
福特的送货机器人终于有腿啦!
福特近日宣布,给自家的自动送货车将配备有双腿的机器人Digit,这样就可以真正实现全自动送货上门啦。
Digit是Agility Robotic研发的类人机器人,今年早些时候就登上IEEE Spectrum杂志封面。它比普通机器人更加灵活,能够在崎岖不平的地面上行走、还能爬楼梯、可携带20公斤的包裹。
福特表示,Digit可以将包裹放到你家门口,弥补了自动驾驶汽车无法覆盖的最后几米。福特计划在2021年推出一项自动驾驶汽车服务。
虽然不是完全自主运行,Digit的表现也堪称完美。它是通过“步行到这个位置”、“爬楼梯”和“放下盒子”等命令进行远程操作的。
视频演示中,当福特汽车到达客户家后,Digit会从后备箱里出来,抱着包裹送到客户的家门口,期间避开了倒在地上的滑板车还上了台阶,最后把包裹妥妥的放在客户门前。
虽然在拍摄的过程中,Digit未曾摔倒,但对机器人来说,更大的挑战当然是要在各种各样的环境中都能很好地完成这一任务,比如斜坡、不同类型的楼梯、杂草丛生的庭院、大门和任性的宠物,以及挡路的宠物和小孩。
汽车作为基站为Digit提供了多种优势。Digit可以携带一块较小的电池,因为它会经常返回汽车充电。虽然有摄像头和激光雷达,但Digit可以从汽车上获得帮助来绘制地图和规划路径。福特表示,这是一个优势,因为它的自动驾驶汽车配备的传感器和计算机比数字单独携带的功能强大得多。
Digit本身具备足够的感官能力来应对日常情景。如果遇到意外的障碍物,它可以将图像发送回汽车并让汽车找出解决方案。汽车甚至可以将这些信息发送到云端,并要求其他系统帮助Digit导航,在提供多种额外帮助的同时保持机器人的轻便和灵活。
Digit将坐在福特自动送货车的后面,每到达一个地方都展开自己来送货。机器人将依靠汽车为其电池充电,以及感知、计算和连接资源。
想要进一步了解Digit的朋友,下面分享一段对Agility Robotics首席执行官Damion Shelton的采访:
问:卸载自主导航所需的传感和计算是一个非常有趣的想法。你能分解一下机器人将要做什么以及车辆将要做什么吗?
答:确切的划分还没有确定,但基本的想法是将需要实时(或接近)运行处理的东西放机器人身上,将其他任务放在车上。比如说脚步的放置、低位置姿势控制、之前训练过的RL行为的执行以及3-5步的路径规划等可以放在机器人身上;地图的存储和检索、RL行为的训练以及在部署过程中机器人全局姿态(global pose)的初始化等可以放在汽车上。我们认为,全局姿态的初始化实际上是汽车最有用的功能之一。如果没有这一功能,Digit每次下车都需要从零开始构建一个当地模型。
问:拥有能够机械地穿越半结构地形的双足机器人和拥有能够在没有人监督的情况下在半结构地形中可靠运行的双足机器人通常是两码事。您将如何培养在现实世界中使用Digit的信心,以及您需要解决的最大挑战是什么?
答:我们很长一段时间内都不能指望没有人的监督就可以操作。不过这将随着时间的推移而好转;最初,我们希望在机器人工作的时候有一个人在附近。当我们确定机器人在特定地理围栏的表现可靠后,直接监控就可以用“呼叫中心”式的中央监控取代,但这至少需要几年时间。从数据收集和硬软件的持续改进的角度来看,在不久的将来需要监控并不是件坏事。特别是在协作应用中,比如机器人是送货司机的劳动助手,让一个人监控机器人的额外成本几乎是零(因为司机现在已经在做这项工作了)。
问:Digit可能会遇到像人或宠物这些不确定的、动态的障碍物。当存在各种不可预测的极端情况时,拥有可靠的自主性要有多少顾虑呢?
答:从测试部署的角度(数十到数百个机器人的规模)我们的计划是避免我们无法处理的极端情况,并让恰当的不确定性混入以保持我们的研发向前发展。从2020年初开始的前12到18个月的测试,我们预计将进行预建图并使我们进行测试的所有环境都合格。这是大多数自动驾驶汽车公司所做的:在一个你懂的区域建地理围栏,并在扩张前在那里游刃有余。当然,在初期我们不能解决世界上的大多数“难题”,但我们不认为这是部署的障碍。我们不需要解决最困难的情况,因为即使是最简单的0.1%的市场相对于任何可能的持续增长率都是巨大的。
但这并不是为了将极端案例的难度最小化。您说的完全正确,现实世界中的可靠性很有挑战,我们希望通过尽快将Digit在真实环境下测试来收集那些困难挑战的数据,即使我们(还)没有可部署的解决方案。
问:Digit能直接与人类互动吗?这些交互将会是什么样的?
答:除了与机动性相关的问题外,我们并不是特别关注人机交互问题。在一个完美的世界里,Digit可以融入环境,交互主要是非语言的。你知道,有一个姿势的心理模型、步态动力学等,其他行人不会在人行道上碰到你。我们经常考虑这些动态提示,但没有计划将Digit变成一个机智的对话者。这就是说,Digit将有一个扬声器和一个灯光显示器,这两个都可以用来向外界提供最低限度的反馈。
问:这是您在设计Digit时想到的应用吗?您还想看到Digit做什么?
答:是的,至少我们从一开始就相信Digit最初的市场将是物流。这个市场需要腿部灵活(至少在我们关注的领域),而不需要超级先进的人工智能(在“简单”的环境中)、FDA认证(例如在家里为老年人提供帮助的机器人)或在严酷的环境操作(例如消防)。基本上,如果你能带一个箱子随便移动,你已经解决了物流中最基本的问题。
快递服务是一个飞速发展的大行业,它也使我们能够从第一天起专注于一个可盈利且有用的领域。机器人通常瞄准的许多“枯燥、肮脏、危险”的工作,这些工作挑战性大但相对使用率低。作为灾难恢复、搜索和救援等的工具,腿已经被讨论了多年,但这些都是非常具有挑战性的环境,很难将业务案例合理化。相反,如果我们有一支Digit团队,通过在最后一英里环境中的大量培训学习如何在世界中穿梭,然后同时拥有商业部署的成本压力和规模经济,那么我们能够在更专业的市场上提供具有竞争力的产品的几率就会大大提升。
对于Agility这个已经从Playground Global等投资者那里筹得了超过800万美元的公司来说,与福特的合作是一个重要的里程碑。正如Agility的首席技术官Jonathan Hurst在其Spectrum文章中所描述的那样,快递是该公司在寻求将其双腿机器人商业化时所设想的应用之一。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13