: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation»
• کد منبع: انتشار متن‌باز در GitHub تحت مجوز Apache 2.0
• شیوه استقرار و اجرا: مدل در محیط عملیاتی، تصاویر دوربین نصب‌شده روی سر ربات، فرامین متنی و اطلاعات حسگرهای حرکتی درونی را دریافت کرده و نشانه‌های حرکتی تمام‌بدن به‌همراه دستورات دست را پیش‌بینی می‌کند؛ سپس کنترل‌کننده SONIC حرکات بدن را به اجرا درمی‌آورد. ردیابی حرکات انسانی تنها در مرحله جمع‌آوری داده‌ها به کار می‌رود و در فاز اجرای واقعی نیازی به آن نیست.

مخاطبان این دستاورد

• پژوهشگران حوزه کنترل یکپارچه تمام‌بدن در ربات‌های انسان‌نما، مدل‌های دیداری زبانی حرکتی (VLA) و فرایند انتقال یادگیری از انسان به ربات.
• تیم‌های توسعه هوش مصنوعی تجسم‌یافته (Embodied AI) که به دنبال راهکارهای اقتصادی و سریع برای گسترش داده‌های آموزشی رباتیک هستند.

پژوهش‌های مرتبط: EgoHumanoid-V2 و EgoAlign. برای دسترسی به آخرین نگارش کدها و وزن‌های مدل به مخزن رسمی پروژه مراجعه کنید.