在机器人技术不断发展的今天，如何让多个机器人协同工作成为新的研究热点。芝诺机器人近期发布的Zeno-1模型，为这一领域带来了新的突破。这款拥有30亿参数的基础模型，专注于协作物理智能，旨在解决多机器人协作中的关键问题。
在传统的机器人应用中，单个机器人独立完成任务是主流模式。然而，现实世界中的许多任务需要多个机器人共同参与。例如，共同搬运大型物体、装配复杂零件等场景，单个机器人往往难以胜任。芝诺机器人联合创始人植伟铭指出，随着机器人单体能力的提升，如何让它们学会协作成为下一个重要课题。
Zeno-1的研究团队通过一项双机器人协作测试展示了该模型的独特能力。在测试中，研究人员故意让其中一台机器人延迟3秒启动。尽管没有额外的提示或读取伙伴的内部状态，另一台机器人仍能主动调整节奏，等待伙伴、维持接触，并根据对方的动作重新调整时序。这种自适应能力使得任务成功率几乎不受影响。
与传统的多机器人调度系统不同，Zeno-1不依赖中央控制器或预设的通信协议。每台机器人运行相同的模型，仅根据自身的视觉观察、本体状态和交互历史做出决策。植伟铭解释说，物理世界本身就是协作的界面，机器人通过观察伙伴的动作和共享物体的变化来调整自己的行为。
多机器人协作面临诸多挑战。首先，每个机器人只能从自己的视角感知环境，具有部分可观测性。其次，机器人之间的接触会立即改变彼此的物理状态，要求实时响应。伙伴的行为可能不可预测，导致预先规划的轨迹失效。Zeno-1通过闭环伙伴交互训练（CPI）来应对这些挑战，让机器人在真实交互中学习协作行为。
训练过程中，研究人员首先让机器人从视频和真机示范中学习基本操作能力，然后让具备能力的模型进行真实的伙伴交互。自主策略在运行中暴露的延迟、偏差和协作薄弱环节成为新的训练数据。这种训练方法使得机器人能够逐步提升协作能力。
Zeno-1不仅关注短期的双机配合，还具备长时间连续协作的能力。在完整的评估中，同一个策略可以连续运行超过10分钟，完成共享物体搬运、工具使用和柔性物体操作等多个子任务。这要求机器人记住此前发生的事件，并根据交互阶段调整动作。
获得这种能力面临数据稀缺的问题。人类操作者的默契配合难以复现机器人实际运行中的迟疑和误差。Zeno-1通过闭环伙伴交互训练解决了这一问题，让机器人在真实环境中不断积累协作经验。
与传统的任务调度和路径规划不同，Zeno-1更注重机器人之间的物理交互。植伟铭认为，当机器人进入规模化应用阶段，群体协作将成为重要的展现形式。多台标准化机器人通过协作完成任务，比设计更大、更复杂的专用机器人更具经济性和可扩展性。
在具体实验中，研究人员展示了两个机器人共同拉伸柔性物体的场景。如果其中一个机器人过早拉动，可能破坏另一个机器人的抓取。Zeno-1训练的机器人能够发现伙伴未准备好，主动减速、等待，并在伙伴重新建立接触后恢复动作。这种协作策略使得任务能够顺利完成。
Zeno-1的研究还涉及灵巧性、记忆和协作的联合学习。这些能力在真实物理行为中相互耦合，传统模块化设计难以处理。Zeno-1采用端到端的学习系统，让模型直接从视觉、机器人状态和交互历史中学习物理行为，提高了系统的鲁棒性。
去中心化架构是Zeno-1的另一特点。每个机器人独立运行相同的模型，不依赖中央控制器或其他机器人的内部状态。这种设计避免了系统对统一控制的依赖，使得增加机器人时无需扩大联合状态空间。植伟铭强调，真实世界本身就是强大的通信渠道，机器人的动作和物体状态变化传递了丰富的信息。
Zeno-1选择30亿参数的规模，是为了在表征能力和实时控制之间取得平衡。通过优化部署，该模型能够以30赫兹的频率进行闭环视觉-运动推理。植伟铭认为，机器人模型不应盲目追求参数量，而应确保在足够物理理解能力的前提下实现实时控制。
为了处理长时间的交互历史，Zeno-1采用了紧凑交互历史表征技术。该技术保留任务相关的视觉信息和机器人状态证据，同时丢弃不必要的信息。这使得机器人能够根据历史交互调整当前动作，提高协作效率。
随着机器人技术的不断发展，协作物理智能将成为重要的研究方向。Zeno-1的研究为多机器人协作提供了新的思路和方法，推动了机器人从“会做事”向“会一起做事”的转变。
