本文的作者均來自北京大學(xué)與智元機器人聯(lián)合實驗室，通訊作者為北京大學(xué)計算機學(xué)院助理教授董豪。目前團(tuán)隊研究方向覆蓋智能機器人的泛化操縱、具身導(dǎo)航和感知自主決策。團(tuán)隊持續(xù)開放聯(lián)合實習(xí)生崗位，提供充足的機器人本體和計算資源。

近年來視覺語?基礎(chǔ)模型（Vision  Language  Models,  VLMs）在多模態(tài)理解和?層次常識推理上?放異彩，如何將其應(yīng)?于機器?以實現(xiàn)通?操作是具身智能領(lǐng)域的?個核?問題。這??標(biāo)的實現(xiàn)受兩?關(guān)鍵挑戰(zhàn)制約：

1. VLM 缺少精確的 3D 理解能?：通過對?學(xué)習(xí)范式訓(xùn)練、僅以 2D 圖像 / ?本作為輸?的 VLM 的天然局限；

2. ?法輸出低層次動作：將 VLM 在機器?數(shù)據(jù)上進(jìn)?微調(diào)以得到視覺 - 語? - 動作（VLA）模型是?種有前景的解決?案，但?前仍受到數(shù)據(jù)收集成本和泛化能?的限制。

針對上述難題，北?攜?智元機器?團(tuán)隊提出了 OmniManip 架構(gòu)，基于以對象為中?的 3D 交互基元，將 VLM 的高層次推理能力轉(zhuǎn)化為機器?的低層次高精度動作。

針對?模型幻覺問題和真實環(huán)境操作的不確定性，OmniManip 創(chuàng)新性地引?了 VLM 規(guī)劃和機器?執(zhí)?的雙閉環(huán)系統(tǒng)設(shè)計，實現(xiàn)了操作性能的顯著突破。

實驗結(jié)果表明，OmniManip 作為?種免訓(xùn)練的開放詞匯操作?法，在各種機器?操作任務(wù)中具備強?的零樣本泛化能?。

項?主?與論?已上線，代碼與測試平臺即將開源。

• 主?地址：https://omnimanip.github.io
• 論?地址：https://arxiv.org/abs/2501.03841

技術(shù)?案解析

?法概述

OmniManip 的關(guān)鍵設(shè)計包括：

• 基于 VLM 的任務(wù)解析：利? VLM 強?的常識推理能?，將任務(wù)分解為多個結(jié)構(gòu)化階段（Stages），每個階段明確指定了主動物體（Active）、被動物體（Passive）和動作類型（Action）。
• 以物體為中?的交互基元作為空間約束：通過 3D 基座模型?成任務(wù)相關(guān)物體的 3D 模型和規(guī)范化空間（canonical space），使 VLM 能夠直接在該空間中采樣 3D 交互基元，作為 Action 的空間約束，從?優(yōu)化求解出 Active 物體在 Passive 物體規(guī)范坐標(biāo)系下的?標(biāo)交互姿態(tài)。
• 閉環(huán) VLM 規(guī)劃：將?標(biāo)交互姿態(tài)下的 Active/Passive 物體渲染成圖像，由 VLM 評估與重采樣，實現(xiàn) VLM 對?身規(guī)劃結(jié)果的閉環(huán)調(diào)整。
• 閉環(huán)機器?執(zhí)?：通過物體 6D 姿態(tài)跟蹤器實時更新 Active/Passive 物體的位姿，轉(zhuǎn)換為機械臂末端執(zhí)?器的操作軌跡，實現(xiàn)閉環(huán)執(zhí)?。

以物體為中?的交互基元

物體的交互基元通過其在標(biāo)準(zhǔn)空間中的交互點和?向來表征。交互點 p∈R3 表示物體上關(guān)鍵的交互位置，?交互?向 v∈R3 代表與任務(wù)相關(guān)的主要軸。這兩者共同構(gòu)成交互基元 O={p,v}，封裝了滿?任務(wù)約束所需的基本?何和功能屬性。這些標(biāo)準(zhǔn)交互基元相對于其標(biāo)準(zhǔn)空間定義，能夠在不同場景中保持?致，實現(xiàn)更通?和可重?的操作策略。

對于通?物體的交互點提取，OmniManip 利?視覺語?模型（VLM）在原圖（當(dāng)部件可?且實體存在時）或在正交視圖中渲染的 3D ?格（當(dāng)部件不可?或?qū)嶓w不存在時）上進(jìn)?定位。

與 CoPa 和 ReKep 等?法不同，OmniManip 直接讓 VLM 進(jìn)? grounding，不會受限于不穩(wěn)定的 part 分割或聚類結(jié)果。

在交互?向的采樣??，由于物體的規(guī)范化空間通過 Omni6DPose 錨定，軸的?向與語義對?，該團(tuán)隊讓 VLM 直接對物體標(biāo)準(zhǔn)空間的軸進(jìn)?語義描述，并根據(jù)操作任務(wù)進(jìn)?匹配度排序，以獲得交互?向的候選。

雙閉環(huán)系統(tǒng)設(shè)計

李??團(tuán)隊的?作 ReKep 通過關(guān)鍵點跟蹤巧妙地實現(xiàn)了機械臂的閉環(huán)執(zhí)?，但其 VLM 規(guī)劃過程是開環(huán)的。OmniManip 則更進(jìn)?步，得益于以物體為中?的設(shè)計理念，?次在 VLM 規(guī)劃和機械臂執(zhí)?層?實現(xiàn)了雙閉環(huán)系統(tǒng)：

閉環(huán)規(guī)劃：在實驗中，VLM 推理很容易出現(xiàn)幻覺，導(dǎo)致錯誤的規(guī)劃結(jié)果（尤其是在涉及 3D 旋轉(zhuǎn)的任務(wù)中，如倒?、插筆）。OmniManip 賦予 VLM 閉環(huán)規(guī)劃能?，通過渲染物體的三維模型，幫助 VLM 「腦補」出規(guī)劃結(jié)果后的物體樣貌，再判斷其合理性。

這?功能賦予了 VLM 空間反思能?，使其能夠在測試時進(jìn)?推理，類似于 OpenAI 的 O1，??提?了操作成功率。為了保持框架的簡潔性，研究團(tuán)隊沒有設(shè)計復(fù)雜的測試時推理流程，僅作?輪校驗就已明顯提?了 VLM 的規(guī)劃準(zhǔn)確率。

閉環(huán)執(zhí)?：OmniManip 提取的交互基元位于物體的規(guī)范空間中，只需引??個 6D 位姿跟蹤器即可輕松實現(xiàn)閉環(huán)操作。與 ReKep 使?的關(guān)鍵點跟蹤器相?，基于物體的 6D 位姿跟蹤?式更為穩(wěn)定，并對遮擋具有更強的魯棒性。（缺點則是不如關(guān)鍵點靈活、?法建模柔性物體操作。）

實驗結(jié)果

強?的開放詞匯操作性能

在 12 個真機短程任務(wù)上，OmniManip 均展現(xiàn)出卓越的性能。

雙閉環(huán)系統(tǒng)設(shè)計為 OmniManip 帶來了約 17% 的性能提升，這證明了 RRC 在有效減少?模型幻覺影響??的作?。

交互基元的魯棒性

VLM 需要基于交互基元對機器?操作進(jìn)?規(guī)劃，如果交互基元本身存在問題，VLM 就會陷?「巧婦難為??之炊」的困境。因此，可靠的交互基元?關(guān)重要。以往的?法通常是讓 VLM 直接在相機拍攝的 2D 圖像上采樣交互基元，然后通過相機的內(nèi)外參數(shù)轉(zhuǎn)換到 3D 空間。

然?，由于 2D 圖像存在空間歧義，采樣效果對相機視?、圖像紋理和部件形狀等因素極為敏感（例如，當(dāng)相機平視杯?時，之前的?法只能對準(zhǔn)杯?的側(cè)壁、?不是開?）。? OmniManip 則是在物體的 3D 規(guī)范空間中進(jìn)?采樣，能夠輕松克服 2D 圖像的局限性，實現(xiàn)可靠的 3D 交互基元提取。

強?的拓展性與潛?

OmniManip 能夠與 high-level 任務(wù)規(guī)劃器結(jié)合，實現(xiàn)?程任務(wù)操作

作為?種以物體為中?的算法，OmniManip 與機械臂本體解耦，能夠零成本遷移?不同形態(tài)的本體（例如雙臂?形機器?）。

OmniManip 具有強?的通?泛化能?，不受特定場景和物體限制。團(tuán)隊已將其應(yīng)?于數(shù)字資產(chǎn)?動標(biāo)注 / 合成管道，實現(xiàn)?規(guī)模的機器?軌跡?動采集。該研究團(tuán)隊即將開源?質(zhì)量的泛化操作?規(guī)模數(shù)據(jù)集和對應(yīng)的仿真評測基準(zhǔn)，敬請期待！