Helix - Figure 推出的端到端通用控制模型

发布于 2025-02-21 · Helix 是 Figure 推出的通用视觉-语言-动作（VLA）模型，用于人形机器人的控制。Helix首创性地实现对机器人整个上身（包括手腕、躯干、头部和手指）的高速率（200Hz）连续控制，支持多机器人协作，多个机器人共用同一组神经网络权重完成任务。

Helix是什么

Helix是Figure推出的通用视觉-语言-动作（VLA）模型，用来控制人形机器人。它对机器人整个上身（手腕、躯干、头部和手指）做高速率（200Hz）的连续控制，这在同类工作里是第一个做到的。多个机器人还能共用同一组神经网络权重协作干活。按自然语言指令，Helix能拿起从未见过的物品，泛化能力不错。训练完全端到端，不需要任务特定的微调，跑在低功耗GPU上，具备商业部署的条件。

Helix的主要功能

全上身控制：对机器人整个上半身（手腕、躯干、头部和手指）做高速率（200Hz）连续控制，动作协调且精度高。
多机器人协作：多个机器人同时跑同一套神经网络权重，协作完成任务，比如一起搬运或整理物品。
自然语言理解与执行：机器人按自然语言指令做各种任务，例如拿起从没见过的物品、开合抽屉或冰箱。
各类物品都能处理：能处理数千种形状、大小和材质各异的物品。
商业部署能力：完全跑在低功耗嵌入式GPU上，适合大规模商业化应用。

Helix的技术原理

系统2（S2）：基于7B参数的开源视觉语言模型（VLM），负责理解场景和语言，处理频率7-9Hz，管"慢速思考"这一层：把视觉和语言信息转成语义表征，编码成连续的潜在向量传给系统1。
系统1（S1）：基于80M参数的Transformer编码器-解码器架构，负责底层控制，处理频率200Hz，动作执行和调整都在这层完成。它把S2传来的潜在向量和视觉特征结合起来，换算成具体的机器人动作，如手腕姿态、手指控制、头部和躯干朝向。
端到端训练：从原始像素和自然语言指令直接映射到连续动作输出，用标准回归损失训练。训练时引入时间偏移，模拟S1和S2的推理延迟，让训练和部署保持一致。
解耦架构：S1和S2跑在两个时间尺度上：S2做高级语义规划，S1做实时动作执行。这样泛化能力和响应速度能兼顾。
推理与部署优化：在机器人上，S1 和 S2 分别运行在独立的 GPU 上，S2 异步更新潜在向量，S1 实时执行动作控制。