Allen AI 推出 ToyBlocks 開放模擬框架，機械人學習與評估

機械人學嘢，先要有一塊乾淨嘅桌

近日，Allen AI 喺 Hugging Face 公開平台推出 ToyBlocks，一個以機械臂同桌上積木為基礎嘅開放模擬框架（simulation framework），用嚟喺受控環境（controlled environment）研究機械人點樣學習同評估。

機械人依家已經學到疊衫、分揀零件、處理唔熟嘅物件，但佢哋嘅示範往往狹窄，而且解釋唔到機械人學咗乜、點解會失敗。科研界常見嘅做法係先由一個小、可控嘅環境開始，例如培養皿或者微生態缸， researcher 可以改變條件、觀察效果。ToyBlocks 就係機械人領域嘅呢種環境。

ToyBlocks 嘅設計刻意簡單：一個機械臂加一張枱面上嘅積木。積木面有圖同字母，機械人要分揀、排列、甚至將積木轉過嚟先睇到隱藏嘅面，先決定擺喺邊度。研究團隊可以透過 domain randomization（域隨機化）改變積木大小、枱面高度等物理屬性，測試模型喺幾何條件改變下嘅泛化能力。

自動生成訓練示範，唔需要人手遙控

呢個框架嘅核心賣點係自動生成示範（demonstrations）——即機械喺模擬環境中完成任務嘅記錄——唔需要耗時嘅 teleoperation（遙控操作，即由人遠端控制機械人）。研究團隊可以大量生成更多推、翻等類型嘅示範，然後喺保留咗唔畀訓練嘅任務上評估成效。

Allen AI 推出開放模擬框架 ToyBlocks　機械人學嘢前先有塊乾淨嘅桌 資料圖片：Pixabay

ToyBlocks 係 Allen AI 提出嘅 FoundationWorlds 框架下嘅第一個世界，該框架將受控模擬世界與自動生成任務及訓練示範嘅工具結合，並附帶指標（metrics）追蹤機械人行為隨時間嘅變化。Allen AI 指出，呢個工作建立於佢哋早前嘅開源機械人學習研究，包括 MolmoAct 2、MolmoBot 及 MolmoSpaces。

ToyBlocks 設計上滿足四個要求：（1）逼真嘅物理同視覺效果；（2）大規模自動生成任務同訓練示範；（3）結合推理同靈巧操作嘅挑戰；（4）對任務域內可能任務嘅廣泛覆蓋。Allen AI 強調，開放式域因需建模大量物件同互動而無法同時滿足全部要求，但 ToyBlocks 嘅狹窄範圍令呢四點都可以做到。