斯坦福机器人讲座 | 2026年春季 | 长程机器人自主性
本讲座涵盖： • 开发长时域机器人自主性的要素，即赋予机器人策略记忆能力，并训练既广泛适用又高性能的通用行为 • 通过两项工作（π0.6-MEM 和 π0.7）在该方向上的最新进展 • 在实现长时域物理自主性的道路上仍缺失的环节 **视频 AI 总结**：该视频介绍了 Physical Intelligence 公司在机器人长期任务能力上的最新进展。核心在于解决机器人执行长周期任务时需要的记忆与泛化能力问题。作者 Carl 首先展示了机器人当前在短程精细操作任务上的成功，但指出缺少长期记忆导致无法完成实际场景中的复杂任务。为此，他们提出了多尺度具身记忆（Mem）系统，结合短时视觉记忆与长时语言记忆，使机器人能够追踪进度、适应失败并持续完成任务。此外，还介绍了最新发布的 π0.7 模型，通过丰富的条件控制（如子目标、元数据）让单一策略同时实现高泛化性与高性能，并展示了零样本跨机器人技能迁移和人类语言指导下的任务学习。 **主要内容**： - 机器人当前能完成精细短任务，但缺乏记忆和泛化能力，无法处理长期、开放世界的任务。 - 提出多尺度记忆架构：短时使用压缩视觉记忆（约15帧），长时使用语言压缩记忆，避免计算延迟和分布偏移。 - 记忆使机器人能避免重复失败、适应环境变化（如从抽屉错误侧切换到正确侧）。 - π0.7 模型通过条件控制（子目标、质量标签等）训练单一策略，同时具备高泛化性和高性能，无需单独微调。 - 实验表明，条件训练能有效利用低质量数据，并实现跨机器人技能迁移（如UR5折叠衬衫）。 - 通过语言指导（教练模式）可让机器人学习新任务（如使用空气炸锅），无需遥操作。 2026年4月17日 Karl Pertsch 是 Physical Intelligence 的技术人员，从事机器人基础模型的训练工作。