Récemment, Figure AI, une entreprise innovante dans le domaine de la robotique aux États-Unis, a publié une percée majeure: un modèle d'action du langage visuel à usage général (VLA) appelé Helix. Pour la première fois, ce modèle réalise le contrôle continu à grande vitesse du haut du corps complet d'un robot humanoïde et intègre parfaitement la perception, la compréhension du langage et le contrôle d'apprentissage.
L'avènement du modèle Helix marque un pas en avant important dans la flexibilité opérationnelle des robots humanoïdes. Avec des commandes de langage naturel simples, le robot peut facilement saisir presque tous les petits objets ménagers, même ceux qui n'ont jamais été touchés pendant la formation, sans aucune démonstration préalable ou programmation personnalisée. Cette capacité est due à la puissante capacité de généralisation du modèle Helix.
La figure AI a souligné que le modèle Helix a créé un certain nombre de premières de l'industrie. Pour la première fois, il permet un contrôle continu à grande vitesse de tout le haut du corps d'un robot humanoïde, y compris le contrôle flexible du poignet, du torse, de la tête et de chaque doigt. Lors des tests, le robot a traité avec succès des milliers de nouveaux éléments encombrés de désorganisation, de la verrerie et des jouets aux outils et aux vêtements, sans démonstration ou programmation préalable.
Ce qui est encore plus étonnant, c'est que le modèle Helix a également des capacités de collaboration multi-robot. Dans le test, les deux robots ont pu travailler ensemble sur des tâches complexes à long terme, travaillant ensemble sur des éléments jamais vus, tels que le trier ensemble des épiceries inconnues. Cette capacité ouvre plus de possibilités pour l'application pratique des robots dans l'environnement familial.
Le modèle Helix démontre également une excellente compréhension de scène et des capacités d'analyse sémantique. Lorsqu'il est invité à "ramasser un objet désertique", le robot est non seulement capable de reconnaître que le cactus jouet correspond à ce concept abstrait, mais sélectionne également la main la plus proche et effectue une action de saisie précise. Cette fonction de saisie universelle, du langage à la mouvement, offre une plus grande commodité pour le déploiement de robots humanoïdes dans des environnements non structurés.
Le modèle Helix a pu réaliser ces percées grâce à son architecture révolutionnaire à double système. L'architecture se compose du système 1 et du système 2, qui sont responsables du contrôle précis à grande vitesse, de la compréhension des scène et de l'analyse sémantique, respectivement. Le système 2 est basé sur le VLM open source avec des paramètres 7b, qui fonctionne à une fréquence de 7-9 Hz pour assurer la généralisation entre les objets et les scénarios. Le système 1 est un modèle de stratégie de moteur visuel de 80 m de 80 m, qui convertit la représentation sémantique du système 2 en instructions d'action continue à une fréquence de 200 Hz pour atteindre une réponse en temps réel au niveau de la milliseconde. Cette architecture découplée permet aux deux systèmes d'effectuer leurs fonctions respectives et de travailler ensemble pour obtenir un contrôle efficace des robots humanoïdes.
Les modèles Helix utilisent très peu de ressources pendant la formation. En utilisant seulement environ 500 heures de données supervisées de haute qualité, l'équipe a pu obtenir une généralisation robuste des objets. Ces données représentent moins de 5% de la taille des ensembles de données VLA précédemment collectées et ne s'appuient pas sur la collecte d'entités multiples ou la formation en plusieurs étapes. Cette réalisation démontre non seulement l'efficacité du modèle Helix, mais offre également plus de possibilités pour le développement de robots humanoïdes à l'avenir.