weixin_44887311的博客

在 7 亿参数规模的验证中，团队看到了令人鼓舞的结果：更大的模型不仅能够处理更多复杂的任务，而且在泛化到未见过的任务和场景时也表现得更加出色。我眼里有活儿更让人惊艳的是，GR-2 还能够与大语言模型相结合，完成复杂的长任务，并与人类进行互动。这种能力，不仅提升了 GR-2 动作预测的准确性，也为机器人的智能决策提供了新的方向。除了能够处理多达 100 余种不同的物体，例如螺丝刀、橡胶玩具、羽毛球，乃至一串葡萄和一根辣椒，GR-2 在未曾见过的场景和物体上也有着出色的表现。GR-2 的旅程，才刚刚开始。

无论是完全自主还是与人类密切合作，机器人都变得无处不在。在太空和深海探索中，在手术室或驾驶汽车中，它们的影响力与日俱增。Science Robotics 期刊为最新的技术进步以及围绕机器人关键技术的社会、道德和政策问题提供了一个高质量学术平台。它是多学科的，涵盖了机器人技术的传统学科，以及先进材料和仿生设计等新兴趋势。它涵盖了从超大型系统到微/纳米机器人；其范围很广，既涉及理论进展，也涉及实际应用。在此总览2017-2023年Science Robotics 封面论文情况。1、2023年12期封面论文12月

通过对传感器结构的优化，研究者提出了一种紧凑的传感器设计，使其厚度仅为14毫米，长度约为44毫米，适用于狭小环境中的抓取操作。通过与提出的传感器设计进行比较，结果表明，不使用镜子的设计由于相机视角的扭曲，图像存在明显的透视变形，影响了接触表面的深度重建。该研究提出的小型光度视觉触觉传感器成功缩小了传感器尺寸，解决了传统视触觉传感器体积大的问题，同时保持了良好的表面感知性能。研究结果还显示，荧光颜料涂层提供了稳定且一致的光照效果，并且避免了LED照明引发的过热问题，延长了传感器的使用寿命。

该子系统不仅提供稳定且可调的机械触觉与振动触觉脉冲刺激，以满足不同场景下的应用需求，而且其振动频率最高可达280Hz，这一频段恰好覆盖了与人类触觉感知紧密相关的四大机械感受器的敏感范围。研究结果显示，本研究创新性地提出的BAMH系统，不仅在精准激活手指各区域触觉机械感受器方面展现出显著优势，还有望凭借其广泛的覆盖范围、高度的模块化设计以及便携性特征，成为神经科学、心理学、社会学等多个学科领域探索人类触觉机制的重要工具。此外，随着管道长度的增加，力范围相应减小，但系统仍然能够保持较高的刺激强度。

近几年由于材料科学的进步，软机器人相关技术近几年研究成果显著，与传统的刚性机器人相比，软机器人的设计灵感来源于自然界中的生物系统，如蠕虫、章鱼、壁虎和青蛙等。通过轻质材料的选择和模块化设计的应用，FiBa执行器拥有了轻量化和多功能特性，这一设计不仅解决了传统软机器人的重量问题，还在实际场景中拥有极高的泛化性。为了验证FiBa执行器的性能和多功能性，研究团队成功展示了四种不受束缚的仿生运动模式，分别为受海龟启发的爬行、受尺蠖启发的攀爬、受蝙蝠启发的栖息和受瓢虫启发的飞行。

具体来说，他们设计了一个柔性多足步行机器人（也就是开头看到的“海星”），将菌丝体产生的电信号经过阈值检测等处理，转化为数字控制信号，通过Arduino单片机输出PWM波控制气动阀和直流电机。为了屏蔽外界电磁干扰，研究人员将装有菌丝体和电极的支架置于自制的法拉第笼内，以10S/s的采样率记录电信号，持续30余天。为了能用真菌产生的生物信号作为机器人的控制信号，研究人员开发了一种菌丝体电接口，可以进行长期稳定的生物电捕捉和记录。首先，作者将幅值小于5μV的信号作为噪声剔除，然后进行了平滑去噪和三阶多项式拟合。

具身智能是实现通用人工智能的必经之路，其核心是通过智能体与数字空间和物理世界的交互来完成复杂任务。近年来，多模态大模型和机器人技术得到了长足发展，具身智能成为全球科技和产业竞争的新焦点。然而，目前缺少一篇能够全面解析具身智能发展现状的综述。因此，鹏城实验室多智能体与具身智能研究所联合中山大学 HCP 实验室的研究人员，对具身智能的最新进展进行了全面解析，推出了多模态大模型时代的全球首篇具身智能综述。该综述调研了近 400 篇文献，从多个维度对具身智能的研究进行了全面解析。该综述首先介绍了一些具有代表性的具

结果显示，在摄入48小时后，七分之五的装置完好无损，证明了其在体内的稳定性和持久性。这种设备的设计克服了传统可摄入电刺激设备的一些限制，如电极与组织接触不良和电池寿命有限，为胃肠道疾病的治疗提供了新的可能性。IngRI的功耗（约为100mW）可以与最近发表在顶级期刊上的各式用于提供机电刺激的可吞服电子设备相媲美，例如STIMS（Science Advances，2020）、RoboCap（Science Robotics, 2023）、和FLASH（Science Robotics, 2023）。

使用BBEX后，在对称举重任务中，L5/S1关节的峰值压缩力在初始阶段降低了15.6%，中期降低了15.4%，末期降低了13.2%；具体数据显示，在对称举重任务中，使用BBEX与未使用时，LE的MDF分别降低了22.70%和27.56%，而在不对称举重任务中，MDF的降低分别为18.10%和30.56%。在举重时，这种机制可以提供有效的多维支持，减轻背部肌肉的力量需求，还能降低各种脊柱关节上的关节压力，特别是在那些背部肌肉力主要产生关节剪切力的情况下，辅助力能够有效减少这些力量的影响。

这些复杂的计算需要强大的处理器和大量的内存，远远超出了微型机器人的承载能力和能源预算。正如自然界中的小蚂蚁能够在广袤的沙漠中找到回家的路，这些微型"小飞侠"也可能在不久的将来，凭借着简单而高效的导航策略，在复杂的人类世界中自主高效地完成各类任务。特别是在一些GPS信号受限的场景，如密集的城市环境、洞穴等极端环境，或者GPS信号被干扰的情况下，这种自主导航能力将发挥巨大作用。同时，在一些需要快速部署的场景，如搜救行动，或者在温室、仓库等受控环境中，这种无需额外基础设施的导航方法也能大大降低成本和部署时间。

进一步受示教学习中轨迹编码方法的启发，复杂的运动轨迹可有一组简单的基元叠加表示，将阻抗与前馈力分别表示成参数与高斯基向量的内积形式，从而可以通过调节参数而间接地调节阻抗与前馈力。视觉信息处理模块的作用是映射示教者的手势图像到机械手的关节角度，力控模块的作用是计算得到期望控制关节力矩以控制手指运动完成相应操作。基于Gazebo和ROS搭建了仿真平台，在拧瓶盖、开门等多个场景中开展了实验（示例见下图），并与现有常用的基于位置模式机械手控制方式进行了对比，实验表明所提出的方法能够有效提高交互的柔顺性。

机器人灵巧手触觉感知一直是机器人研究的一个热点问题。灵巧操作要求灵巧手能够准确地反馈自己的状态并感知周围环境。国际期刊IJARS发表了面向机器人灵巧操作的感知研究综述。根据传感器在机械手中的作用和布局，首先介绍了两种类型的传感器，即灵巧手内部感知传感器和外部感知传感器。这些传感器为机械手提供了丰富的信息：包括姿态、物体的接触信息和环境的物理信息。然后，综合分析了用于灵巧手的感知方法，将其分为三个等级：规划级（planning level）、控制级(control level)和学习级(learning le

然而，3C组装中的许多典型场景，如柔性印刷电路（FPC）的组装，涉及复杂的操作，具有长跨度的步长和高精度要求，无法通过手动编程或传统的技能学习方法有效完成。3C智能制造装备的突破与产业化，对于提升我国制造产业的全球竞争力意义重大。首先，我们基于现实世界的对应物构建一个完全等效的数字孪生环境，配备视觉、触觉力和本体感觉信息，然后使用虚拟现实（VR）设备收集多模态演示数据。为了应对这一挑战，清华大学孙富春教授团队提出了一个基于学习的框架，用于在多模态数字孪生环境的辅助下获得复杂的 3C 装配技能。

具体实验中，作者选择了四个强调精确性、泛化能力，以及长期规划的任务，以展示Open-TeleVision的有效性，如下图5所示。不过，MIT的研究人员竟通过头戴Apple Vision，实现了远程操控UCSD实验室中的机器人，效果让人为之惊叹。那么，这项研究意义何在？在推理过程中，TeleVision系统也快了2倍，为逆运动学（IK）和重定向计算留出了足够的时间，以达到60Hz的部署控制频率。在图8中，展示了Open-TeleVision能够执行的更多远程操作任务，比如木板转孔、耳塞包装任务，液体试管。

为了探究快速和高机动性的水下运动方式，南京航空航天大学俞志伟副研究员以旗鱼为仿生对象，设计出了可通过背鳍与尾鳍进行协同运动的仿旗鱼机器人并且仿旗鱼机器人具备了优秀的运动性能。因此，该文以旗鱼为仿生对象，在仿生外形结构、新型仿生运动节律、背鳍与尾鳍协同运动机制等方面开展了较为深入的研究，设计出可通过背鳍与尾鳍协同运动的仿生旗鱼机器人。接着对新型仿生运动节律进行研究，针对旗鱼的运动特征，对新型尾部运动节律进行设计。仿旗鱼机器人是以拥有优异运动性能的旗鱼为仿生对象，遵循仿生性、模块化、紧凑化的设计原则。

然而，由于所提出的传感器具有被动柔顺性，因此可以在保护装配部件和机械手的情况下完成装配过程。首先，柔性连杆极大地减少了拟议装置的装配过程，并提供了无源柔顺性，而无需额外的弹性元件。一般来说，工业机械手的精度在0.1mm 以内，所以这样的定位是可能的。此外，如果末端执行器的位置被控制到一个允许的错位范围，装配过程可以很容易地完成使用被动柔顺,并且将缩短不确定环境下的工作过程和时间。该补偿器集成了先进的传感器技术和智能控制算法，能够实时感知并补偿装配过程中的力和位移变化，从而显著提高机器人装配的精度和效率。

通过将从表型分析阶段获取的番茄桁架的局部细节信息与姿势估计阶段得到的整体构型数据相融合，研究团队为每个番茄桁架对象生成独特的特征编码，并基于这些特征数据进一步筛选出最佳收获目标，同时剔除那些不成熟或品质不达标的目标，此外，位于极端生长位置或与藤蔓悬挂方向相反的番茄桁架也被排除在外，因为这些位置在收获时可能会导致机械臂与加热管相撞或与藤蔓发生缠绕，从而增加操作风险。接下来，通过强化的自适应聚类算法，研究团队能够将水果与其对应的桁架进行系统的匹配，这有助于从单一的水果指标推断出整体的成熟度。

中国台湾制造的计算机种类繁多，既有配备键盘的传统机型，也有小巧轻便、便于携带的移动设备，以及为云端数据中心提供强大算力的专业设备。展望未来，机器人技术将不再是一个遥不可及的概念，而是日益融入我们的日常生活。在这样一个生态系统中，我们为软件行业、边缘人工智能行业和公司提供了SDK和API接口，同时也为PLC和机器人系统设计了专用系统，以满足国防部等特定领域的需求。为此，物理人工智能不仅需要构建一个精准的世界模型，以理解如何解读和感知周围世界，更需具备卓越的认知能力，以深刻理解我们的需求并高效执行任务。

文章从机器人设计师的角度出发，确定了可以作为可食用机器人和机器人食品功能组件的可食用材料，如身体、驱动器、传感器、计算组件和能源源，介绍了最近的一些集成实例，并讨论了该领域面临的挑战。机器人设计与食品加工这两个看似无关的研究领域，正在通过材料特性、制造工艺和功能的交叉融合，展现出巨大的潜力。例如，用明胶制成的气动人工肌肉显示出与非可食用弹性体制成的驱动器相当的性能。复杂运动和变形：通过在明胶、淀粉和粗面粉制成的可食用薄膜表面刻图案，并暴露在热和湿度刺激下，可获得弯曲、螺旋、包裹和爬行等复杂运动。

想象一下，如果机器人能够像章鱼一样牢牢吸附在粗糙崎岖的岩石上，或者像蜗牛那样在墙面上悠然负重爬行，那会是多么神奇的一幕！这种机制使用水润湿吸盘底部，因此吸盘就可以像蜗牛的“肚子”一样，让负载11倍自重的机器人在天花板上如履平地。通过结合多层软材料和“人工水腺”，研究者们设计了一种新型的水增强的机器人真空吸盘，它就像章鱼的吸盘一样，可以牢牢地吸在各种表面上。就像章鱼受神经调控的粘液分泌系统一样，人工水腺可以根据抓取面的材质调节分泌水的速度，来进一步增强吸盘的抓取能力。【章鱼吸盘大揭秘：机器人也能“吸”得牢！

从生物复眼中汲取灵感，拥有一系列生动多样视觉功能特征的人工视觉系统最近脱颖而出。然而，这些人工系统中的大多数都依赖于可转换的电子设备，这些电子设备受到全局变形的复杂性和受限几何形状的影响，以及光学和探测器单元之间潜在的不匹配。

尽管这些模块仅根据模拟数据进行训练，但根据真实实验表明，机器人在硬件上成功传输，机器人以高达每秒 2 米的速度导航并越过连续具有挑战性的障碍物。这些基于学习的模块中的每一个都经过模拟训练。通过与自由奔跑者的敏捷性相匹配，我们可以更好地了解管道中每个组件从感知到驱动方面的局限性，规避这些限制，并普遍提高我们机器人的能力，这反过来为许多新应用铺平了道路，例如在倒塌的建筑物或复杂的自然地形中进行搜索和救援。在大型和具有挑战性的障碍物的情况下，它必须在驱动极限下执行动态机动，同时精确控制底座和四肢的运动。

各种各样的测试地形配置凸显了机器人的适应性，这是通过基于螺杆和形状的运动相结合实现的。基于螺钉的运动允许对领导者-跟随者步态进行闭环路径跟踪，并且基于形状的运动被证明是一种有用的策略，可以使机器人摆脱可能意味着传统移动系统（如漫游车）终结的情况。此外，当螺旋运动被证明不太可靠时，基于形状的运动被证明是一种有效的导航松散地形的方法，例如粉雪或细沙。形状和螺钉控制包括一组控制器，这些控制器接收所需的路径、所需的控制器和偏差信息，并输出所需的接头角度和螺钉速度。不同的步态需要不同的控制方案。

基于此，研究人员设计了两个阶段，即首先通过「任务导向的抓取模块（Task-Oriented Grasping）」生成机器人抓取物体的位姿，再通过「任务相关的运动规划模块（Task-Aware Motion Planning）」生成抓取后完成任务所需的位姿。在「任务导向的抓取模块」中，CoPa 首先通过该重要部分检测模块定位抓取的位置（比如工具的柄），该位置信息被用来过滤 GraspNet（一个可以生成场景中所有可能的抓取位姿的模型）生成的抓取位姿，进而得到最终的抓取位姿。近期，具身智能方向取得了诸多进展。

2）按照他公布的policy network的控制频率来看，不太像是一个RT系列的那种通用大模型，RT系列随着不断地scale up能力不断提升，而推理速度和控制频率随着模型变大牺牲了很多，其最快的控制频率也只做到3HZ，因此从这方面推测，Figure01的policy network大概率是一些被封装成API可被上层多模态大模型调用的小的端到端的策略网络，能够实现一小类任务和在一类物体之间的泛化，并由他们组建成为了一个庞大的技能库来供上层的多模态大模型调用。

获取精确可靠的描述双臂碰撞边界的最小距离函数是将避碰约束嵌入到多优先级优化框架中并实现双臂避自碰的关键一步，由于双臂构型空间维度高且工作空间相互交叠，使得其中的安全子空间与碰撞子空间分布严重失衡而难以分割开， 研究人员提出了一种新颖的基于主动学习的采样方法，用以生成大规模的、平衡的、信息丰富的双臂碰撞数据集，然后通过机器学习的方式对双臂最小距离关于双臂构型的映射关系予以拟合，从而高效获取高精度的最小距离代理函数。为实现对未知物体的双臂协同抓取，需要为双臂系统自主生成可执行的灵巧最优抓取对。

此外，软体灵巧手还采用了分段加热气动手指的设计，通过对不同部位加热，实现了手指硬度的可调节，从而增强了抓握的稳定性和灵活性。利用数学模型对变胞掌的运动学进行了分析，并设计了相应的运动学模型和控制算法，如图二所示，软体灵巧手有17个关节，这些关节的角度可以根据使用的人机接口进行实时调整提出的人机接口允许用户在实时控制模式下直接与机器人进行交互。通过调整各个关节的角度，灵巧手可以实现握持、放松和张开等不同的手部动作，实现基于Feix 分类法的30种动作，如图四所示，从而增强了机器人手的操作灵活性和适应能力。

通过揭示其最新的应用成果，研究团队证实了改良版HAT界面的高度可定制性和广泛的适应性。此外，驾驶员辅助功能的引入令HAT在获取红牛任务中取得了惊人的成效，将任务完成时间削减了70%（7分45秒），并且在NASA TLX工作负荷指数上得到了更低的评分，这意味着用户体验到了更少的压力和工作负荷。然而，对于HAT使用效果的评估，是在受控实验室环境下进行，且为主要针对健全人群的两小时短期研究，研究团队基于该项目已有基础，对HAT进行了深入研究，以考察其在真实世界环境中对于四肢瘫痪患者的长期应用潜力。

在该方案中，交互式机器人与人类手拉手，从而在穿衣过程中支持/引导人类，而穿衣机器人则执行穿衣任务。第二个限制更为棘手，为了使协调明确化，需要对不同肘部角度的穿衣情况进行全面分析，以确定肘部角度的边界条件，此外，还需要对人类一方进行假设（例如被动假设），以确保交互式机器人总能在穿衣手臂到达肘部之前成功地将人类手臂带入有利姿势。肘部角度被认为是影响穿衣的关键参数，然而，穿衣机器人和交互机器人之间并没有明确的协调算法，以确保穿衣机器人在穿过肘部时，交互机器人已经使肘部角度足够大，从而避免被卡住。

自然界的生物经过数十亿年的进化和选择，通过其优雅的结构、巧妙的机制和卓越的性能在地球各种环境中取得了空前的成功。这种行为为昆虫尺度的水面推进器的设计和操控提供了极佳的仿生对象。此外，研究人员通过对推进过程进行解析和运动建模，可对其运动进行多段离散的运动规划（视频6），并且可以通过预编程的方式无任何碰撞的通过具有时间和空间约束的动态迷宫水域（视频7）。通过跨尺度系统级仿生和人造结构的增强，研究团队解决了这个尺度基于表面张力梯度主导的水面推进器难以多次实时按需运动的难题，实现了综合运动性能几个量级的突破。

此外研究人员透露，“牛油果”机器人集成的摄像头能够接收环境信息，但实际测试当中，并不像设想当中的那么理想，树冠的照明条件非常困难，经常会遇到光线明暗交替的情况，这也导致摄像头采集到的画面过曝或者过暗，并且这种切换非常频繁。为此，苏黎世联邦理工学院开发了一款外观像牛油果的小型机器人产品，该机器人拥有一副3D打印的坚固外壳，机器人内部配备两副旋翼使“牛油果”机器人能够自由在雨林树冠中穿行，该机器人能够帮助研究人员收集树冠高处的生物栖息地数据。▍像蜘蛛一样工作 牛油果机器人的工作原理是怎样的？

例如：现实世界的门、橱柜、抽屉和冰箱。研究显示，基于该系统的机器人能够在很少的在线样本中进行学习，它使用了一个高度结构化的动作空间，它包括一个参数的抓取原语和一系列参数约束的移动操作原语。使用次方法能够在CMU校园的建筑中的4个不同的物体类别中选择的8个看不见的物体，从而让机器人操作的成功率从50%提升到95%，此外该系统还可以再不需要人工干预的情况下学习使用视觉语言模型的奖励。研究人员在卡内基梅隆大学校园的四个不同的建筑上进行了广泛的实地研究，包括12个训练对象和8个测试对象，以测试全堆栈系统的有效性。

在动态手臂摆动方面，通过部署控制器，机器人能够展现出与人类相似的动态手臂摆动行为，这种行为与腿部运动相协调，保持了对侧的特性。该控制器通过自回归的方式，根据过去的观察和动作历史来预测未来的动作。从在平坦区域自然行走，到下坡时采用小步行走，再到再次自然行走，这种步态的调整是自发的，并未在训练期间预设。此外，研究人员还命令机器人在包含三个部分的地形上前行：首先是平坦区域，然后是一个向下倾斜的斜坡，最后再次是平坦区域。这样的训练方法确保了模型在处理复杂环境时的强大适应性和鲁棒性，为未来的应用提供了坚实的基础。

因此，可以相信智能体已经确定了1,352个成员组合序列空间的全局适应度峰值，因为所有四个智能体都收敛到同一个峰值，并且使用所有智能体收集的所有数据训练的GP模型，都预测到了与智能体发现的序列相似的顶级序列。该过程需要∼1小时的基因组装，1小时的PCR，3小时的蛋白质表达，3 小时的热稳定性测量，以及9小时的从请求的蛋白质设计到物理蛋白质样品再到相应数据点。在序列函数数据上训练的GP模型，代表了SAMPLE智能体的当前知识，从这里开始，智能体必须决定接下来要评估哪些序列，以实现蛋白质工程目标。

Choset教授对于机器人技术的应用前景抱有极大的期望，他评论道：“我对机器人在受限空间中的应用特别感兴趣，包括搜索与救援、医疗、核设施检查，以及现在的管道检测与修复。天然气管道作为关键的能源传输纽带，为全球数以亿计的家庭及商业用户提供天然气，其稳健运营直连国家的能源稳定和经济成长，管道泄漏或损坏不只意味着资源浪费，还可能带来环境灾难，威胁公众生命与财产安全。Choset教授指出，他们的工作不止于创建管道的几何模型，而是展现管道内部的详细纹理，为后续的维护和修复提供了坚实的基础。

随后，导航和拾取基元将按顺序分步执行，移动到所需夹取的物品前进行拾取，之后在需要放置的位置，将物品放置。纽约大学的机器人专家团队与Meta人工智能学院研发人员共同合作开发了一种新型机器人，该机器人具备在非结构化环境下的认知能力，可在陌生房间利用视觉语言模型（VLMs），进行物品的抓取与放置。研究团队指出，OK-Robot所搭载的系统是零样本算法，这意味着OK-Robot没有在工作环境中接受过训练，因此所取得这样的成绩，证明搭载VLMs功能的机器人是可行的。

简单来说，这些图表展示了在特定条件下，通过恢复策略搜索得到的最佳运动指令，以及这些指令如何影响 RA 值，从而反映机器人在不同运动状态下的安全性。「达防」（Reach-Avoid, RA）值学习的创新之处在于，它采用了无模型的方式学习，与传统的基于模型的可达性分析方法不同，更适合无模型的强化学习策略。敏捷策略让机器人在障碍环境中快速移动，而一旦 Reach-Avoid Value Estimation 检测到潜在危险（比如突然出现的婴儿车），恢复策略就会介入，确保机器人安全。

区别于传统无人机规划方法仅针对浮动平台，该方法提出将空间机械臂的浮动平台、机械臂和被操作对象通过一体化运动学建模为VKC，并将操作任务转化为面向VKC的运动规划问题，实现三者之间的高效协同运动，适用于狭窄拥挤的环境下的移动操作任务，同时对具有不同运动结构的对象不失一般性。针对渡鸦平台，作者提出了一个基于层级控制架构的高性能控制器（图9c），集成了包括高效姿态控制算法、主动规避多桨气流影响的算法以及执行器失效时的容错控制算法等，有效解决了这些挑战，提升了该平台在复杂环境中的稳定性和可靠性。

图A中，电机转速为 782rad/s，由电机转速计算得出图示中的腿A触地时序，在落地瞬间（灰色区域与红色区域交界处），由于腿A的速度具有-y分量，可知 IFT 为负。然而某时刻的地面摩擦力由正压力决定摩擦力矩大小，由腿A运动方向决定摩擦力矩方向，为了达到稳态，机器人会“智能”地自动调整腿A在触地瞬间的纵轴运动方向，腿A的纵轴运动方向大部分由机身角速度决定，即机身角速度曲线会自动调节直至稳态。当达到稳态时，机器人的角速度和角度曲线如下图所示，每一运动周期后，机器人的微观角速度不变，但有一个微小的角度变量。

并且，为了加速大规模双手操作的研究，ALOHA 2 相关的所有硬件设计全部开源了，并提供了详细的教程，以及具有系统识别功能的 ALOHA 2 MuJoCo 模型。为支持对复杂操作任务的研究，在 ALOHA 平台上扩大数据收集的规模成为目标之一，包括使用的机器人数量、每台机器人的数据收集小时数以及数据收集的多样性。模拟：研究者在 MuJoCo Menagerie 中的 MuJoCo 模型中模拟了 ALOHA 2 机器人的精确规格，从而改进了数据收集、策略学习和模拟评估，以应对具有挑战性的操纵任务。