多模态通向机器人智慧，无模型框架拥抱现实应用

经济学家熊彼特指出，创新的核心在于建立新的生产函数，即将生产要素进行重新组合。在当前的时代背景下，机器人已逐渐崭露头角，成为引领社会进步的重要推手。如同全新的生产要素一般，机器人正在逐步融入我们的日常生活中，改变着我们对生产与生活的认知。

后疫情时代的科学家与产业人士正不断探索机器人与人工智能的无限潜力。他们深知，要想跟上时代的步伐，就必须将重心放在技术发展的速度上。我们看到了机器人在科技领域的持续突破，它们在确保技术成熟的也引领着机器人技术的未来发展。

作者吴彤指出，今年的CoRL大会的成功举办为我们带来了机器人领域的新动态。这个专注于机器人领域的新兴力量再次将机器人前端研究推向公众视野。今年的机器人研究展现了许多令人瞩目的看点，公开展示的11个机器人研究项目以及荣获的最佳论文奖都为我们带来了重大突破。与往年相比，今年的研究展现出了更多的创新性，后续发展将深刻影响众多产业。

从展示的项目中，我们可以窥见机器人技术的未来趋势。无论是智能导航、自适应操作还是人机交互等关键技术，都在逐步成熟并走向应用。这些技术的突破不仅为机器人行业带来了前所未有的发展机遇，也为其他产业如医疗、物流、制造等提供了强大的技术支持。

随着技术的不断进步，我们期待看到更多的机器人应用场景的出现。它们将在提高生产效率、改善生活质量等方面发挥重要作用。这也为我们提供了一个思考的机会：如何更好地将机器人技术与其他产业结合，为社会创造更大的价值。带着一系列引人深思的问题，AI科技评论对今年的CoRL会议进行了深度剖析，与各位一同探讨「2021年最前沿的机器人研究」。

1. CoRL中的精彩展示

在揭晓本年度最佳论文奖之前，CoRL为我们呈现了11个备受瞩目的机器人项目，展示了本年度最受欢迎的机器人研究方向。这些demo不仅体现了科技的飞速发展，更展现了未来机器人技术的无限潜力。

这些机器人项目涵盖了各个领域，从智能导航到自动驾驶，从家庭助手到工业应用，无一不展示了机器人的多样性和实用性。观众们通过这些demo，得以窥见未来机器人技术将如何改变我们的生活和工作方式。

探索前沿科技，点击这里进入demo链接：[

这些机器狗包括瑞士ANYbotics的ANYmal和杭州宇树科技的A1，它们在编号2、4、7、10中脱颖而出。这些机器狗不仅仅是一项技术的展示，它们更是智能与创新的结晶。

在性能上，这些机器狗展现了惊人的适应能力。它们利用机载本体感受和外感受反馈，将感官信息和所需的速度命令精准地映射到脚步计划中。这种实时、在线的适应性使它们能够在未见过的地形环境中表现出色，显著优于其他腿式机器人。

不仅如此，这些机器狗还展现出了极高的运动灵活性和能效。它们可以在一系列运动步态之间随意切换，以最小化能量消耗，实现更高效的运动表现。

无模型强化学习，已经成为腿式机器人运动控制器开发中的佼佼者。这种方法背后的智能体，通过与环境的实时互动和探索，直接对经验数据进行学习，实现累积收益最大化或达成特定目标。无需拟合环境动态模型，智能体仅通过与环境实时交互，便能够逐步收敛至最优解。

对于四足机器狗而言，拥有这种模型的它们不仅顺利走出实验室，更能在复杂场景中自主决策，仿佛真的在“跟着感觉走”。

在机器人感知领域，视觉领域的项目大放异彩，其中第一项和第三项格外引人注目。触觉领域也有三项令人瞩目，分别是第六项、第八项和第九项。

在CV领域，实时密集三维映射，即密集SLAM（同步定位与建图），一直是机器人技术的主要挑战之一。这个问题涉及到估计传感器的自由度位姿和环境的三维重建。虽然RGB-D映射解决方案存在，但深度值的融合并非简单从传感器读取即可，而单目摄像机因其高性价比成为优选方案。该领域的研究者们正不断探索，力图实现更为精准的机器人感知技术。

文章的语言更加生动、流畅，同时保持了原文的风格特点，深入阐述了无模型强化学习在机器人运动控制中的优势，以及机器人在不同领域的应用和挑战。TANDEM框架的创新之处体现在其超越其他基于学习的单目视觉里程计（VO）方法的摄像机跟踪能力，以及展现出的实时三维重建性能。该框架引入了全新的跟踪前端，它借助密集深度预测增量构建的全局模型渲染的深度图，执行密集直接的图像对齐。这一创新技术使得跟踪更为精准和高效。

为了预测稠密的深度图，作者进一步提出了级联视图聚合MVSNet（CVA-MVSNet）。这一网络能够利用整个活动关键帧窗口，通过分层构造具有自适应视图聚合的3D成本量，来平衡关键帧之间不同的立体基线。这一设计不仅提高了深度预测的准确度，还使得处理不同视角和基线长度的图像成为可能。

框架将预测的深度图融合成一致的全局图，并以截断的带符号距离函数（TSDF）体素网格表示，为实时三维重建提供了坚实的基础。

相比之下，iMAP模型则是一个独特的SLAM系统，它采用神经隐式场景表示方法。这一模型能够利用MLP在没有先验数据的情况下进行实时操作中的训练，构建一个密集且针对特定场景的隐式3D占用和颜色模型。这一创新技术突破了传统SLAM系统的限制，为理解和重建复杂场景提供了新的可能性。iMAP模型不仅在理论上有所创新，更在实际应用中展现出强大的实力。除了视觉研究，今年机器人的触觉研究领域也展现出了令人瞩目的进展。特别是在机器人的感知能力方面，研究者们已经取得了一系列重要的突破。其中，ReSkin作为一种先进的触觉软传感器，正引领着这一领域的创新潮流。

ReSkin的核心优势在于其独特的组合技术：机器学习和磁传感技术。这两项技术的结合使得ReSkin能够实现无源共形接触，并且能够根据传感器的特性提供主动的接触数据。这意味着，ReSkin不仅能够感知并定位接触点，还能预测并可视化接触力度，为机器人提供了更加精准的感知能力。

针对长期以来软传感器寿命短、退化快的问题，ReSkin在设计中做出了重要的创新。它将磁传感技术与电子电路分离，使得接口更容易更换。这一设计不仅提高了传感器的寿命，还使得传感器在应对复杂环境时更加可靠。这样的设计思路无疑为未来的机器人触觉研究开辟了新的道路，我们期待这一领域能够带来更多的惊喜和突破。尽管当前皮肤感知技术尚未成熟，但研究者们已经纷纷把目光聚焦于一个令人兴奋的领域——“指尖感应”。他们运用深度学习解析高分辨率的触觉数据，希望能够实现对手中物体的精细操控和稳定抓取。每一帧数据的解读，都是向未来精准抓取的一大步。

随着研究的深入，机械臂运动规划领域也涌现出新的热点。其中，模仿学习成为了今年备受瞩目的焦点。视觉模仿学习被巧妙地建模为状态估计问题。这里的“状态”，指的是对象交互开始时末端执行器的姿势。这种学习方法摆脱了繁琐的演示和强化过程，无需对交互对象进行任何先验知识的储备。相反，它训练了一个自我监督的姿态估计器，能够从单一的人类演示中学习到各种技能，并生成一个稳定且可解释的控制器。

而在众多研究中，最为引人注目的无疑是“最佳论文奖”的获得者。他们将目光锁定在“灵巧手”的研究上。想象一下，一个机械臂如同人类的手一样灵活，可以精细地完成各种任务。这将是一次革命性的突破，彻底颠覆我们对人工智能的固有认知。

每一个阶段，每一个突破，都在推动着我们向前迈进。从指尖的感知到机械臂的灵活运动，科技正在不断打破我们对未来的想象。让我们共同期待这一领域的更多创新与突破，为人类的未来带来更多的可能性。最佳论文奖：灵巧手背后的卓越团队

来自麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）的三位成员——陈涛、徐捷以及博导Pulkit Agrawal，共同创造了引人注目的科研成果。他们成功研制出了获得“灵巧手”称号的机器人技术。

令人钦佩的是，陈涛与徐捷两位年轻才俊在2016年便开始了他们的学术之旅。他们分别自上海交通大学的机械工程及自动化专业和清华大学计算机科学与技术系毕业，带着扎实的学术基础和满腔热情加入了MIT CSAIL实验室。如今，他们在这里继续深造，师从于不同的教授，分别深入探索不同的研究领域。

陈涛的研究领域聚焦于机器人学习、操作和导航，而徐捷则擅长机器人仿真、设计协同优化与模拟现实。这两位年轻学者在学术上的互补性，为他们在灵巧手研究上的合作奠定了坚实的基础。他们的研究成果不仅展示了他们的学术才华，也预示了未来人工智能领域的无限可能。在他们的背后，是他们对科技的热爱和对未来的憧憬。他们的成功故事，无疑将激励更多的年轻人投身于科技领域，探索未知，创造未来。经过与CoRL会议后的深入交流，AI科技评论对陈涛及其团队的项目进行了详尽的了解。陈涛透露，他们的项目不仅为大家提供了一种独特的研究思路，更在灵巧手控制器的训练方面取得了显著进展。通过结合强化学习与模仿学习，他们成功训练出了具有高度智能的灵巧手控制器。

在实验中，这款机械手表现出了惊人的能力。即使在最为极端的情况下（如手面朝下），它也能轻松转动形状各异的物体。更令人惊讶的是，研究还发现，当灵巧手控制器达到足够的稳健性时，即使对物体形状一无所知，也能以高成功率将其转动到指定方向。

这篇论文中介绍的灵巧手拥有24个自由度，具有极高的通用性。通过无模型框架，它已经成功地重新定位了超过2000个形状不同的物体。这项技术的潜力巨大，为未来的智能机器人技术开辟了新的道路。陈涛及其团队的研究成果不仅引起了业界的广泛关注，也为未来灵巧手控制器的进一步发展奠定了基础。对于苹果、网球、弹珠等小型圆形物体，其操控成功率近乎达到了极致，高达近百分之百。面对勺子、螺丝刀或剪刀等更为复杂的形状时，成功率则降至大约百分之三十。显然，物体的形状对操作结果产生了显著影响。研究表明，这一差异源于物体形状的多样性，未来我们将针对物体形状进行更深入的模型训练。

这款灵巧手在性能上展现出了惊人的实力。它不仅能够在桌面平台上精准地重定向物体的方向，甚至在无需桌面支撑的情况下，也能在空中完成物体的重定向，其表现几乎与人类的手不相上下。

空中重定向，体验重力与手掌的舞蹈

在空中重新定向的动作中，我们必须考虑重力的影响，无论是手掌向下还是向上。想象一下，当我们试图在空中操控物体，就如同在调整自己的方向时，必须顺应地球引力的作用。这种灵活度，甚至可以与盘核桃相比，展现出手掌的无限可能。

在灵巧手研究领域，研究者们如群星璀璨，遍布全球。目前广泛应用的控制器，大多采用真空式吸盘或平行夹爪的形式。这些设计在抓取速度上优势明显，且装载系统成本相对较低。它们也存在明显的短板，那就是自由度和灵活度上的局限。

想象一下，如果我们手部形状固定如钳子，只能实现简单的打开和闭合动作，那么我们将无法灵活使用日常生活中的各种工具，如剪刀、螺丝刀等。这正是“灵巧手”研究所致力于解决的问题。他们致力于研发出更为灵活、自由度更高的手部设计，以模拟真实手部动作的细微和复杂性。通过这样的研究，未来我们或许能拥有如真人般灵活的机械手，使我们能够完成更多复杂的任务。

想象一下，未来的机器人走进我们的日常生活，熟练地为咱们处理琐碎的家务，比如清洗餐具、打扫房间和整理衣物等。现有的机器人还无法胜任这些任务，其中一个重要的原因便是缺乏灵活的机械手。对此，陈涛发表了他的观点。

那么，为什么研究灵巧手的物体重定向能力（即将物体转向目标方向）如此重要呢？其实，这是一项极为实用的技能。在生活中，许多动作如拧螺丝、开瓶盖等，都可以描述为物体在手上的位置变化，由水平变为竖直。如果机器人能通过灵巧手实现这一常见操作，那将能使用更多工具，解决众多应用场景的问题。

从机器人应对复杂场景的应用，到灵巧末端控制器的研究，整个转向过程既自然又合理。陈涛回忆道，灵巧手的研究始于他与导师Pulkit Agrawal的一次饭后闲聊，之后迅速推进，整个过程仅用了三到四个月的时间。尽管期间他还要为导师的新课程做助教，但实际上项目的进展周期更短。

在项目的推进过程中，徐捷的加入使研究更加完善。由于疫情的影响，真实机械手上的模拟操作变得困难。幸运的是，研究物理仿真的徐捷搭建了仿真环境，解决了在仿真环境中遇到的关键问题。

谈及灵巧手的研究方法时，陈涛表示，灵巧手的自由度很高，若采用传统的控制理论和动力学建模方法，项目进展将受到很大阻碍。因此他们采用了不同的策略推进项目。对于灵巧手这一高维度的控制系统，探索跳过建模步骤、直接采用无模型的强化学习来训练其完成任务是一种令人兴奋的可能性。经过一系列实验后，研究团队发现，如果仅依赖物体姿态、手指关节角及物体目标朝向的信息来训练控制器，学习过程将变得极为缓慢，且最终的成功率亦不够理想。那么，如何加快控制器的训练速度呢？

受2019年CoRL会议上一篇关于自动驾驶的研究论文的启发，他们意识到，虽然在最终的测试阶段希望控制器仅依赖于特定的信息，但在训练过程中，我们完全可以借助更多的辅助信息来加速学习过程。这些辅助信息就像驾校训练中的辅助线或辅助杆，帮助学员快速掌握技能，而后将这些技能应用到现实世界中。

在陈涛的比喻中，驾校学车的经历为我们提供了一个绝佳的范例。科目二训练中的辅助线和辅助杆，帮助学员快速掌握侧方停车的技巧。这些辅助信息在训练过程中起到了关键的作用，使学员能够更快地掌握停车方法并将其应用到现实之中。同样地，在灵巧手的训练过程中，研究团队也采用了类似的策略，借助额外的辅助信息来加快控制器的训练速度。一旦控制器掌握了相关技能，便可以逐步去除这些辅助信息，使其最终能够独立完成任务。这种方法的巧妙之处在于，它结合了强化学习与辅助信息的优势，既保证了训练效率，又确保了最终的控制器性能。在训练过程中，为了加速控制器的成长，我们注入了丰富的辅助信息，如物体的速度数据。成长的终极目标是要让控制器能独立运作，脱离这些辅助信息的束缚。为此，我们引入了知识蒸馏或模仿学习的策略。

我们将先前训练成熟的控制器视为“老师”，以其为榜样，开始培养第二个“学生”控制器。这个“学生”不需要额外的辅助信息，而是通过模仿“老师”的行为来自我提升。最终，这个“学生”控制器将变得非常聪明，能够操控机械手转动各种各样的物体。在测试中，我们成功地重定向了超过2000个形状各异的物体。

解决了灵巧手学习框架的问题后，我们面临的是模拟现实应用的挑战。想象一下，在现实生活中，手掌在完成任务时可能会面对各种方向，其中最具挑战的就是手掌朝下的情况。在这种情况下，我们不仅要操纵物体，还要应对重力带来的挑战，防止物体因重力而脱落。

陈涛提到，通过实验测试我们发现，现有的框架基础坚实，只需在每次物体转动开始时为其提供正确的初始姿态和手指关节角度。这些初始值应使手指在初始时刻就能接触到物体。但由于物体的形状复杂多样以及灵巧手状态空间的维度较高，难以通过传统方法如运动学逆解来获取这些宝贵的初始值。为了解决这一问题，他们首先研发了一种借助桌子向下抓取物体的控制器。在成功抓取后，这一控制器便自然地获得了一个理想的初始姿态。在此基础上，他们利用先前构建的框架进一步训练该控制器。

经过这样的训练，他们发现灵巧手在朝下转动物体的成功率大约在50%。尽管这个成功率与人相比已经相当高，但他们仍希望进一步提高。陈涛做了一个有趣的类比，如果你闭上眼睛，试图用手掌朝下将一个形状不规则的物体转向特定方向，你的成功率会有多高呢？

为了进一步提高成功率，他们考虑了物体重力的影响。为此，他们采取了一个创新的策略：先在无重力的真空环境中让机械手进行训练。当机械手学会如何转动物体后，再逐渐引入重力加速度，并继续训练控制器，直到它在正常的重力环境下也能灵活地转动物体。他们称这个策略为「Gravity Curriculum」（重力课程）。

最终，这个项目带来了一个令人惊喜的发现：无论是机械手朝上还是朝下，他们都能成功地训练出一个控制器，使机械手能够在不知道物体形状的情况下，任意转动形状各异的物体。这正是论文中所提到的“无感官预训练”。

随着会议的圆满落幕，研究之路却仍在继续前行。陈涛表示团队将继续开展拓展工作，将仿真器中的控制器成功迁移到真实的机械手上。他们期待在真实机械手上实现灵活操控各种物体的目标。若未来有研究者将视觉和触觉信息融入这款灵巧的机械手中，进一步提高其成功率，那么它在真实环境中的表现将更令人期待。

展望未来，这款机械手将拥有更广泛的应用前景。无论是集成到真实的机器人系统中，还是在物流和制造业中的实际应用，如物体打包、插槽装配等任务，亦或是在家庭场景中处理日常杂物，它都将发挥巨大的作用。这款机械手无疑将使我们与机器人的距离更近一步。

今年CoRL的研究亮点中，“无模型强化学习+模仿学习”这一组合成为一大看点。简单来说，研究者们正在探索一种新型的机器人技术，该技术结合了无模型强化学习与模仿学习两大方法。通过这种方式，机器人能够在执行任务时更加智能和灵活。基于视觉、触觉等多感知的机器学习系统也是当前研究的热点之一。这两种方法的研究和应用将为机器人技术的发展开辟新的道路。为何“无模型强化学习+模仿学习”成为热门组合？这背后其实反映了研究者们对机器人进化结果的深度关注。

想象一下ANYmal机器狗在现实环境中的在线进化，它不断地适应环境，获取反馈，持续进步。与此陈涛团队的灵巧手研究则选择了先在仿真环境中进行训练。他们利用模仿学习逐步提升其泛化能力，并最终将所学应用于真实的机械手上，观察其迁移性能。

这两种研究路径各有千秋。ANYmal机器狗的研究强调在现实环境中的进化，追求更真实的反馈数据，让机器“狗”更适应环境。而陈涛团队则更注重在仿真环境中的训练，通过模仿学习让机器人手逐步适应真实世界。

探究无模型强化学习：今年的CoRL会议上的新星，它的魅力何在？

想要揭开无模型强化学习的神秘面纱，首先得了解强化学习的基础。

强化学习，作为机器学习领域的三大学习范式之一（与监督学习、无监督学习并肩），它的独特之处在于通过与环境进行互动来学习，最终目标是实现累积收益的最大化。在强化学习的大家族中，又分为模型化强化学习和无模型强化学习两大派系。

模型化强化学习算法，可以看作是智能体通过与环境的交互获取数据，然后这些数据被用来学习和构建一个模型。这个模型就像是一个智能体的“导航”，让它能够根据模型利用强化学习算法优化自己的行为。

那么，无模型强化学习又是怎样的存在呢？与基于模型的强化学习相比，无模型强化学习则显得更加“自由自在”。它没有固定的模型束缚，更加注重实时的环境反馈。这种灵活性使得无模型强化学习在某些复杂、动态变化的场景中更具优势。

基于模型的强化学习算法的优点在于其“数据效率”。由于智能体利用数据进行模型的拟合，它能够充分发掘数据的潜力。一旦模型构建完成，智能体就能够依据这个模型去推测那些它未曾涉足的区域，实现了数据的最大化利用。这也使得智能体与环境之间的交互次数大大减少。简而言之，基于模型的强化学习算法就是“数据高效”的代名词。

如此看来，无模型强化学习在今年的CoRL会议上备受瞩目，并非偶然。其灵活性和适应性，使其在应对复杂、动态环境时更具优势，未来的应用场景也将更加广阔。探寻强化学习的双重路径：从模型到无模型的演变与挑战

让我们深入探究基于模型的强化学习算法的内在逻辑，其过程虽然严谨，但缺陷也显而易见。模型的拟合过程中存在的偏差，使得这一类型的强化学习算法无法保证最优解的渐近收敛。这就像是在寻找一条通往目标的确定路径，但这条路径上总有一些未知的陷阱和偏差，使得我们难以稳稳地到达终点。

相比之下，无模型强化学习则是一个完全不同的世界。智能体通过与环境的实时交互来感知和认知世界，没有固定的模型作为指南。陈涛的研究中用到了2000个形状各异的物体进行仿真训练，虽然这样的交互次数使得无模型强化学习的效率相对较低，且难以直接应用到真实的物理环境中，但其背后的逻辑却为我们打开了一扇窗。

这扇窗背后，是无模型强化学习算法的渐近收敛性质。就像是在迷雾中摸索，虽然过程艰辛且漫长，但只要我们持续与环境交互，智能体总能找到最优解，达到目标。这是一种不同于基于模型的强化学习的稳健性质，一种即使面对复杂和不确定也能找到解决方案的能力。

由此出发，我们可以开始探索提高训练速度的方法。添加更多的辅助信息，利用知识蒸馏技术去除冗余，先做加法。这个过程就像是给机器学习的训练过程添加燃料，使其更快、更有效地前进。

而随之而来的，是泛化问题。训练出的模型能够在仿真环境中表现出色固然重要，但机器学习的最终目标是让模型在现实环境中也能表现出强大的泛化能力。师生模仿学习在这一阶段显得尤为重要，它像是给模型注入了一种“适应力”，使其能够从仿真环境顺利过渡到现实环境。通过这样的方式，我们不仅能够让模型在虚拟世界中表现出色，更能在真实世界中发挥其价值。对于小数据模型受到追捧的现象，可以从近年来的技术研究范式中寻找到答案。科学家们逐渐认识到大数据研究的繁琐和泛化能力弱的问题，包括数据搬运和数据标记的劳累。随着认知神经科学等学科的参与，生物进化思想逐渐渗透到智能体迭代的研究中。科学家们意识到，机器人研究不仅要关注机器本身，还要关注人类学习的方式。只有将机器人置于环境中进化，才能学到人类最根本的学习范式——经验学习。这种转变意味着研究者开始反思机器人技术与自身数据化生存的关系，这是他们走出研究困境的第一步。

技术并非孤立存在。将机器人置于环境进化中，其背后的科学家们也正处于一场科技浪潮之中。随着人工智能技术的飞速发展，机器人技术已经成为当今社会最热门的研究领域之一。科学家们在这场浪潮中不断挑战自我，探索未知，推动着机器人技术的不断进步。机器人技术的快速发展离不开科学家们的努力和创新精神，他们正在以不断进化的技术和不断适应环境的能力推动着科技浪潮向前发展。进入后疫情时代，关于机器人的故事仍在继续。尽管疫情尚未结束，它依然以不可忽视的方式影响着我们的日常生活，也深刻地影响了机器人的前端研究。

在这个特殊的社会环境下，机器人技术迅速发展的两大领域——工业和医疗，已经展现出了巨大的潜力。在早期阶段，机器人主要作为人类感官的延伸进入市场，如医疗手术机器臂等，它们以“机械”的名义在人类社会中发挥着越来越重要的作用。

随着疫情的蔓延和社交距离的需求，机器人的角色再度转变。它们开始以更加灵活、智能的方式出现在我们的生活中，如用于仓储分类、干线运输和清洁服务的机器人等。这些机器人如同在战场上驰骋的战车，展现出强大的组织调度能力，进一步延伸了人类的活动范围。它们不仅在结构化场景中表现出色，更在面向非结构化复杂场景的机器人研究中展现出巨大的潜力。

在这一阶段，机器人技术正在以前所未有的速度迭代和进步。随着硬件市场规模的持续增长，机器人的底层研发逻辑也在发生改变。它们正越来越接近人类的生活场景，逐渐融入到我们的日常生活中。未来，我们有理由相信，机器人将在更多领域发挥更大的作用，帮助我们应对疫情带来的挑战，同时创造更美好的生活。在这个充满变革的时代，让我们一起期待机器人的未来吧！随着第三阶段的到来，机器人的研发模式正在经历一场深刻的变革。一方面，机器人本体的设计越来越呈现出拟人化的趋势，仿生机器人的出现便是这一变化的生动体现。它们不仅模仿生物的骨骼结构，更在外观设计上不断突破，让我们仿佛看到了未来与人类无异的高级机器人。与此机器人的智力也在发生融合，它们开始通过“耳目口舌”等多模态信息与环境进行交互，展现出越来越强的自主性。

当前，机器人本体控制与软件算法的快速融合，正在不断拓展机器人的能力边界。换句话说，这正在不断推动机器人可商业化场景的扩大，使得机器人能够自主执行的任务越来越多样化。

回顾疫情时期，这个特殊的非常态环境为机器人研发搭建了一个独特的舞台。它推动了前端研发向多模态和环境进化方向发展。在这个时期，越来越多的企业纷纷涉足机器人领域，犹如在这个舞台上疯狂舞蹈的舞者。他们不仅将视线聚焦在“最后一公里”，更迫使科学家专注于机器人技术的实用性，推动了机器人智力升级的步伐。

在这场研发之战中，房间内打墙的做法虽然让道路更加狭窄，但也使得我们的目光更加聚焦。当我们找不到前进的道路时，只有唤醒体内所有的潜能，才能在头顶破开一丝光明。

疫情后的第二年，CoRL的研究成果也验证了这一点。多模态已经成为通向机器人智慧的新路径。无模型框架的出现，让机器人技术得以更快地走出实验室，走进我们的日常生活。我们期待着这一技术的进一步发展，为机器人产业的未来创造更多的可能性。技术，归根到底，是为人类服务的。而在竞争的最后一公里，其精细化和想象力更是达到了前所未有的高度。

亿欧智库对中国商用服务机器人及其细分市场进行了深入研究，预测到2025年，中国商用服务机器人市场规模将突破千亿元。其中，商用清洁机器人将呈现持续高增长，终端配送和讲解引导机器人也将分别达到约数百亿元规模。相较于工业机器人，服务机器人与人的距离更近，应用范围更广，商业化程度也更高。

尽管疫情自2019年12月以来常态化，但后疫情时代并未对机器人的前端研究产生显著影响。而对于无模型强化学习领域而言，如何在数据量庞大的情况下提高数据利用率和学习效率成为当下研究的重点。这种学习方法需要大量的训练样本和训练时间，因此如何提高效率成为关键。随着技术的不断进步，我们期待这一领域能取得更大的突破和进展。在CoRL的研究领域，三种核心模式展现出了独特的魅力与侧重。其中，仿生机器狗聚焦于无模型强化学习在环境交互中的收敛性能，展现其实战能力；灵巧手则致力于研发最易融入机器人系统的先进封装模块，推动技术的无缝衔接；视觉触觉研究则是多模态领域不可或缺的一环，助力机器人感知世界。这三块内容，如同明日之星，引领着机器人产业的产学研发展方向。明年的机器人领域，又将涌现哪些新的突破与创新，都离不开这三者的光芒照耀。