机器人界颠覆者！星动纪元开源首个生成式AIGC机器人大模型VPP

目前AI大模型领域有两种主流方法，基于自回归的理解模型和基于扩散的生成模型，各自代表作分别为自回归的GPT和生成式的Sora：

• GPT的思路演化到具身智能领域，就是以PI（Physical Intelligence）为代表的VLA技术，他是从视觉语言理解模型（VLM）微调而来，擅长抽象推理和语义理解。

• 生成式的技术与机器人的碰撞，就诞生了VPP这样的生成式机器人大模型。

然而，人工智能领域存在着著名的莫拉维克悖论（Moravec's paradox）：高级推理功能反而容易（例如围棋、数学题），下层的感知和执行反而困难（例如各种家务）。VLM更擅长高层级的推理，而AIGC生成式模型更擅长细节处理。VPP基于AIGC视频扩散模型而来，在底层的感知和控制有独特的优势。

如图所示，VPP分成两阶段的学习框架，最终实现基于文本指令的视频动作生成。第一阶段利用视频扩散模型学习预测性视觉表征；第二阶段通过Video Former和DiT扩散策略进行动作学习。

如何利用不同本体的机器人数据是一个巨大的难题。VLA模型只能学习不同维度的低维度action信息，而VPP可以直接学习各种形态机器人的视频数据，不存在维度不同的问题。

如果将人类本体也当作一种机器本体，VPP也可以直接学习人类操作数据，显著降低数据获取成本。同时视频数据也包含比低维度动作更加丰富的信息，大大提高模型泛化能力。

VPP能学习跨本体的丰富视频数据，相比下，VLA只能学习维度不一致的低维动作信号。

在Calvin ABC-D基准测试中，实现了4.33的任务完成平均长度，已经接近任务的满分5.0。相较于先前技术，VPP实现了41.5%的显著提升。

左图为Calvin ABC-D任务的平均长度对比，右图为Real-World Dexterous Hand任务的成功率对比。可以看出，VPP方法在这两项指标中均取得了最佳表现，在仿真环境任务完成平均长度达到4.33，真机测试成功率为67%，显著优于其他方法。

在真实世界的测试中，VPP模型展现出了惊人的多任务学习能力和泛化能力。在星动纪元单臂+仿人五指灵巧手灵巧手XHAND平台，VPP能使用一个网络完成100+种复杂灵巧操作任务，例如抓取、放置、堆叠、倒水、工具使用等，在双臂人形机器人平台能完成50+种复杂灵巧操作任务。

VPP的预测视觉表示在一定程度上是可解释的，开发者在不通过real-world测试情况下，通过预测的视频来提前发现失败的场景和任务，进行针对性的调试和优化。

而VLA模型是完全端到端的模型，开发者在调试优化中需要大量真实世界的测试来找到模型漏洞，需要花费大量的时间。

相信在行业不断开源优质模型与技术的有力推动下，机器人技术将会迈向一个崭新的阶段，而具身AGI也将沿着这条创新之路大步走来，与我们的距离越来越近，一个充满无限可能的智能未来正在朝我们招手。

以下是VPP项目开源部署Tips，供各位开发者参考：

1. 所有实验均使用一个节点（8卡A800/H100）完成；

2. 详细操作说明可在开源GitHub中找到；

3. 实验仿真平台是标准Calvin abc-d Benchmark；

4. 实验真机平台为星动纪元仿人五指灵巧手星动XHAND1以及全尺寸人形机器人星动STAR1。