今天开始，人类离帮忙做家务的机器人，又近了一步！
Meta宣布推出Habitat 3.0，目的是开发出社会化的AI智能体，这意味着社交智能机器人已经进入新的里程碑阶段。
这些具身智能背后的关键，当然就是AI Agent。有了它们，机器人可以和人类协作，帮人类完成日常任务。
论文地址：https://ai.meta.com/static-resource/habitat3
项目地址：https://github.com/facebookresearch/habitat-lab/tree/v0.3.0
其实，Meta在今天同时宣布了三项重大进展——
1. Habitat 3.0是第一个支持在多样化、逼真的室内环境中，就人机交互任务进行大规模训练的模拟器。
它能同时支持机器人和人形化身，让人类和机器人在家庭环境中协作，比如帮忙打扫房间。
2. Habitat合成场景数据集（HSSD-200），是由艺术家创造的三维数据集，包含211个场景中466个语义类别的18,000多个对象。
HSSD-200在同类数据集中质量最高，可以训练导航智能体，对物理世界三维重建场景的泛化效果非常好，使用的场景数量也要少两个数量级。
3. HomeRobot则是一个家用机器人助手硬件和软件平台，非常经济实惠，机器人可以在模拟和物理世界环境中，执行开放的词汇任务。
在大规模学习上，Habitat 3.0在单GPU上每秒可以完成超过1000步。
网友：能干家务的机器人什么时候出来
网友们表示：这是机器人技术的重大飞跃。
还有人感慨：这是非常高级的模拟人生游戏。
已经有人期待在Meta Quest VR中体验 Habitat 3.0了。
Dream一下，家政辅助机器人应该不远了。
Habitat 3.0
利用Habitat 3.0，Meta不仅在外貌和姿势上对人类进行了真实的模拟。
而且，还支持从简单（如行走和挥手）到复杂（如与物体交互）等各种类型的动作，并兼容动捕。
此外，虚拟化身还可以通过程序进行控制，并且不会出现性能下降——人-机模拟速度跟机器人-机器人模拟速度类似。
人在回路
Habitat 3.0的另一个关键特征，就是「人在回路」了。
通过鼠标、键盘或VR，我们可以实现效果惊人的人机交互控制。
完成任务后，系统会收集机器人的策略和数据，并进行人机交互的评估。
社交任务
此外，Habitat 3.0还可以模拟多种真实的社交场景。
比如在被称为社交导航的任务中，机器人需要在保持安全的同时找到并跟随人类。
在另一项任务中，机器人需要和人类共同协作，完成诸如整理房间的任务。
这时人和机器人需要分别走到目标位置，其中，机器人需要想办法尽可能高效地和人类共同实现这一目标。
经过训练的机器人，可以实现各种社会行为！
除了能和人类保持安全距离外，机器人还会在必要时自己后退，给人类留出走路的空间。
让AI智能体在真实世界和人类互动
以往，当我们想到AI助手时，想到的通常是基于网络的聊天机器人，或者智能扬声器。
而Meta的研究者们一直希望实现具备通用智能的具身AI Agent，让它们可以感知环境，在数字和物理世界中和人类沟通、帮助人类。
其中一个愿景，就是做出全天可穿戴的AR头显，供人类使用。
另外，研究者们还在改进社交智能机器人背后的技术，让它们帮人类干家务，还能适应人类对于伴侣要求的个性化偏好。
工作主要集中在深入研究嵌入式系统，让下一代的AR和VR体验更佳。
不过，在物理硬件（无论是机器人还是AR眼镜）上与真人一起训练和测试具身AI智能体，会有一些可扩展性限制，还可能存在安全问题。
这就需要建立标准化的基准程序。
因此，Meta的研究者们开发了一套新工具，用于跨模拟器、数据集的机器人研究。
他们还开发了一个包含软硬件的技术堆栈，让这方面的研究更容易，也更实惠。
为了快速提高机器人能力，研究者在模拟器中开发和测试新的算法和模型，然后移植到实体机器人上。
几年以来，Habitat模拟器取得了许多显著的进步。
在Habitat 1.0训练的虚拟机器人，能以每秒超过10,000步（SPS）的速度，在物理世界房屋的三维扫描中导航。
Habitat 2.0 引入了交互式环境（例如，可拿起的物品、可打开的抽屉），并训练虚拟机器人通过重新排列物品来清理房屋。
Habitat 3.0在此基础更进一步，能够同时支持机器人和人形化身，实现人机协作完成日常任务，比如整理客厅、在厨房准备食谱。
这就开辟了新途径，研究人类与机器人在多样化、逼真、视觉和语义丰富的任务中的协作。
另外，Habitat 3.0还支持具有逼真外观、自然步态和动作的人形化身，可以模拟逼真的低级和高级交互。
这些人形化身既可由学习到的策略控制，也可由真人通过「human-in-the-loop」界面进行控制。
这个界面支持键盘、鼠标以及VR头显。
人与机器人在模拟环境中的共存，使人类能够首次在类似家庭的环境中，在有人形化身存在的情况下，学习机器人AI策略，完成日常任务，并对其进行评估。
这无疑具有重大意义——
1. 强化学习算法通常需要数百万次的迭代，才能学习到有意义的知识，因此在物理世界中进行这些实验可能，需要数年时间。
而在模拟实验中，几天就能完成。
2. 在物理世界的不同房屋中收集数据是不切实际的，因为这需要将机器人移动到不同的地方，还要设置环境。
而在模拟中，可以在几分之一秒内改变环境，然后立马在新环境中开始实验。
3. 如果模型没有训练好，机器人就有可能破坏环境，或者伤害物理世界中的人。
而模拟器能够让研究者在安全的环境中测试方法，然后再将其部署到物理世界中，这样就保证了安全。
4. 当今最先进的AI模型，需要大量数据进行训练，而模拟使研究者能够轻松地扩大数据收集规模。
而在物理世界中，数据收集的成本可能相当高，速度也会很慢。
而且，研究者还提出了两个高度相关的任务和一套基准，以建立社会化具身AI领域的基准。
第一个任务是「社交整理」，涉及机器人和人形化身协同工作，执行一系列拾放任务，比如清理房屋。
在这项任务中，机器人和人类必须协调行动，以实现共同目标。大规模的模拟训练后，就会产生这种智能行为。
第二项任务是「社交导航」，让机器人在保持安全距离的情况下，定位并跟踪一个人。
Habitat合成场景数据集
三维场景数据集对于在模拟环境中训练机器人来说至关重要。
目前，虽然已经有不少数据集可支持对训练数据进行扩展，但我们并不了解数据集规模与真实性之间的权衡。
为此，Meta推出了一个全新的合成三维场景数据集——HSSD-200。
它由211个代表实际室内环境的高质量三维场景组成，包含了来自466个语义类别的18,656个物理世界物体模型。与之前的数据集相比，更加接近真实的物理场景。
具体来说，HSSD-200提供了更高质量，且完全由人工制作的3D室内场景，并包括了与WordNet本体相对应的细粒度语义分类。
此外，HSSD-200的资产压缩功能，还可实现高性能的人工智能模拟。
场景方面，HSSD-200采用了Floorplanner室内设计界面进行制作，布局主要是对实际房屋的再现。
其中，单个对象由专业的3D艺术家创建，在大多数情况下与实际的家具和电器相匹配。
实验表明，规模较小但质量较高的HSSD-200数据集，可以生成以物品为导航目标的（ObjectNav）智能体，其性能可与在规模更大的数据集上训练的智能体相媲美。
而且，在HSSD-200上训练智能体所需的场景数量，要少2个数量级——
与使用10,000个ProcTHOR场景训练出的智能体相比，使用122个HSSD-200场景训练出的智能体对HM3DSem物理世界场景的泛化效果更好。
HomeRobot
共用、共享平台是机器学习进步的重要组成部分，但在机器人领域，由于很难复制和扩展硬件成果，因此十分缺少类似的平台。
对此，Meta为可重现的机器人研究平台提出了三个目标：
- 一颗激励人心的北极星：
平台需要提供具有指导性的北极星任务，以此激励研究人员并帮助他们开展工作。其中，他们还可以在有趣的真实世界问题上对各种方法进行比较。
比如「开放词汇移动操纵（OVMM）」——在任意未知的环境中拾取物体，并将其放到指定位置。这需要非常强大的长期感知能力和场景理解能力，而且对各类的任务都非常有用。
- 软件能力：
平台需要提供一些抽象界面，使机器人更容易用于各种任务，包括导航和操作。
- 社区：
平台需要鼓励开发者参与进去，并尝试围绕代码库建立一个社区。
为了推动这一领域的研究，Meta推出了一个全新的HomeRobot库，实现了对Hello Robot Stretch的导航和操纵功能的支持。
项目地址：https://github.com/facebookresearch/home-robot
具体来说，HomeRobot有两个组件：
1. 模拟组件：提在新的、高质量的多房间家庭环境中使用大量且多样的对象集；
2. 物理世界组件：为低成本的Hello Robot Stretch以及波士顿动力公司的产品提供软件堆栈，以鼓励在各实验室之间复制物理世界实验。
此外，HomeRobot还提供了一个非常友好的软件栈，从而让用户能够快速设置机器人，并立即进行测试。其特点包包括：
- 可移植性：
每项任务的模拟和物理世界设置之间都有统一的状态和动作空间，为使用高层次的动作空间（如预设抓取策略）或低层次的连续关节控制来操作机器人，提供了简便的方法。
- 模块化：
感知和行动组件支持高层次的状态（如语义地图、分割点云）和高层次的行动（如前往目标位置、拾取目标物体）。
- 基准智能体：
使用这些功能为OVMM提供基本功能的策略，以及构建更复杂智能体的工具，其他团队可以在此基础上进行开发。
在HomeRobot OVMM基准中，智能体可在家居环境中抓取新奇物品，并将其放入或放在目标容器中。
其中，Meta采用强化学习和启发式（基于模型）基线，展示了导航和放置技能可以从模拟到物理世界转移。结果表明，基线可以在物理世界中实现20%的成功率。