當(dāng)前，人形機(jī)器人已逐漸應(yīng)用于情感交互、工業(yè)自動化、服務(wù)行業(yè)和研究探索等諸多領(lǐng)域，但不可忽視的是，其控制系統(tǒng)仍然依賴預(yù)設(shè)的狀態(tài)機(jī)和固定策略優(yōu)化，缺乏類人的認(rèn)知自主能力。

例如，美國波士頓動力公司的 Atlas 機(jī)器人、日本 PAL 機(jī)器人公司的 Talos 機(jī)器人、美國 Agility Robotics 公司的 Digit 機(jī)器人均采用基于模型預(yù)測控制和任務(wù)特定的強(qiáng)化學(xué)習(xí)，其在面對復(fù)雜場景變化時，仍需依賴于靜態(tài)預(yù)先設(shè)定的策略，從而難以進(jìn)行自主學(xué)習(xí)和動態(tài)實時決策。

這些技術(shù)支持機(jī)器人模仿人類執(zhí)行重復(fù)性任務(wù)，但其感知與執(zhí)行能力不足以彌補在思維、規(guī)劃和決策等高級認(rèn)知能力上的缺陷。盡管部分研究探索了多模態(tài)數(shù)據(jù)融合（視覺、聽覺、觸覺），但由于跨模態(tài)對齊技術(shù)的局限性，人形機(jī)器人在高動態(tài)環(huán)境下的語義理解和連貫推理仍存在挑戰(zhàn)。

那么，是否可將機(jī)器人置于動態(tài)環(huán)境中，讓它自主感知不同的物體和信息，并做出合理的預(yù)處理和決策呢？這是一個巨大的挑戰(zhàn)，也是當(dāng)前機(jī)器人研究的重點方向。

為解決該問題，就讀于馬來西亞思特雅大學(xué)（UCSI University）的博士研究生王立博在發(fā)表于預(yù)印本網(wǎng)站arXiv的《多場景推理：解鎖人形機(jī)器人在多模態(tài)理解中的認(rèn)知自主性》（Multi-Scenario Reasoning：Unlocking Cognitive Autonomy in Humanoid Robots for Multimodal Understanding）的論文中，提出多場景推理（MSR，Multi-Scenario Reasoning）控制系統(tǒng)的框架 [1]。

圖丨相關(guān)論文（來源：arXiv）

MSR 旨在實現(xiàn)高效的跨模態(tài)感知，利用稀疏注意力過濾與記憶增強(qiáng)推理機(jī)制，使機(jī)器人能夠在多變環(huán)境中，進(jìn)行高精度信息提取與推理，避免現(xiàn)有系統(tǒng)因靜態(tài)預(yù)訓(xùn)練數(shù)據(jù)而產(chǎn)生的響應(yīng)不連貫問題。

為提升仿人機(jī)器人在不確定環(huán)境中的自主適應(yīng)能力，該研究以情境認(rèn)知理論為基礎(chǔ)，模擬人類大腦在復(fù)雜環(huán)境下的跨模態(tài)語義整合、情境分析和動態(tài)決策能力。

不同于傳統(tǒng)依賴靜態(tài)預(yù)訓(xùn)練模型或單一模態(tài)數(shù)據(jù)的認(rèn)知架構(gòu)，MSR 通過注意力的優(yōu)先級（Attention-Based Prioritization）、記憶增強(qiáng)推理（Memory-Augmented Reasoning）和行動決策建模（Action-Decision Modeling）等關(guān)鍵模塊，實現(xiàn)機(jī)器人在視覺、聽覺和觸覺數(shù)據(jù)融合上的高效性，以解決當(dāng)前跨模態(tài)理解的瓶頸問題。

同時，作者發(fā)展了 Sim2Real 通過結(jié)合場景表征和情境信息、注意力、記憶和反饋機(jī)制，來優(yōu)化人形機(jī)器人適應(yīng)在不同場景的動態(tài)自適應(yīng)能力。

圖丨多場景推理架構(gòu)（來源：arXiv）

人腦具有短期記憶和長期記憶，目前多數(shù)研究表明機(jī)器人已逐步具備短期記憶能力，但它在長期記憶方面的能力仍然有待提升。當(dāng)前多數(shù)機(jī)器人仍依賴工程師預(yù)設(shè)的指令，缺乏自主性和靈活性，其任務(wù)執(zhí)行效果往往受限于靜態(tài)預(yù)設(shè)程序。

為了突破這一局限，需要開發(fā)一種能夠根據(jù)環(huán)境動態(tài)生成變形指令的控制系統(tǒng)。這樣的系統(tǒng)需要具備強(qiáng)大的感知能力，能夠綜合分析環(huán)境因素并做出合理的決策。

該研究在多場景理解、機(jī)器人的認(rèn)知系統(tǒng)設(shè)計和自適應(yīng)力開發(fā)等方向具有應(yīng)用前景。

第一，多場景理解：從長思維鏈到動態(tài)思維鏈。

靜態(tài)環(huán)境下任務(wù)可預(yù)設(shè)定，但在動態(tài)環(huán)境下機(jī)器人需要自主感知和推理，這種推理能力至關(guān)重要。

借鑒長思維鏈（Long Chain-of-Thought）方法雖可行，但由于靜態(tài)的預(yù)設(shè)定同樣可能造成產(chǎn)生冗余計算和資源耗費。相比之下，該研究中的動態(tài)思維（Dynamic Chain-of-Thought）通過自適應(yīng)推理觸發(fā)機(jī)制，結(jié)合自適應(yīng)剪枝原理，能夠識別關(guān)鍵語義，僅在必要情況下延展推理鏈，以優(yōu)化計算資源。

例如，“微波爐禁用鐵器”這類具有明確因果關(guān)系的知識無需推理，可直接根據(jù)常識生成答案。動態(tài)思維鏈展示出針對 token 的重要性進(jìn)行剪枝（pruning），本質(zhì)上就是篩選最關(guān)鍵的語義，從而決定是否推理以及步驟長度。

對于顯著減少人形機(jī)器人控制系統(tǒng)計算資源的消耗和實現(xiàn)精準(zhǔn)場景識別來說，篩選是推理路徑的關(guān)鍵環(huán)節(jié)。

圖丨王立博（來源：王立博）

第二，認(rèn)知系統(tǒng)設(shè)計：模擬人腦動態(tài)決策。

基于認(rèn)知科學(xué)理論，該研究構(gòu)建了“感知-推理-決策-執(zhí)行”的完整控制鏈路。通過多模態(tài)信息融合解析環(huán)境數(shù)據(jù)，利用自適應(yīng)推理模塊動態(tài)調(diào)整決策流程，并最終通過“信號-動作映射”將推理結(jié)果轉(zhuǎn)化為控制指令，以實現(xiàn)模擬人腦的自主決策。

第三，自適應(yīng)力開發(fā)：從物理調(diào)參到動態(tài)遷移。

傳統(tǒng)方法通過調(diào)整物理數(shù)據(jù)獲取方式，但這種方式較為低效。目前，控制系統(tǒng)需要一種讓機(jī)器人擺脫靜態(tài)訓(xùn)練的局限，突破在模擬-現(xiàn)實域遷移方面的策略泛化不足的技術(shù)瓶頸。針對自適應(yīng)域隨機(jī)化依賴靜態(tài)預(yù)訓(xùn)練導(dǎo)致機(jī)器人在復(fù)雜任務(wù)中的推理與決策能力受限的問題，這項研究提出了目標(biāo)域優(yōu)化。

該框架通過因果推理和策略自適應(yīng)調(diào)整優(yōu)化機(jī)器人在模擬-現(xiàn)實遷移（Sim-to-Real Transfer）中的策略泛化能力，提高其在高動態(tài)環(huán)境下的執(zhí)行穩(wěn)定性。

通過傳感解析、因果推理、策略自適應(yīng)和跨域泛化優(yōu)化機(jī)器人，在現(xiàn)實環(huán)境的適應(yīng)性。傳感感知系統(tǒng)采用稀疏注意力和特征金字塔提取分層解析多模態(tài)數(shù)據(jù)，來提高環(huán)境理解。

動態(tài)因果推理通過預(yù)測誤差監(jiān)控和因果推理引擎調(diào)整狀態(tài)-行為映射，優(yōu)化實時決策。自適應(yīng)策略優(yōu)化結(jié)合策略調(diào)整引擎與上下文參數(shù)調(diào)優(yōu)，動態(tài)調(diào)整策略。相比自適應(yīng)域隨機(jī)化，目標(biāo)域優(yōu)化在因果推理和跨場景適應(yīng)，對于復(fù)雜環(huán)境中的泛化能力方面更具顯著效果。

圖丨目標(biāo)域優(yōu)化框架（來源：TechRxiv）

同時，該研究中所提出機(jī)器人的發(fā)展不應(yīng)僅是為了替代人類從事低端工作，而應(yīng)更多地聚焦于那些對人類來說危險或難以完成的任務(wù)。“我們需要確保機(jī)器人的開發(fā)能夠為社會生產(chǎn)帶來積極影響，而非從事減少人類就業(yè)資源的行為。”王立博說。

例如，在高空建筑施工中，機(jī)器人憑借精準(zhǔn)判斷和動態(tài)環(huán)境適應(yīng)能力，能更安全高效地完成任務(wù)；在醫(yī)療領(lǐng)域，機(jī)器人手術(shù)精確度高于人類醫(yī)生，尤其在精細(xì)操作和高度穩(wěn)定性手術(shù)中優(yōu)勢明顯；在地震廢墟、深海或太空等極端環(huán)境中，勘探機(jī)器人和救援機(jī)器人可在那些人類難以到達(dá)或存在安全風(fēng)險的環(huán)境中工作。這些應(yīng)用場景表明，機(jī)器人可承擔(dān)更多人類難以完成或危險的工作，讓人類生活更安全便捷。

據(jù)介紹，王立博接下來的設(shè)計是致力于構(gòu)建與 Transformer 原理不同的新型架構(gòu)“Defierithos”。特別是通過“自共振場”技術(shù)的開發(fā)替代，它不同于 Transformer 的自注意力機(jī)制依賴于計算每一個 token 對其他所有 token 的關(guān)系。這使得新架構(gòu)一定程度上避免了計算復(fù)雜度和內(nèi)存消耗呈二次增長，尤其在處理長序列時有效捕捉遠(yuǎn)距離的依賴。

此外，他還模擬人類超級大腦運行的原理，嘗試采用自共振場通過子頻帶分解（Subband Decomposition）與波干涉（Wave Interference）的方式，將信息以波形的形式持續(xù)流動、進(jìn)行迭代干涉、減少必要的計算量，并通過動態(tài)調(diào)整局部波干涉精確模擬復(fù)雜的長程依賴。

相比于 Transformer 需要依賴昂貴的全連接矩陣運算，自共振場不僅降低計算成本，而且能以稀疏并行的方式，處理更加復(fù)雜且不容易被 Transformer 捕捉的微妙特征。王立博希望，能夠突破 Transformer 變體無法從根本上避免的內(nèi)存消耗與長序列建模的瓶頸。

參考資料：

1.https://doi.org/10.48550/arXiv.2412.20429

2.https://www.techrxiv.org/users/877969/articles/1275276-defierithos-the-lonely-warrior-rises-from-resonance

運營/排版：何晨龍