<mark id="oztn4"></mark>
0
在具身智能研發中，往往普遍存在以下數據問題：數據模態缺失、數據采集流程繁瑣、任務數據管理繁雜、模型訓練推理部署門檻高等難題。諸多瓶頸成為具身智能模型從實驗室走向規模化應用的“攔路虎”。零次方深耕具身智能領域，以自身模型開發經歷為基礎，深悉行業痛點，推出“全模態”具身數據全鏈路解決方案，突破數據瓶頸，加速模型訓練開發，涵蓋：“全模態”數據采集設備、數據采集與管理平臺、模型訓練與模型推理工具鏈，旨在徹底解決上述痛點問題。
解決方案如上圖所示
技術路線上：當前具身智能模型的發展仍處于發展期，各研究團隊的技術路線逐漸向更豐富的模態探索：
視覺-關節融合方案（如ACT、Diffusion Policy、DP3等）：通過聯合嵌入視覺信息與機器人本體感知，利用本體數據補償視覺觀測歧義性，提升動作泛化能力，但因缺乏力學反饋，在物理交互密集型任務中適應性不足。
語義-視覺-關節融合方案（如Pi0、GROOT等）：引入語義信息（如語言指令/場景描述）增強環境與長序列任務的理解，結合視覺與關節狀態實現多模態決策，提升復雜任務泛化性。
視覺-關節-力聯合建模（如RDP等）引入力/觸覺反饋構建物理表征，提升泛精密操作的魯棒性；
更為齊全的模態架構正成為新趨勢，通過跨模態對齊實現環境-物理-語義的協同推理。
在此背景下，零次方的全模態數據架構具備雙重核心優勢：
1. 維度兼容性：全模態數據高維數據可自然降維生成任意子模態數據集（如剝離力觸覺獲得純視覺-關節數據），兼容現存所有算法范式的訓練需求；
2. 價值持續性：預設傳感器冗余通道，集成工具標注對齊多模態數據流，為正在演進的VLA、跨模態對齊、物理因果推理、世界模型等等未來3-5年可能涌現的具身模型提供燃料。
這種前瞻性設計能兼容當下技術生態、支撐長期算法進化的“高維數據基座”。此外，零次方的“全模態”數采人形機器人 ZERITH-H1，完美兼顧零次方的全模態數據架構設計，實現全模態數據采集與落地。
“擬人”身體架構，“超人”活動范圍：ZERITH-H1的上肢結構、自由度設計全部參考人類的身體，并在此基礎上大幅增加關節的活動范圍，使得其具備超越成年男性的靈活操作空間。
ZERITH-H1 基礎參數介紹
高維度“全模態”傳感器設計：為應對具身智能模型訓練普遍存在的“數據模態缺失”問題，零次方機器人在Zerith-H1設計階段即整合了各種模態的傳感器，可實現對二維視覺信息、三維空間信息、關節信息、力觸覺信息、聲音信息的“完整”模態信息采集。
集成觸覺感知，抓取豆腐等易碎物
特別的是，針對于力觸覺感知部分，ZERITH-H1搭載了觸覺夾爪，集成了高分辨率視觸覺傳感器，實現對抓取力觸覺的精準感知。零次方在視觸覺傳感器方面技術積累深厚，源于清華AI&Robot實驗室。實驗室曾提出過超越人類觸覺感知水平的超光譜視觸覺傳感方案，相關視觸覺成果多次獲ICRA、IROS Best Paper Finalists、多次在T-RO、Soft Robotics、T-MECH上發表相關研究。
低延遲、高動態響應的遙操系統：為了進一步滿足實時同步操作的需求，零次方將機器人與采集者通訊延遲無限推進至零延遲，實現“孿生式”映射同步感知；同時整體設備連續運行時間超過4小時，滿足長時間不間斷的數據采集需求。
VR遙操演示
VR APP 快速構建物理世界與虛擬世界交互渠道：基于主流vr設備自研ZERITH-VR APP，實現遙操作設備與機器人本體、具身數據管理平臺超低數據傳輸延時。同時通過“一鍵式”設備連接、“引導式”數據采集工作流，幫助用戶快速掌握復雜任務數據采集能力，確保數據收集質量、提升數據采集效率。
ZERITH-VR APP界面
針對數據采集任務多樣、采集流程繁雜、數據管理及可視化等需求，零次方自研具身數據管理平臺用于數據全流程管理，依托自身開發模型的經歷，通過數萬次的數據采集與測試，不斷測試數據管理平臺易用性，現正式對外推出具有：對具身任務數據分類、清洗、標注、檢索等模塊化高易用性的具身數據采集管理平臺。
具身數據采集流程
同時，為讓用戶可快速、便捷式將數據集應用于模型訓練，零次方數據平臺設計兼容主流開源算法框架的標準化接口（如ACT、Diffusion Policy、DP3等）；數據接口兼容對基座模型（Pi0、GROOT、ZERITH-V0等）的后訓練（LORA、Full tuning、RL等），提供符合許可證要求的快速訓練接入能力。
在模型訓練過程，零次方深度集成AI訓練工具Swanlab，實現對模型訓練的全過程記錄、實時監控、數據可視化與批量實驗分析，幫助用戶科學調參、管理歷史訓練實驗數據，高效迭代自己的具身智能模型。
訓練過程可視化監控與記錄
在模型推理上，機器人最高可選500TOPS算力主機，集成易用部署的框架，優化推理效果，實現絲滑動作執行，真實可見的在場景中的落地效果。
雷峰網雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
