「維他動力」深度解析首款產(chǎn)品：用最少的傳感器，做最妙的融合

對話人物簡介：

余軼南/ 維他動力創(chuàng)始人兼CEO，前地平線智能駕駛總裁。

趙哲倫/維他動力聯(lián)合創(chuàng)始人、產(chǎn)品&市場負(fù)責(zé)人。

宋巍/維他動力聯(lián)合創(chuàng)始人兼工程負(fù)責(zé)人。曾任地平線軟件平臺總架構(gòu)師、智駕創(chuàng)始團(tuán)隊成員。

2023年，具身智能領(lǐng)域出現(xiàn)了一個非常重要的信號——如果端到端能實現(xiàn)自動駕駛， Then what’s next？

“如果你認(rèn)為它能夠改變機(jī)器人的未來，就應(yīng)該跳進(jìn)去將它真正實現(xiàn)出來?！?/p>

于是，余軼南、趙哲倫和宋巍，在2024年成立了維他動力。

在他們看來，這個行業(yè)里很多的玩家，要么是聚焦于做硬件，要么聚焦于做AI，而從「維他動力」的名字就能看出來，他們要將兩件事兒合在一起做。

「維他」指的是智能生命，「動力」則是指運動性能。

他們的目標(biāo)，是要在5年內(nèi)讓機(jī)器人大規(guī)模進(jìn)入家庭辦公和服務(wù)場所，并能提供高質(zhì)量服務(wù)；而長期目標(biāo)，是在10-20年內(nèi)，成為全球前三的智能機(jī)器人公司。

機(jī)器人的集成水平，已超越汽車

在集成化的演變中可以看到，過去的很多機(jī)器人，需要把負(fù)責(zé)不同功能的板卡集成到一個機(jī)器人中，占用了很大的空間。而如今，機(jī)器人的集成度已經(jīng)走到了汽車前邊。

“今天的整車電子電氣架構(gòu)，分為底盤域，智駕域，交互域；下一代的汽車才會走到智能本體+智能交互，機(jī)器人產(chǎn)業(yè)其實已經(jīng)比汽車行業(yè)往前走了一步。”余軼南說道。

目前，維他動力為機(jī)器人構(gòu)建了兩個核心域——智能本體域、智能交互域。

得益于這種集成化的架構(gòu)，維他動力的首款產(chǎn)品——Vbot智能伴隨機(jī)器人,可以配置當(dāng)前同尺寸機(jī)器人中最大容量的電池組。其樣機(jī)續(xù)航已從1-2個小時提升至4小時，上市前可接近700Wh，能支持一天使用。同時，它在關(guān)節(jié)模組、能量扭曲密度方面也得以提升。

“高度集成化最大的好處，就是把空間預(yù)留出來了。原來的四足機(jī)器人，肚子里要放好多塊板子，可能每條腿都需要各自運算。但今天我們產(chǎn)品的兩塊芯片一塊是在頭部，一塊在身體里，可拓展空間更大?！壁w哲倫說道。

簡化傳感器，不只為降本

維他動力的主要傳感器采用了前視雙目攝像頭+一顆禾賽JT系列激光雷達(dá)。余軼南介紹稱，人的視角大概為150°左右，但是通過頭部左右運動可擴(kuò)展至180°-320°，上下視角可擴(kuò)展到200°?；诖?，其首款產(chǎn)品大幅簡化了傳感器的數(shù)量。

這不僅能帶來你在硬件成本的降低，也能讓算力實現(xiàn)更好的覆蓋。

“我們比主流高端智駕的每百萬像素算力，提高了3-8倍，這樣也會讓機(jī)器人在感知方面能夠做得更好。”

趙哲倫表示，中階智駕基本需要6顆攝像頭覆蓋全車，高階智駕則需要12顆攝像頭，因為它需要廣角和長焦的組合才能覆蓋全車，這樣分配到每百萬像素上的算力其實是非常有限的。

“所以我們在一開始去考慮機(jī)器人的長期架構(gòu)時，就希望精簡?！?/p>

同時，基于視覺在暗光、異形障礙物的局限性，維他動力也為機(jī)器人補(bǔ)充了的專用的360°激光雷達(dá)。

Agent架構(gòu)&全模態(tài)交互

“由于人與機(jī)器人的距離通常比手機(jī)、電腦都遠(yuǎn)，所以人與機(jī)器人最好的交互方式，就是自然交互?！?/p>

在交互方面，維他動力設(shè)置了一套面向機(jī)器人的Agent架構(gòu)——以用戶的語言輸入，來觸發(fā)Agent大腦的部分，讓機(jī)器人對上下文做出正確的響應(yīng)。

在表達(dá)情緒方面，Vbot機(jī)器人不僅能傳達(dá)眼神，還會伴隨不同的聲音音調(diào)，以及肢體動作。

“我們認(rèn)為機(jī)器人應(yīng)該是一個全模態(tài)的交互方式，在感知層面，你的視覺、聽覺還有觸覺都能夠作為input，在Agent架構(gòu)里進(jìn)行分析，然后通過我們的屏幕、肢體和揚(yáng)聲器，以及機(jī)器人耳朵上的指示燈去表達(dá)情緒?！?/p>

趙哲倫指出，在《溫暖的科技》一書中，提出在整個表達(dá)情緒的構(gòu)成中，55%是靠肢體語言，38%靠語氣，只有7%才是靠語言。因此，Vbot智能伴隨機(jī)器人也會通過多模態(tài)來表達(dá)驚訝、勇敢、害怕、開心，驚喜等情緒。

現(xiàn)在，多數(shù)機(jī)器人都以語言對話作為交互方式，但維他動力堅持不讓機(jī)器狗「說人話」，而是用一種可愛的聲調(diào)強(qiáng)調(diào)其動物屬性。

余軼南稱，團(tuán)隊專門探討過「說人話」的問題，但被否決了。他們認(rèn)為特征應(yīng)高度符合屬性，一旦讓它說人類語言，就「出戲」了。

關(guān)鍵一步：甩掉遙控器

余軼南認(rèn)為，不管是對于自動駕駛還是機(jī)器人，快系統(tǒng)+慢系統(tǒng)、大腦+小腦結(jié)合的方式，都會是未來的主流技術(shù)架構(gòu)。

據(jù)介紹，維他動力為機(jī)器人開發(fā)了一套1b左右的中小規(guī)模VLA模型。它主要接收Agent對任務(wù)的需求，同時接入對環(huán)境感知以及機(jī)器人本體的信息。

“它的輸出包括思維鏈、各種各樣的Action、對于環(huán)境的感知識別和響應(yīng)，以及進(jìn)行環(huán)境的探索…這也是一套快慢思考的雙系統(tǒng)?！庇噍W南介紹道。

同時，維他動力也利用世界模型，讓機(jī)器人在數(shù)字環(huán)境中學(xué)習(xí)：“我們可以做4000多個類似的環(huán)境，然后在一個GPU上同時去跑。”

在數(shù)字環(huán)境中，不僅能夠模擬一些隱患問題，還能模擬所有的傳感器，包括像攝像頭，激光雷達(dá)，還有本身的IMU等等。

“無人駕駛跟輔助駕駛的最大區(qū)別，應(yīng)該是有沒有方向盤?！庇噍W南表示，在機(jī)器人這里，「甩掉遙控器」是自主移動的關(guān)鍵一步。

他指出，在有遙控器的情況下，事實上是遙控器承擔(dān)了對環(huán)境的感知，如果沒有遙控器的話，就需要機(jī)器人本身去感知。實現(xiàn)這一目標(biāo)的最大壓力，是系統(tǒng)對于環(huán)境本身的理解。

要想甩開遙控器，就需要將機(jī)器人身上的攝像頭像素、激光雷達(dá)點云融合進(jìn)一個AI網(wǎng)絡(luò)，然后去產(chǎn)出對環(huán)境的理解。這也是維他動力選擇了遠(yuǎn)大于其他四足機(jī)器人的算力平臺的原因。（地瓜機(jī)器人S100P計算平臺，最高算力128TOPS）

在設(shè)計上花費最多精力

“‘機(jī)器人設(shè)計’這個Topic，其實至今還很少被深入討論，但卻是我們花費精力最多的部分。”

趙哲倫認(rèn)為，設(shè)計應(yīng)當(dāng)是機(jī)器人最核心的部分。如今的機(jī)器人風(fēng)格都比較偏工業(yè)，還有一些則偏玩具化，更像低齡化產(chǎn)品。另外，有一些機(jī)器人只能在室內(nèi)行走，有的能戶外行走卻沒法上臺階。

所以，維他動力為他們的機(jī)器人作出了如下定義：

1、全地形運動能力；

2、不能過于玩具化，而是要找到「友善的平衡」。

3、全圓角設(shè)計，使用更高級材質(zhì)提高品質(zhì)等等；

4、簡約設(shè)計，未采用過多色彩，遵循黃金分割比例；

除了工業(yè)設(shè)計，維他動力還有來自游戲、動畫行業(yè)的動畫師，依據(jù)迪士尼的12個動畫原則，表達(dá)機(jī)器人的情緒。

“我們覺得第一款產(chǎn)品的高度不能比孩子高，這樣整體會顯得更有親和力。另外，其實我們也做過人形機(jī)的調(diào)研，但是感覺人形進(jìn)家還是有挑戰(zhàn)的，因為它帶來的風(fēng)險還是比較高的：如果它在你家的某個地方摔了，有可能帶來的損失是用戶不可接受的，所以我們先以一個體積更小、重量更小的機(jī)器人去做嘗試?！?/p>

外接功能擴(kuò)展

和很多機(jī)器人一樣，Vbot智能伴隨機(jī)器人也可以通過多個物理接口擴(kuò)展功能。例如，它的背板上可以插一個筐，用來背東西。同時維他動力也專門設(shè)計了1/4的螺母，便于安裝360°的環(huán)視攝像頭，實現(xiàn)跟拍功能。

“它本身有很強(qiáng)的負(fù)載能力，不光是背東西的負(fù)載，也包括拖東西的負(fù)載。它還可以用拾球器去撿網(wǎng)球，通過各種各樣的連接工具與世界互動。”

至于未來要不要給它增加夾爪，余軼南表示，增加夾爪討論最多的不是技術(shù)問題，而是外觀造型問題。如果要上夾爪，就必須看不起不突兀，能和造型融為一體。

明年將進(jìn)軍海外

在維他動力看來，海外市場的「大House家庭」，通常具備庭院和上下層，Vbot智能陪伴機(jī)器人的點到點運載能力在這里將得以發(fā)揮。

“明年，我們會進(jìn)到海外。在歐美的大家庭中，雖然房子面積很大，但家里裝電梯的、有傭人的還是非常少的，所以我們認(rèn)為四足機(jī)器人會成為一個House的標(biāo)配。”

今年年底，維他動力首款產(chǎn)品將迎來上市。之后在次年1月份的CES上，該公司也會開啟海外政策。

“我們會確保在明年春節(jié)以前，通過量產(chǎn)產(chǎn)線出來的機(jī)器人能就交付到家庭里，進(jìn)入到我們的生活中。”

長期記憶的必要性

“去爸爸的房間”“去書房給媽媽送杯水”...這些簡單的指令，意味著機(jī)器人需要對用戶家庭關(guān)系、空間、信息形成長期記憶。

“長期記憶是必須做的，過去的汽車行業(yè)已經(jīng)做了大量嘗試，包括聲紋識別等等。但由于車沒有強(qiáng)調(diào)角色屬性，所以大家的體感可能不是那么強(qiáng)。但我發(fā)現(xiàn)長期記憶對于機(jī)器人來說非常必要，不然它很可能聽了陌生人的指令，造成用戶困擾。”

趙哲倫稱，在信息層面的長期記憶，主要依靠對大語言模型的上下文關(guān)鍵信息記憶，比如家庭角色、職業(yè)，甚至用戶最近在焦慮的事情等等。

“我們認(rèn)為機(jī)器人的產(chǎn)品化過程中，至少應(yīng)該有這三維的記憶：空間、人物角色，上下文關(guān)鍵信息。”

最后，趙哲倫表示，維他動力這半年的融資已經(jīng)達(dá)到了3億元，這些資金足以支撐首款機(jī)器人的規(guī)?；慨a(chǎn)，并可以保證產(chǎn)品交付。

“目前，工廠的搭建及試制都在進(jìn)行中。對于第一款產(chǎn)品來說，這一套流程的周期會比較長。我們需要更多的試制的過程，讓產(chǎn)品質(zhì)量變得更好。在今年的10月到12月之間，我們會開啟產(chǎn)品早鳥內(nèi)測?！?/p>