figure机器人技术架构的演进初探——Helix人形机器人控制的革新

一、前言

近期具身智能机器人公司figure提出了人形机器人端到端的控制方案Helix，大小模型结合架构实现了慢速决策规划+快速反馈控制的结合，类似于人类的大闹+小脑的结构。无疑是人形机器人领域的一项重大突破。作为一个通用的视觉-语言-动作（VLA）模型，Helix 首次实现了对人形机器人整个上身的高速率连续控制，并具备多机器人协作、自然语言理解和强大的泛化能力。下面，我们尝试分析 Helix 的技术路线和特点，并与 Figure AI 之前的架构进行比较。

二、Helix 的技术路线与特点

（1）"System 1, System 2"架构：

Helix 采用了独特的"System 1, System 2"架构，其中 System 2（S2）是一个基于互联网预训练的视觉语言模型（VLM），以7-9 Hz 的频率运行，负责场景理解和语言理解；System 1（S1）则是一个快速反应的视觉运动策略，将 S2 生成的潜在语义表示以 200 Hz 的频率转换为精确的连续机器人动作。这种解耦架构使得每个系统都能在其最佳时间尺度上运行，S2 可以"慢思考"高层次目标，而 S1 可以"快思考"以实时执行和调整动作。

（2）全上身控制：

Helix 能够控制人形机器人的整个上身，包括手腕、躯干、头部和手指，实现高速率（200 Hz）的连续控制。这使得机器人能够进行精细的动作协调，如在抓取物品时调整手指姿态，同时移动头部和躯干以获得更好的视野和操作空间。

（3）多机器人协作：

Helix 支持多个机器人同时运行同一套神经网络权重，实现协作完成任务。例如，两个 Figure 机器人可以共同完成整理杂货的任务，它们通过自然语言指令进行协调，如"把饼干袋递给右边的机器人"或"从左边的机器人那里接过饼干袋并放在打开的抽屉里"。

（4）自然语言理解和执行：

Helix 能够基于自然语言指令完成各种任务，如拿起从未见过的物品、操作抽屉或冰箱等。当被要求"拿起沙漠中的物品"时，Helix 会识别出玩具仙人掌，选择最近的手，并执行精确的运动指令将其牢牢抓住。

（5）强大的泛化能力：

Helix 在训练中使用了约 500 小时的高质量监督数据，能够处理数千种形状、大小和材质各异的物品，表现出强大的泛化能力。

（6）商业部署能力：

Helix 完全在低功耗嵌入式 GPU 上运行，适合大规模商业化应用。

三、Helix 与先前架构的比较

（1）技术路线：

先前的架构更侧重于模块化设计，依赖于多个独立的组件来完成不同的任务，如语音识别、文本生成、视觉处理和运动控制等。而 Helix 则采用了端到端的 VLA 模型，将感知、语言理解和控制紧密结合在一起，通过一个统一的神经网络来学习所有行为。

（2）架构特点：

先前的架构中，各个组件之间的交互和协调较为复杂，需要大量的数据和计算资源来实现良好的性能。而 Helix 的"System 1, System 2"架构通过解耦 S1 和 S2，使得每个系统都能在其最佳时间尺度上运行，从而提高了系统的效率和性能。

（3）功能实现：

先前的架构在功能实现上相对较为单一，如只能完成特定的语音识别或视觉处理任务。而 Helix 则能够实现多种复杂的功能，如全上身控制、多机器人协作和自然语言理解等。

（4）泛化能力：

先前的架构在泛化能力上相对较弱，需要大量的任务特定数据和微调来实现良好的性能。而 Helix 则能够通过自然语言指令快速适应新的任务和环境，表现出强大的泛化能力。

翻译：

人形机器人新突破

家庭环境是机器人技术面临的最大挑战。与受控的工业环境不同，家庭中充斥着无数物品------易碎的玻璃器皿、皱巴巴的衣物、散落的玩具------每种物品都具有不可预测的形状、大小、颜色和质地。为了使机器人在家庭中发挥实际作用，它们需要能够按需生成智能的新行为，尤其是针对它们从未见过的物品。

在没有重大突破的情况下，当前的机器人技术无法扩展到家庭环境。目前，教授机器人哪怕是一种新行为都需要付出巨大的人力成本：要么是数小时的博士级别专家手动编程，要么是成千上万次的演示。考虑到家庭问题的复杂性，这两种方法都过于昂贵。然而，人工智能的其他领域已经掌握了这种即时泛化的能力。如果我们能够将视觉语言模型（VLMs）中捕获的丰富语义知识直接转化为机器人的动作，会怎样？这种新能力将从根本上改变机器人技术的发展轨迹（见图1）。突然之间，曾经需要数百次演示才能获得的新技能，现在只需用自然语言与机器人交流即可瞬间获得。关键问题变成了：我们如何从VLMs中提取所有这些常识知识，并将其转化为可泛化的机器人控制？我们开发Helix正是为了弥合这一差距。

（5）商业部署：

先前的架构在商业部署上面临一些挑战，如高功耗和高成本等。而 Helix 则完全在低功耗嵌入式 GPU 上运行，具有良好的商业部署潜力。

总结

Helix 的推出，标志着人形机器人技术进入了一个新的时代。其独特的"System 1, System 2"架构、全上身控制、多机器人协作、自然语言理解和强大的泛化能力，使其在人形机器人领域具有巨大的潜力。与 Figure AI 之前的架构相比，Helix 在技术路线、架构特点、功能实现、泛化能力和商业部署等方面都具有显著的优势。未来，随着 Helix 的不断发展和完善，作为机器人的从业者和研究者，不得不说，Helix 的架构或可能成为未来具身智能控制的技术方向。

-----------------本篇完------------------