Seer – 上海 AI Lab 联合北大等机构推出的端到端操作模型

Seer是什么

Seer是由上海AI实验室、北京大学计算机科学与技术学院、北京大学软件与微电子学院等机构联合推出的端到端操作模型，实现机器人视觉预测与动作执行的高度协同。模型结合历史信息和目标信号（如语言指令），预测未来时刻的状态，用逆动力学模型生成动作信号。Seer基于Transformer的结构，处理多模态输入数据，有效融合视觉、语言和机器人本体信号。在真实机器人任务中，Seer的操作成功率较当前Sota提升43%，且在多种复杂场景下表现出优异的泛化能力。Seer在控制算法测试基准CALVIN ABC-D Benchmark中，Seer的平均任务完成长度达4.28，综合领先同类模型。

Seer的主要功能

• 动作预测：根据当前的视觉状态和目标，预测出合适的机器人动作。基于逆动力学模型估计实现目标所需的中间动作序列。
• 视觉预测：Seer具备条件视觉预测功能，能预测未来一定时间步内的RGB图像。让机器人“预见”未来的视觉状态，更好地规划和调整动作。
• 多模态融合：融合视觉、语言和机器人状态等多种模态的信息，实现对复杂任务的理解和执行。基于多模态编码器将不同模态的特征进行整合，为动作预测和视觉预测提供全面的上下文信息。
• 泛化能力：经过在大规模机器人数据集上的预训练，Seer展现出强大的泛化能力，在未见场景、新物体、不同光照条件下以及面对高强度干扰时，依然保持稳定的性能。
• 数据效率：Seer在预训练阶段用大量数据学习到丰富的先验知识，因此在下游任务中仅需要少量的微调数据即可达到较好的性能，降低数据采集和标注的成本。

Seer的技术原理

• 端到端架构：基于端到端的架构设计，将视觉预测和逆动力学预测紧密结合在一起。在训练过程中，视觉预测模块和逆动力学模块协同优化，让模型能充分利用视觉和动作信息，实现更准确的动作预测。
• Transformer架构：基于Transformer架构处理视觉状态和动作信息。Transformer能捕捉到视觉和动作序列中的复杂依赖关系，为模型提供强大的特征提取和表示能力。
• 先见令牌和动作令牌：Seer引入先见令牌（foresight token）和动作令牌（action token）。先见令牌预测未来的RGB图像，动作令牌估计当前和预测未来观察之间的中间动作。两个令牌基于多模态编码器与输入的RGB图像、机器人状态和语言令牌进行融合，用单向注意力掩码实现深度的信息整合。
• 单向注意力掩码：Seer设计特殊的单向注意力掩码，让动作令牌充分整合过去和未来的预测信息，有助于模型在多层网络中实现更深层次的信息融合，提高动作预测的准确性和鲁棒性。
• 大规模预训练与微调：Seer首先在大规模机器人数据集（如DROID）上进行预训练，学习到丰富的视觉和动作先验知识。在下游任务中，基于少量的微调数据对模型进行调整，适应具体的任务场景和目标。

Seer的项目地址

Seer的应用场景

• 工业自动化：指导机器人精准安装汽车部件，提高装配效率和质量。
• 服务机器人：帮助服务机器人按需将物品准确送达客房，提升客户体验。
• 医疗健康：作为虚拟手术机器人的核心，辅助医学生学习和练习手术技能。
• 物流与仓储：自动化分拣系统快速准确地将包裹分拣到指定通道，提高分拣效率。
• 教育行业：作为教学案例，帮助学生深入理解机器人编程的高级技术和算法。