2024年9月18日，Figure公司正式发布第二代人形机器人Figure 02。在发布会宣传视频中，Figure 02在CEO Brett Adcock与演员Arnold Schwarzenegger的注视下，主动走向并跳入模拟熔炉，致敬电影终结者2的经典场景。该动作验证了机器人在复杂物理交互中的毫秒级控制精度与动态平衡能力。公开资料显示，Figure公司在2024年初完成6.75亿美元融资，估值达到26亿美元，其技术路线为具身智能领域提供了具体的工程参考路径。
从技术架构分析，Figure 02的核心突破在于转向端到端神经网络控制。该机器人拥有41个自由度，其中手部具备16个自由度。传统机器人控制依赖感知、规划、控制三个独立模块的流水线架构，需人工编写大量状态机和启发式规则。Figure 02采用视觉语言动作模型，直接将多模态传感器数据映射为关节扭矩或目标位置输出。此架构将系统推理延迟控制在毫秒级别，使机器人根据视觉反馈实时调整姿态，完成跳入熔炉等高动态响应动作。在模型训练层面，Figure 02依赖大规模真实世界遥操作数据与仿真数据。通过收集人类操作员在虚拟现实环境中控制机器人的动作轨迹，结合语言指令作为条件输入，模型学习到从高层语义到低层电机控制的直接映射。端到端训练方式消除了传统架构中各模块误差累积问题，提升了系统在未知环境中的泛化能力。这一技术路线的转变对行业内具体角色产生了直接影响。对机器人算法工程师而言，工作重心从繁琐的PID参数整定和运动学逆解计算，转移到数据集构建、损失函数设计以及模型量化部署上。对硬件集成商来说，端到端模型降低了对高精度外部传感器的依赖，视觉神经网络能够直接从RGB图像中提取深度和语义信息，从而简化了硬件BOM成本与传感器标定流程。对中小企业而言，无需投入重金采购昂贵的激光雷达或深度相机，仅凭单目RGB摄像头结合VLA模型即可实现基础的物体抓取与导航，大幅降低了具身智能项目的初期研发门槛。对独立开发者来说，虽然目前无法直接购买Figure 02进行部署，但可通过开源视觉语言动作模型和物理仿真环境，提前掌握相关技术栈，在本地环境搭建仿真测试床验证推理逻辑。目前NVIDIA Isaac Sim提供了高保真的机器人仿真平台，OpenVLA等开源模型提供了预训练权重。以下是一段基于PyTorch和开源VLA模型进行动作推理的Python代码示例，展示如何将视觉图像和语言指令输入模型并输出机器人关节动作。开发者可在配备GPU的计算环境中运行此脚本进行实操测试。import torchfrom transformers import AutoModelForVision2Seq, AutoProcessorfrom PIL import Imagemodel_id = 'openvla/openvla-7b’processor = AutoProcessor.frompretrained(modelid)model = AutoModelForVision2Seq.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map=‘cuda:0’)image = Image.open(‘robotcurrentview.png’)instruction = 'pick up the red block and place it in the bin’inputs = processor( text=instruction, images=image, return_tensors=‘pt’).to(‘cuda:0’)with torch.no_grad(): outputs = model.generate( inputids=inputs.inputids, pixelvalues=inputs.pixelvalues, maxnewtokens=512, do_sample=False )actionsequence = processor.decode(outputs[0], skipspecial_tokens=True)print('Generated robot actions: ', action_sequence)在上述代码中，模型接收RGB图像和自然语言指令，输出离散化的动作Token。在实际部署时，这些Token需要通过逆运动学或直接的关节映射转换为电机控制信号。开发者可通过修改instruction变量，测试模型对不同任务的零样本泛化能力。在环境配置阶段，开发者需先安装依赖库，可使用以下pip命令确保transformers与torch版本兼容：pip install transformers torch Pillow建议在执行推理前，确保CUDA环境已正确配置，并通过nvidia-smi命令检查GPU显存占用情况，预留至少16GB显存以加载7B参数规模的模型权重。从专业视角分析，端到端VLA模型在离散动作空间映射中表现出较高的准确率，但仍面临数据稀缺与长序列任务规划的瓶颈。当前人形机器人技术在执行超过3个步骤的连续任务时，误差会随时间步呈指数级放大。未来的技术迭代需解决模型在物理世界中的持续学习问题，即在不遗忘旧技能的前提下吸收新环境的交互数据。Figure 02跳入熔炉的展示是端到端控制架构成熟度的体现。技术从业者掌握视觉语言动作模型的部署与仿真测试，是切入具身智能赛道的具体实施路径。通过利用开源模型与仿真工具，普通开发者可在硬件落地前完成核心算法的验证与迭代。欢迎在评论区分享你在具身智能仿真环境搭建中遇到的显存优化问题。