从柔性本体走向跨本体基础智能，让任务与世界知识延续
机器人身体，正在成为具身智能里最被低估的变量。
过去两年，滚烫的金钱和聪明的大脑纷纷涌入人形机器人行业。
这背后的逻辑足够清晰：现实世界围绕人体尺度建造，双腿可以跨越台阶，双臂可以覆盖工作台，双手可以使用现成工具。
一副与人相似的身体，理论上能够直接进入工厂、仓库、商店和家庭，复用人类已经建立的物理基础设施。
但人形所追求的通用性，也把机器人领域最困难的一组问题，压进了同一套系统。
比如动态平衡、高自由度控制、灵巧操作、碰撞安全、能量效率和开放环境泛化，需要在一副身体上同时成立。
而当机器人真正走向产业，另一个问题正在浮现： 通用机器人是否一定意味着通用身体？
李飞飞近期在围绕空间智能和机器人训练的讨论中，也给出了一个接近工程现实的观察：
人体由演化塑造成了适应开放、非结构化环境的通用形态，当任务边界足够明确时，最高效的身体可能沿着完全不同的方向演化。
她用“爬树”举例，如果一种生物长期面对的核心任务只有爬树，它最终形成的身体形态，大概率不会和人类相同。
这恰好解释了擎羽科技（FEAGINE）选择的路线。
擎羽由香港大学机器人学博士、前大疆创新嵌入式工程师 彭锐 创立，聚集了一批来自 斯坦福、清华、普林斯顿、大疆 等全球顶尖科技与研究体系的人才。
这家公司没有从复制一副人体开始，而是先把“ 身体 ”本身作为一个可以重新设计的变量。
在本次发布中，擎羽带来了 FEAGINE A01、A02、A03 三款仿生柔性机器人，以及第一代跨本体基础模型 Fi0：Foundation Intelligence Across Embodiments 。
前者解决的是机器人可以拥有怎样的身体，后者研究的则是身体发生变化之后，已经获得的智能能否继续使用。
单独看，A01、A02、A03是三款长度、节段、自由度和负载能力不同的柔性机器人；把它们与Fi0放进同一张技术路线图，它们又成为一组真实的embodiment variation。
身体逐渐变长，节段逐渐增加，可达空间、运动路径和接触方式随之变化，而模型需要理解其中哪些东西属于任务和世界，哪些东西由身体决定。
擎羽把这条硬件、数据与模型共同演化的技术路线称为： 柔性具身智能 。
人形之外，具身智能的身体仍有巨大的设计空间
在机器人领域，柔性通常首先指向材料和机械结构。
软体机器人、连续体机器人和绳驱机器人通过弹性结构、连续弯曲或柔顺驱动获得更丰富的构型，使机器人能够顺应环境、包络物体，并降低刚性碰撞带来的风险。
柔性具身智能将这个概念继续向上推进。
柔性具身智能，是以可连续形变、可顺应接触的机器人本体为物理基础，将身体的结构参数、实时形态、感知和驱动能力纳入模型上下文，使任务知识与世界理解能够跨越不同身体复用，并由模型为当前身体生成适配行动的一类具身智能系统。
在擎羽的判断中，柔性本体能够拓展近人交互与复杂动作的边界，连续构型也为数据映射和跨本体泛化提供了新的基础。
友善的本体、丰富的数据、泛化的模型，被擎羽视为机器人进入真实生活空间的三个核心要素。
这条路线没有否定人形机器人的长期价值。它提出的是另一种市场结构： 未来的机器人可能拥有许多不同的身体，通用性由共享智能提供，而每一种身体围绕自己的任务和环境达到更高效率。
全球首个量产绳驱柔性本体产品矩阵
FEAGINE A01、A02和A03，构成了 全球首个 实现标准化量产交付的绳驱柔性本体产品矩阵。
三款产品沿节段数量、自由度、长度和负载能力逐级展开，对应不同的实际部署需求。
FEAGINE A01采用一段柔性关节和2个自由度，整机重量750克，末端负载200克，更适合搭载在移动底盘、巡检设备和其他对重量敏感的平台上，在有限空间内完成轻量操作。
A02扩展至两段柔性关节和4个自由度，整臂长度30厘米，末端负载400克，最高移动速度达到0.78米每秒。
更大的工作空间和连续弯曲能力，使它能够进入桌面操作、近人服务、狭窄空间作业以及需要柔顺接触的场景。
A03进一步增加到三段柔性关节和6+1个自由度，整臂长度50厘米，末端负载600克，最高移动速度达到1.17米每秒。
更多节段带来了更大的构型空间，使机器人能够绕过障碍、从复杂角度接近目标，并承担更长距离、更高自由度的操作任务。
三款产品均支持ROS 1、ROS 2、Python与C++，A02和A03还配套GUI、MuJoCo与SAPIEN环境。
从移动操作、近人服务，到复杂空间中的抓取和交互，擎羽把柔性机械臂从实验室里的科研用具，变成可以 直接集成和部署的标准机器人本体 。
对Fi0而言，这组产品还有另一层意义。
随着长度、节段和自由度变化，同一个任务会自然产生不同的运动路径、身体构型和接触方式。
短臂可以直接接近目标，拥有更多节段的长臂能够利用构型冗余绕开障碍，双臂或多臂系统还可能重新组织任务中的动作分工。
任务保持不变，身体开始系统地改变任务的实现方式。
A01、A02和A03因此不只是三个SKU，它们也为Fi0提供了一组真实、连续且可以反复验证的本体差异。
每增加一种长度、节段和组合，模型都获得一个新的样本，用来理解身体变化究竟如何改变行动。
Fi0：跨本体基础模型Foundation Intelligence Across Embodiments
从上下文学习机器人技能，理解物理世界，并让行动适应不同身体。
Fi是擎羽对Foundation Intelligence的长期研究方向，Fi0是这一方向下的第一代跨本体基础模型。
它建立在一个基础判断上：
机器人对于任务和物理世界的理解，应当可以跨越身体继续复用； 真正需要随着身体变化的，是行动。
当任务是“把方块放进碗里”，机器人从A01换成A03，或者从单臂变成双臂，任务本身并没有重新定义。
操作对象之间的关系、抓取与释放的接触逻辑、任务推进的顺序以及最终的成功状态，仍然可以复用。
随着身体变化，真正需要重组的是可达空间、动作维度、运动路径、身体构型和动力学结果。
Fi0希望让任务意图、物体关系、接触逻辑和目标状态在不同身体之间延续，再根据当前机器人的形态、感知、驱动能力和动态状态，生成适合这副身体的动作。
但跨越身体只是Fi0希望解决的一半问题。
真实世界中的任务同样不会在训练阶段被穷尽。对于模型已经掌握的技能，Fi0可以直接执行；遇到训练覆盖之外的任务时，人类可以通过擎羽的Ego头环来提供一次demonstration。
模型将这段示范作为推理时的skill context，从中理解操作对象、任务过程、关键接触和目标状态，再调用已经获得的世界知识与操作能力完成执行，而无需针对当前任务重新训练参数。
由此，Fi0的能力沿着两个方向同时展开： 新的技能可以通过上下文进入模型，已有技能可以跨越不同身体重新表达。
语言、视觉、人类示范、世界状态和本体信息共同构成Fi0的上下文。
语言给出目标与语义条件，demonstration在需要时补充具体技能，视觉与世界表示持续描述环境正在发生什么，本体信息则告诉模型此刻控制着怎样的身体。
任务可以来自预训练获得的能力，也可以在使用过程中通过上下文补充；真正执行时，模型再根据当前世界和当前身体生成行动。
围绕这条链路，Fi0同时建立对 技能、世界、身体和行动后果 的表示。
- Skill Encoder将人类示范转化为可调用的技能上下文；
- Cross-view World Encoder从不同观察视角中学习共享的物理世界；
- Embodiment Graph将机器人结构与实时状态纳入模型；
- World Dynamics Model与MAWA则进一步预测并评估不同动作可能带来的未来。
这些机制最终服务于同一个目标： 让机器人能够在使用过程中获得新的技能，并在身体发生变化之后，继续调用此前积累的任务知识和世界知识。
从上下文中学习技能
机器人基础模型正在覆盖越来越多任务，但真实世界里的操作对象、任务流程和技能组合，很难在训练阶段被提前穷尽。
传统路径中，一项新能力通常需要先变成数据，经过示范或交互采集、训练或微调，再重新部署到机器人上。
进入工厂、实验室和家庭之后，这条链路会越来越重；尤其对于端侧运行的模型，现场频繁更新参数很难成为日常使用方式。
Fi0因此把一部分新任务的适配放到了 推理 阶段。
对于已经掌握的任务，模型可以直接执行；遇到训练覆盖之外的技能，人类可以使用Ego头环先完成一次demonstration。
Fi0将这段示范作为当前任务的skill context，从中理解操作对象、任务顺序、关键接触和目标状态，再结合当前环境与机器人自身的本体条件生成动作，整个过程无需更新模型参数。
这意味着，一项新技能不必先进入训练集、等待下一轮模型更新，便可以直接进入机器人的执行过程。
机器人可以带着已有的通用能力进入场景，在遇到能力范围之外的任务时，再通过上下文补充当前任务所需要的信息。
这也为具身智能提供了另一种能力扩展方式：基础模型持续扩大能够直接完成的任务范围，上下文学习则承接真实场景中不断出现的长尾需求。
随着模型能力提升，需要额外示范的任务会逐渐减少，但这条在使用过程中接收新技能的通道仍然保留。
因此，机器人不需要等到训练阶段覆盖所有可能的任务，才开始进入真实世界。
△面对陌生任务，Fi0可以将一次人类示范作为技能上下文，在推理时理解任务，并结合当前视觉与本体信息，为不同机器人身体生成相适配的动作。
从不同视角学习同一个世界
人类和机器人几乎不会从相同位置观察同一项任务。
人类示范通常来自头部第一视角，机器人则可能通过腕部、机身、头部或外部相机感知环境。
相机位置、视场和遮挡关系一旦改变，同一个物体在像素空间中的表现可能截然不同。
但它们经历的仍然是同一个物理过程。
物体具有相同的状态，抓取与释放遵循相同的接触规律，任务也沿着相同的阶段推进。Fi0需要跨过视角差异，保留这些更稳定的世界信息。
为此，Fi0引入 Cross-view World Encoder 。
人类第一视角和机器人视角分别经过视觉编码，再通过跨视角预测与表示对齐，学习共享的世界表示，其中包含物体与机器人状态、空间关系、接触事件、任务进程以及未来动态。
这层表示连接了人类经验与机器人执行。模型需要能够从人类第一视角和机器人腕部视角中识别“方块已经被抓住”这一相同的物理状态；同样，机器人在真机执行中获得的滑落、碰撞和接触经验，也可以继续丰富模型对人类示范的理解。
Fi0最终获得的，并不是某一个视角下的视觉特征，而是 对物体和交互正在发生什么的共同表示 。
只有建立了这层共享世界，人类示范中的经验才有可能跨越相机和机器人本体，真正被模型复用。
△Fi0从人类的第一视角与腕部视角中，学习关于物体、交互、任务进程和未来动态的共享世界表示。
将人类示范转化为技能上下文
一段人类示范提供的，远不止手部轨迹。
当人伸手拿起方块时，视频同时记录了对象选择、接近方式、接触建立、任务阶段变化以及目标如何一步步推进。
← 返回最新