[控场AI]
· 4 分钟阅读· 2,489 字

PGX框架:物理谓词分层破解人形机器人长程操作难题

PGX框架:物理谓词分层破解人形机器人长程操作难题

PGX将长程移动操作解耦为谓词状态机、VLA技能执行与世界坐标锁定三层,在仿真和Unitree G1真机上提升阶段推进与成功率。

PGX框架针对视觉-语言-动作模型在长程移动操作中时序混乱、技能切换不稳和精度流失的问题,提出三层解耦架构:基于物理谓词的状态机负责任务阶段推进与恢复触发,VLA模型只在主动操作阶段输出动作,世界坐标锁定则通过基站保持、物体相对定位和世界锚定接触目标来抑制基座移动带来的空间漂移。谓词语义在离线演示分割、在线执行和分阶段评估中共享,保证训练与部署判定一致。团队在三个仿真任务和Unitree G1人形机器人真机任务上验证了方法有效性,阶段推进和任务成功率均有提升。文章认为这种“物理接地”的模块化路线比纯端到端方案更务实,但谓词仍依赖人工定义,其自适应能力是后续待解问题。

引言

视觉-语言-动作(VLA)模型在单一操作技能上已表现出令人印象深刻的泛化能力,但当任务拉长到"导航-操作-再导航"的复合序列时,模型往往在时间结构、技能切换和精度保持之间顾此失彼。针对这一痛点,研究团队提出 PGX(Physically Grounded Execution,物理接地执行) 框架,通过将时序与精度控制卸载给两个经典的无训练组件,让 VLA 专注于阶段性的技能动态,从而在人形机器人长程移动操作任务上取得明显提升。

PGX框架概览

长程移动操作为何难倒 VLA

长程移动操作(loco-manipulation)要求机器人在连续的时间跨度内完成"移动-定位-操作"的耦合任务,其难点在于三个维度被压缩进一个单体模型:阶段推进的时序逻辑、各阶段所需的技能组合、以及接触与定位的毫米级精度。现有 VLA 模型擅于执行"看到即操作"的短程技能,却难以在处理"走到桌边、对准杯子、抓取、转身放置"这类多阶段流程时保持稳定——阶段切换缺乏明确信号,误差会跨阶段累积,最终导致任务失败。

PGX 的核心思路是解耦:不让一个 VLA 模型包揽所有事情,而是把时序状态管理和空间精度维持交给不依赖训练的传统模块,VLA 只负责它最擅长的事——在活动操作阶段内输出任务相关的动作。

视觉-语言-动作(VLA)模型是一类将视觉感知、自然语言指令和动作输出统一到单一神经网络中的具身智能模型。典型做法是用大规模机器人演示数据或视频数据预训练一个多模态主干(如视觉编码器加语言模型),再通过动作解码头输出关节位置、末端位姿或离散动作token。VLA 的优势在于跨任务泛化:同一模型可以接受不同语言指令并操作未见过的物体。但其短板也很明显——训练数据多集中在短程操作片段,模型缺乏对长时间跨度状态的显式记忆与推理能力,因此当任务需要数十秒甚至数分钟的连续推进时,端到端 VLA 容易出现阶段遗忘和误差累积。

三层架构拆解

PGX 将长程移动操作分解为三个协作层,每一层都有清晰的职责边界。

第一层:谓词状态机

任务推进由基于谓词(predicate)的状态机掌控。物理谓词充当阶段转换的门控信号,同时负责触发恢复行为、协调导航与等待。关键在于谓词语义在三个环节中共享:离线演示数据的分割、在线执行时的阶段判定,以及分阶段的评估指标。这种共享语义保证了训练与部署阶段对"任务进行到哪一步"的理解一致,避免了阶段判定标准在训练和推理之间漂移。

**谓词(predicate)**在机器人任务规划中指的是对世界状态的可判定布尔描述,例如“机器人已到达桌边”“夹爪已闭合”“杯子在托盘上方”。与传统有限状态机不同,谓词状态机不直接绑定固定时间步或固定动作序列,而是持续评估当前观测是否满足某个谓词,满足即触发阶段迁移。这种设计的好处是阶段推进由物理事实驱动而非时钟驱动,对执行速度变化和执行失败具有天然鲁棒性。同时,谓词也是分层任务网络(HTN)和行为树等经典规划方法的共同基础,便于把学习模块嵌入到可解释的符号框架中。

第二层:VLA 技能执行

VLA 模型仅在主动操作阶段介入,可以是扁平训练的模型,也可以是分阶段训练的模型,专注输出与当前任务相关的动作。把导航、等待、阶段切换等非操作行为剥离后,VLA 的建模负担显著降低,技能动态的建模精度得以提升。

第三层:世界坐标锁定

世界坐标锁定(World-Coordinate Locking, WCL)负责空间一致性,通过基站保持、物体相对定位和世界锚定的接触目标三种机制,确保机器人在移动与操作交替进行时不会丢失对关键物体的空间参照。这一层直接针对长程任务中误差累积的根源——基座移动带来的坐标系漂移。

PGX三层结构示意

世界坐标锁定要解决的是移动底盘带来的参考系漂移问题。当机器人一边移动一边操作时,其自身基座坐标系不断变化,若策略网络仅依赖本体视角的局部坐标,先前记住的物体位置会随基座移动而失效。WCL 的做法是在世界坐标系中维护关键物体和接触目标的位置锚点:基站保持提供机器人自身的全局位姿估计,物体相对定位在移动过程中持续更新目标位姿,世界锚定的接触目标则在接近操作阶段把抓取点固定到全局坐标中。三者结合使 VLA 在阶段切换后仍能找回空间参照,从源头抑制长程任务中的累积误差。

实验验证:仿真与真机双线推进

研究团队在三个仿真任务和一个真实世界任务上验证了 PGX 的有效性,真机实验使用 Unitree G1 人形机器人。结果显示,PGX 在阶段推进和任务成功率两个维度均有提升。虽然原文未披露具体的成功率数值,但"阶段推进"被单独列为评价指标,说明框架的价值不仅在于最终成败,也在于让机器人更稳定地走完每一个中间阶段——这对长程任务的可诊断性和可恢复性同样重要。

值得留意的是,真机实验选择 Unitree G1 这一量产级人形平台,而非定制实验样机,在一定程度上说明该方法面向的是可实际部署的硬件条件。

观点:模块化解耦是长程机器人任务的务实路径

PGX 的设计哲学值得国内具身智能团队参考。当前不少工作倾向于用更大规模的端到端模型直接吞下长程任务,但长程任务的数据稀疏性和误差累积特性,使得纯端到端路线在真机上的鲁棒性难以保证。PGX 选择把"哪些事该由模型学、哪些事该由经典方法管"这条界线划清楚:时序逻辑用状态机、空间精度用坐标锁定,两者都不需要训练,VLA 只承担它数据最充分的技能执行部分。

这种"物理接地"的思路也呼应了机器人学的一个老经验——可靠性来自可解释的约束,而非黑箱的泛化。当然,谓词的设计目前仍依赖人工定义,如何让谓词本身具备学习或自适应能力,是这类框架走向更广泛任务时需要回答的问题。项目页面已公开,后续进展值得持续关注。

#PGX#人形机器人#长程移动操作#VLA模型#物理谓词状态机#世界坐标锁定#Unitree G1#具身智能
分享:

相关推荐