在具身智能研究領(lǐng)域，如何使機器人在任務(wù)指導和實時環(huán)境感知的基礎(chǔ)上規(guī)劃未來行動，一直是科研人員面臨的重大挑戰(zhàn)。這一難題主要受到“模態(tài)對齊”和“數(shù)據(jù)稀缺性”兩大因素的制約。近日，智元機器人團隊提出了一種名為EnerVerse的創(chuàng)新架構(gòu)，該架構(gòu)通過自回歸擴散模型，在生成未來具身空間的同時，也指導機器人執(zhí)行復雜任務(wù)。
EnerVerse架構(gòu)與現(xiàn)有的視頻生成模型應(yīng)用方法存在顯著差異。它深入結(jié)合了具身任務(wù)的實際需求，創(chuàng)新性地引入了稀疏記憶機制（Sparse Memory）和自由錨定視角（Free Anchor View, FAV）。這一創(chuàng)新不僅顯著提升了4D生成能力，還在動作規(guī)劃性能上實現(xiàn)了重大突破。
據(jù)智元機器人團隊介紹，實驗結(jié)果顯示，EnerVerse不僅具備生成未來空間的能力，還在機器人動作規(guī)劃任務(wù)中達到了當前最優(yōu)水平（SOTA）。這一成果標志著在具身智能領(lǐng)域取得了重要進展。目前，EnerVerse的項目主頁和論文《EnerVerse：設(shè)想機器人操作的具身未來空間》已經(jīng)上線，模型及相關(guān)數(shù)據(jù)集也即將面向公眾開源。
EnerVerse的主要科研成員來自智元機器人研究院的具身算法團隊。論文的共同第一作者黃思淵，是上海交通大學與上海人工智能實驗室的聯(lián)合培養(yǎng)博士生，師從香港中文大學多媒體實驗室（CUHK-MMLab）的李鴻升教授。黃思淵博士期間的研究方向主要集中在基于多模態(tài)大模型的具身智能和高效智能體的研究，并在CoRL、MM、IROS、ECCV等國際頂級會議上以第一作者或共同第一作者身份發(fā)表了多篇論文。
另一位共同第一作者陳立梁，則是智元機器人的具身算法專家，主要負責具身空間智能和世界模型的研究。EnerVerse架構(gòu)的成功研發(fā)，不僅展示了智元機器人團隊在具身智能領(lǐng)域的深厚積累，也為未來機器人技術(shù)的發(fā)展提供了新的思路和方向。
