2025-10-03 15:08
千寻智能团队最近搞出个大动静，2025年9月发了篇论文，提出个叫“State-free Policy”的纯视觉方案，直接解决了机器人“换个环境就懵”的老毛病。
其实，之前听行业里人聊，机器人想适应不同空间场景，光采集数据就得砸不少钱，小公司根本扛不住，这次这个方案好像把这道坎给迈过去了。
机器人以前的窘境很明显，以前机器人搞视觉运动控制，比如夹个笔、叠件衣服，都得靠“状态信息”，就是知道自己的机械臂在哪、关节弯了多少度。
这么干是精准，但有个大问题，机器人会死记训练时的轨迹，换个桌面高度、挪下机器人位置，它就手忙脚乱了，跟刚学开车的人换个陌生停车场就慌神儿似的。
而且要让它适应不同场景，得采集巨多数据，听说单次泛化场景数据采集成本就好几十，覆盖10种变化就得花20多万，这成本谁顶得住？
机器人也怕“换环境”？State-free Policy靠纯视觉破局
千寻智能这方案就狠了，直接把“状态信息”给去掉，只靠眼睛看就干活。
我觉得这点特关键，相当于让机器人摆脱了“死记硬背”，学会“灵活应变”。
实际测试里，这方案表现确实亮眼。
比如夹笔进笔筒那活儿，标准桌子80厘米高，换成别的高度，以前机器人成功率直接归零，现在能做到几乎百发百中。
叠衣服更不用说，机械臂位置跟训练时差老远，它照样能把衣服叠得整整齐齐；就连全身机器人从冰箱拿饮料，冰箱挪了位置，它也能找着地方。
这三个场景可不是随便选的，夹笔是小件抓取，叠衣服是柔性操作，取饮料是全身配合，都是机器人常用的活儿，能搞定这些，说明这方案真能落地用。
本来想这方案是不是靠啥复杂技术堆出来的，后来发现核心逻辑其实挺简单，就两个关键条件。
第一个是“相对末端动作空间”，不是让机器人算自己的绝对位置，而是算该动多少，比如往x方向挪1厘米。
其实，这思路跟咱们找路似的，不用记具体门牌，跟着参照物动就行，这样就不用依赖精准的全局位置信息了，换个环境也不怕。
第二个是得让机器人“看全了”，也就是完整的任务观察。
简单活儿比如夹笔，头顶一个主摄加腕部一个相机就够；复杂点的比如叠衣服，得看清楚衣物褶皱和桌面边缘，就给机械臂装俩广角相机，一个在末端上面，一个在下面，视野一下就宽了。
以前机器人靠状态信息补全任务逻辑，现在靠眼睛看全了，反而更灵活。
实验说话，数据少也能行，还能“跨机器”干活
光说不练假把式，千寻智能做的真机实验才叫有说服力。
他们训练数据卡得特别严，桌面高度、物体位置全固定，就是为了证明泛化能力是方案本身带的，不是靠数据堆的。
结果一出来，对比就很明显。
夹笔任务里，以前靠状态信息的策略，换个高度或位置就不行，现在这方案成功率一下就上来了；用了双广角相机后，成功率还能再提一截。
更牛的是数据少也能行，给300条、200条甚至50条演示数据，以前的策略早就崩了，这方案还能保持高成功率。
我觉得这对小团队太友好了，不用再为了采数据砸钱，门槛一下就降了。
还有个惊喜是“跨机器”干活，先在双臂Arx5机器人上训练，再换到人形双臂机器人上，就用100条数据微调，这方案收敛得比以前快不少，成功率也更高。
其实，以前机器人换个机型，得重新调半天状态空间，现在靠视觉适应就行，省了老多事。
搞不清的是，他们还发现移除顶置相机反而更好。
本来以为相机越多看得越全，结果顶置相机因为物体位置变了，视角容易跑偏，比如桌面升到100厘米，顶置相机拍的东西就跟训练时不一样了。
反而腕部相机跟着机械臂动，视角一直对得上，只靠双广角腕部相机，在桌面变高、笔筒加高、笔筒挪位置这些难搞的场景里，成功率都能稳住。
这发现还挺反常识的，不过想想也对，有时候东西多了反而添乱，精简一下更高效。
毫无疑问，这个纯视觉方案确实解决了机器人视觉运动策略的大问题。
不用状态信息，有限数据就能练出强泛化能力，还能降成本、简化硬件，以后家里的机器人能适应不同家具高度，工厂换生产线也不用重新调半天。
这么看来，机器人离咱们日常生活又近了一步，说不定再过阵子，家里的服务机器人、工厂的工业机器人，都能用得上这个方案。