可以想象，不断进化的双臂机器人未来将最大程度地「解放」人的双手。
2023 年，斯坦福大学等机构推出了一个用于双机械手长途操纵的低成本开源硬件零碎 ALOHA，它可以长途操纵并完成组装链条、托举乒乓球等复杂、丰富的任意。
今年 1 月，google DeepMind 与斯坦福又联合推出了 Mobile ALOHA，同样可以进行长途操纵并模仿双手操纵，通过移动底座在大的空间范围内实现长途操纵。这样一来，备菜、翻炒、出锅，洗衣、逗猫、浇花它是样样精通，名副其实的家务机器人火出了圈。
今天，google DeepMind 联合斯坦福推出了 ALOHA 的增强版本 ——ALOHA 2。与一代比拟，ALOHA 2 具有更强的性能、人体工程学设想和稳健性，且成本还不到 20 万元人民币。
并且，为了加速大规模双手操纵的研究，ALOHA 2 相关的所有硬件设想全部开源了，并提供了详细的教程，以及具有零碎识别功能的 ALOHA 2 MuJoCo 模型。
google DeepMind 放出了相关论文《ALOHA 2: An Enhanced Low-Cost Hardware for Bimanual Teleoperation》。
论文地址：https://aloha-2.github.io/assets/aloha2.pdf
项目主页：https://aloha-2.github.io/
我们先来一睹升级后的 ALOHA 2 能做些什么，比如将不同的玩具放进三个不同的碗里。
玩杂耍，你扔我接。
开可乐瓶并将可乐倒进别的杯子里、开酸奶盒。
给熊猫玩偶戴上美瞳。
更难以想象的是，它还能变身扒手，悄无声息拿走你的钱包，并给你放回去。
简直绝了！ALOHA 2 显著提高了一代 ALOHA 的耐用性，从而能够在更复杂的任意上进行大规模数据采集。
相较于一代，ALOHA 2 都升级了些啥
为支持对复杂操纵任意的研究，在 ALOHA 平台上扩大数据采集的规模成为目标之一，包括运用的机器人数量、每台机器人的数据采集小时数以及数据采集的多样性。这一扩展过程改变了相对于第一代 ALOHA 平台的要求和范围。
对于 ALOHA 2，除了在 ALOHA 平台的基础上建设，研究者还针对以下领域寻求进一步改观：
性能和任意范围：增强 ALOHA 性能的关键组件，包括夹持器和控制器，以实现更广泛的操控任意。
用户友好性和人体工学：为了优化大规模数据采集，优先考虑用户体验和舒适度，包括改观用户界面零碎的响应性和人体工学设想。
稳健性：增加零碎的稳健性，最大限度地减少因诊断和维修造成的停机时间。这就需要简化机械设想，并确保更大规模的机器人队伍在整体上易于维护。
根据上述目标，ALOHA 2 的具体改观如下：
夹持器：研究者为领导机器人和追随机器人的夹持器设想了新的低冲突轨道。对于领导机器人，这革新了遥操纵的人体工学和响应速度。对于追随机器人，这革新了延迟和夹持器的力量输出。此外，他们还升级了手指上的抓胶带材料，以提高耐用性和抓取小物体的能力。
重力补偿：研究者运用现成的组件创建了一个被动的重力补偿机制，与 ALOHA 原有的抓带材料零碎比拟，这提高了耐用性。
框架：研究者简化了围绕工作单元的框架，同时保持了相机安装点的刚性。这些变化为人机协作者和机器人互动的道具提供了空间。
相机：ALOHA 2 运用更小的英特尔 RealSense D405 相机和定制的 3D 打印相机支架，以减小追随臂的占地面积，从而减少对操纵任意的阻碍。这些摄像头还具有更大的视场角、深度、全局快门和更多的定制功能。
模仿：研究者在 MuJoCo Menagerie 中的 MuJoCo 模型中模仿了 ALOHA 2 机器人的精确规格，从而改观了数据采集、策略学习和模仿评估，以应对具有挑战性的操纵任意。
夹持器
为了使遥控操纵更顺畅，并革新人体工程学，本次采用了低冲突轨道设想，降低了机械复杂性，从而取代了 ALOHA 原有的剪刀导轨式机械手设想。
研究者设想并制造了低冲突随动机械手，取代了 ALOHA 最初的设想。较低的冲突减少了领导机器人和追随机器人夹持器之间感知的延迟，显著革新了长途操纵期间的用户体验。
框架
研究者重新设想了支撑框架，并运用 20x20mm 铝型材将其制成。框架为领导机器人和重力补偿零碎提供支撑，并为俯视摄像机和虫眼摄像机提供安装点。
与 ALOHA 比拟，本次设想进行了简化，去掉了工作台与遥控操纵员相对一侧的垂直框架。增加的空间使数据采集方式更加多样化。例如，人类协作者可以更轻松地站在工作区的对面与机器人互动，从而采集人机互动数据。此外，还可以在工作台前摆放较大的道具，让机器人与之互动。
模仿
研究者发布了用于 ALOHA 2 工作单元的 MuJoCo Menagerie 模型，它对于长途操纵和模仿学习非常有用。
与之前发布的 ALOHA 模型比拟，MuJoCo 的物理精度更高、视觉保真度更高，允许快速、直观、可扩展的模仿数据采集。
MuJoCo 模型渲染。
模仿长途操纵任意。
以下为运用 Google Scanned Objects Dataset 与 MuJoCo 模型进行长途操纵的示例（1 倍速度）：
更多细节内容请参阅原论文。