斯坦福年初刚教完机器人炒菜，现在又教机器人系鞋带！

他们还发布了全球首个机器人自主系鞋带演示视频：

与之前的炒菜版 1.0 相比，这个版本的它可以执行更加轻巧、复杂的任务。

评论区的网友也是一片夸夸：

网友一：小手怪巧的，我系鞋带都没他系的好！

网友二：OMG！是个好东西！量产！

网友三：可爱捏！它甚至会打蝴蝶结！

小手怪巧的

除了系鞋带，视频中的 Aloha 2 机器人还会挂衣服、拧齿轮、收拾厨房，甚至是给 " 同事 " 换不同用途的配件。

咱们一起来看一下它的表现 ~

先是挂衣服。演示视频中，Aloha 2 先是乖乖的把衣服摆好，然后一气呵成地就把衣服套在了衣架上（它甚至知道抵一下防止衣服掉落）。

数据库中的没有的衣服类型也可以挂。

在拧齿轮的测试中，它的表现也不错。成功地把三个塑料齿轮插进了一个带摩擦力的插座，完美咬合。

" 收拾厨房 "的环节：Aloha 2 乖乖地把桌面散落的餐具规整到一起，摆放整齐。

到了给 " 同事 " 换配件的时候，也是一气呵成。先摘下旧的，再拿起新的对准后安上！

怎么学会的

为了训练 Aloha 2 机器人，研究团队使用扩散策略进行大规模训练，共在5 个任务中收集2.6 万个示范数据。

值得一提的是，他们的训练仅仅是基于模仿学习的方法，并不涉及强化学习。

而 Aloha 2 机器人的神经网络架构则是参考了 ACT 模型，没有用到条件 VAE 编码器（变分自动编码器）。

他们具体是这么做的：

研究人员给嵌入加了个位置嵌入，然后喂了一个 8500 万的 Transformer 编码器，之后用双向注意力进行解码，就得到了观察结果的潜在嵌入。

这些潜在的东西再传给一个 5500 万参数且带双向注意力的 Transformer 编码器。

解码器的输入是个 50x14 的张量，就是一个带位置信息的噪声动作块。这些嵌入跟观察编码器的潜在嵌入和时间步（用独热向量表示）进行交叉注意力。

解码器最后输出一个 50x512 的维度，然后用线性层映射成 50x14，这就是对接下来 50 个动作的预测噪声。

基础模型总共有 2.17 亿个可学习的参数。小模型的话，研究人员用 1700 万的编码器和 3700 万的解码器，总共 1.5 亿参数。

训练时，研究人员基于 JAX 框架，在 64 个 TPUv5e 上并行训练，批量大小 256，总共进行了 200 万步的训练。

并且使用带权重衰减的 Adam 优化器，权重衰减是 0.001，线性学习率预热 5000 步，之后保持恒定速率为1e-4

最终结果如下：

研究人员对最终的结果很满意，发文感叹：

实验的总体成功率很高！模仿学习可能是实现 99% 成功率的有效途径！

One more thing

Aloha 2 的研究团队主要由 DeepMind 和斯坦福研究小组组成。

Aloha 2 是对原始 Aloha 系统的增强版本，为了更加支持双手的远程操作。

与之前的版本相比 Aloha 2 在硬件方面进行了多项改进，使其能够执行更复杂和细致的操作任务，

目前研究团队已经开源了 Aloha 2 的所有硬件设计，并提供详细的教程和模拟模型，以便于研究人员和开发者进行大规模的双手操作研究。

论文地址：https://openreview.net/pdf?id=gvdXE7ikHI

项目地址：https://aloha-unleashed.github.io/