72小时硬核创客手搓具身智能!
EAIDC226全球首届具身智能开发者大会在深圳举行,主办方自变量机器人发起了一场为期72小时的极限黑客松。参赛队伍需在限定时间内,利用高性能双臂机械臂、八卡算力集群及Baseline算法,完成四大具身智能任务。本次大赛旨在探索VLA(视觉-语言-动作)模型与世界模型在物理操作中的天花板。
01赛事配置与环境
主办方提供了统一硬件与算力支持,每组配备两台主动臂和两台从动臂。机械臂具备六个自由度加一个夹爪自由度,负载7公斤,支持丝滑的双手遥操作,便于采集高质量数据。此外,每组拥有两个八卡算力集群,并持续至凌晨三点的保姆级技术支持。
02四大核心任务解构
| 任务名称 | 任务描述 | 考察点 | 难度等级 |
|---|---|---|---|
| 套环 | 将环套在杆子上 | 双臂协作、抓取放置 | 简单 |
| 分拣水果 | 按文字指令分拣水果 | 语言理解、VLA应用 | 中等 |
| 插USB口 | 精准插入USB电源线 | 视觉观测、精细灵巧操作 | 困难 |
| 积木拼单词 | 根据图片拼出对应单词 | 逻辑推理、上下文记忆 | 长时序任务 |
具身智能四大任务挑战维度
这四个任务体现了莫拉维克悖论:对人类而言简单的物理操作,对AI而言极具挑战。每个任务提供了1000条真机遥操数据和1000条无本体数据。部分用户反馈在插USB等精细操作上,人类遥操作尚且力不从心,要求机器人自主完成更是难上加难。
03核心算法与技术路径
三大Baseline算法解析
WALLOSS
自变量开源算法,擅长逻辑推理与长序列规划
- 采用分步规划策略,专注当前步骤执行
- 支持看说明书搭积木等复杂指令理解
- 在分拣水果和拼写单词任务中表现突出
π0.5
经典VLA算法,具身智能领域的必读模型
- 典型的视觉-语言-动作端到端模型
- 具备较强的泛化能力,适应未见场景
- 多用于基础抓取与物体操作任务
DreamZero
英伟达提出的世界行动模型,兼具预测与决策
- 输入画面与状态,生成未来1.6秒视频及动作序列
- 仅执行预测的前几帧动作,随后循环更新
- 实现“做梦生成视频”与“决策控制动作”的统一
04行业观点与发展趋势
自变量算法负责人甘如一指出,在具身智能数据采集上,真机素材在数据质量、环境多样性及采集门槛上均优于仿真数据。随着真机成功率的提升,仿真路线的局限性将日益凸显,真实世界数据将成为行业竞争的关键。
当前文章无评论,是时候发表评论了