wpk德州官網(wǎng)最新版是一款人氣火爆的德州游戲,全新升級的競技場次,絕對沒有任何的卡頓情況,可以放心大膽的加入對局,每次都是隨機進行匹配,海量話費可以拿到手軟,不需要擔心作弊的情況,保證游戲的公平公正性

公司表示，Helix正在穩(wěn)步縮小學習型機器人與真實世界任務需求之間的差距。一個由人形機器人在速度、效率和靈活性上與人類并肩工作的未來不再是科幻，而是即將到來的現(xiàn)實。

視覺記憶：引入短期視覺記憶模塊，使機器人能夠記住過去的視覺信息，從而進行更智能的多步操作，消除冗余動作，提高任務成功率。狀態(tài)歷史：通過整合機器人近期狀態(tài)的歷史數(shù)據(jù)，實現(xiàn)了更快速、更靈敏的控制，讓機器人在操作過程中保持連貫性，并能及時應對突發(fā)狀況。力反饋：整合了觸覺感知能力，機器人能夠感知與物體和環(huán)境的接觸，從而實現(xiàn)更精確的抓取和操作，提高了系統(tǒng)對物體差異的穩(wěn)健性。

HHPoker APP

Figure機器人：三個月內(nèi)逼近人類？

面對記者關(guān)于為何不進行現(xiàn)場演示的追問，Adcock給出的理由顯得頗為牽強：

Adcock補充稱，公司正通過視頻展示機器人。

Figure稱，公司研發(fā)的 Helix 機器人在人形機器人領(lǐng)域展現(xiàn)出多項令人印象深刻的亮點，特別是在物流和操作任務方面取得了顯著進步。

6月8日，F(xiàn)igure AI的回應視頻來了。公司發(fā)布了Helix機器人60分鐘無剪輯物流分揀視頻，聲稱僅僅三個月的物流環(huán)境部署后，Helix的操作速度和靈活性已開始接近人類水平。

當Helix遇到褶皺的塑料包裝袋時，它會先輕拍平整表面，確保條形碼完整讀取。這都是通過端到端學習直接從數(shù)據(jù)中學習到的，無需顯式編程。

《擴展 Helix：人形物流領(lǐng)域的新突破》 2025年06月07日 自我們首次將 Helix 系統(tǒng)部署在物流環(huán)境中僅僅三個月，該系統(tǒng)的功能和性能就取得了飛躍性進步。Helix 系統(tǒng)如今能夠處理更廣泛多樣的包裝類型，并且正逐漸接近人類水平的靈巧度和速度，使我們離實現(xiàn)完全自主的包裹分揀又近了一步。這一快速進展凸顯了 Helix 系統(tǒng)基于學習的機器人方法的可擴展性，能夠迅速轉(zhuǎn)化為實際應用中的成效。 新型包裹類型——Helix 系統(tǒng)如今能夠像處理硬質(zhì)紙箱一樣可靠地操縱可變形的聚乙烯袋和扁平信封，針對每種形態(tài)因素調(diào)整其抓取方式和策略，動態(tài)地處理各類物體。 更高的處理速度——盡管處理的包裹類型變得更加復雜多樣，執(zhí)行速度也提升至每個包裹4.05秒（從約5.0秒降低），實現(xiàn)了約20%的處理速度提升，同時保持了準確性。 更高的條形碼掃描成功率——如今，運輸標簽的朝向在約95%的情況下都能正確地面向掃描儀（從約70%提升），這得益于更好的視覺和控制能力。 自適應行為——機器人展現(xiàn)出了從演示中學習到的細微行為，例如輕拍塑料信封以撫平褶皺，從而提高條形碼的讀取率。 小型包裹物流，如這里所示的例子，是人工智能學習的理想環(huán)境，因為每個時間步的包裹和場景都在不斷變化，這使其非常適合神經(jīng)網(wǎng)絡。 這些改進是通過數(shù)據(jù)擴展和模型架構(gòu)改進實現(xiàn)的： 時間記憶——一個新的視覺記憶模塊賦予了 Helix 系統(tǒng)有狀態(tài)的感知能力。如今的策略還結(jié)合了過去狀態(tài)的歷史記錄，能夠?qū)崿F(xiàn)時間上延伸的行為，并提高了對中斷的魯棒性。 力反饋——力感應被整合到狀態(tài)輸入中，提供了一種觸覺代理，從而實現(xiàn)了更精確的抓取和包裹操縱。 在這里，我們分析了這些提升的來源，考察了增加演示訓練數(shù)據(jù)（從10小時增加到60小時）如何影響性能，以及上述每項架構(gòu)增強如何有助于 Helix 系統(tǒng)在包裹處理的速度和準確性方面取得進步。 擴展包裹種類和自適應行為 Helix 系統(tǒng)的物流策略已經(jīng)擴展到能夠處理更廣泛多樣的包裹。除了標準的硬質(zhì)紙箱，該系統(tǒng)如今還能管理聚乙烯袋（聚乙烯袋）、加襯信封以及其他可變形或薄型包裹，這些包裹帶來了獨特的挑戰(zhàn)。這些物品可能會折疊、起皺或彎曲，使得抓取和定位標簽變得更加困難。Helix 系統(tǒng)通過實時調(diào)整其抓取策略來解決這一問題——例如，通過快速甩動軟袋使其動態(tài)翻轉(zhuǎn)，或者使用捏握方式處理扁平郵件。盡管形狀和質(zhì)地的多樣性增加，Helix 系統(tǒng)卻提高了其吞吐量，平均每個包裹的處理時間約為4.05秒，沒有出現(xiàn)瓶頸。 該物流任務的目標是將包裹旋轉(zhuǎn)，使條形碼朝下以便掃描。一個值得注意的行為是 Helix 系統(tǒng)在嘗試掃描之前傾向于拍平塑料包裝。如果運輸標簽位于彎曲或起皺的表面（常見于填充松散的聚乙烯袋或起泡信封），策略會通過短暫按壓和平整表面來做出反應。這種微妙的“平整”動作是從演示中學習而來的，確保條形碼能夠完全被掃描儀讀取。這種自適應行為突出了端到端學習的優(yōu)勢——機器人從未明確硬編碼的演示策略中學習，直接從數(shù)據(jù)中學習，以克服現(xiàn)實世界中包裝的不完美之處。 至關(guān)重要的是，這些新能力并沒有降低效率。吞吐量隨著多功能性一起增加。Helix 系統(tǒng)每個包裹的平均處理時間從大約5.0秒（在簡化的一組包裹上）降低到了4.31秒，即使隨著新包裹類型的出現(xiàn)，任務變得更加困難。這種速度提升使性能更接近人類操作員的速度。同樣，條形碼方向的成功率也上升到了約95%。這些改進共同表明了一個更加靈巧且可靠的系統(tǒng)，能夠在廣泛的現(xiàn)實世界包裹范圍內(nèi)接近人類水平的速度和準確性。 Helix 系統(tǒng)視覺-運動策略的架構(gòu)改進 上述許多提升都是通過針對 Helix 系統(tǒng)1視覺-運動策略的改進實現(xiàn)的。在過去的兩個月里，我們引入了新的記憶和感知模塊，使控制策略更加具有情境感知能力和魯棒性。這些增強功能使 Helix 系統(tǒng)能夠更好地感知世界的狀態(tài)，并感受其正在做的事情，補充了最初部署時建立的視覺和控制基礎(chǔ)。在這里，我們詳細說明每一項改進以及它如何有助于 Helix 系統(tǒng)的物流性能。 視覺記憶 Helix 系統(tǒng)的策略如今維護著其環(huán)境的短期視覺記憶，而不僅僅是基于即時的相機幀進行操作。具體來說，該模型配備了一個模塊，該模塊從最近的一系列視頻幀中組合特征，為其提供了一個時間上延伸的場景視圖。這種隱式的視覺記憶使得有狀態(tài)的行為成為可能：機器人可以記住它已經(jīng)檢查過包裹的哪一面，或者傳送帶的哪些區(qū)域是空閑的。例如，如果初始相機視圖沒有完全揭示標簽，Helix 系統(tǒng)可以回憶起之前的部分瞥見，并決定將包裹旋轉(zhuǎn)到記得標簽可見的角度。因此，記憶模塊有助于消除冗余動作（機器人不會“忘記”并重新檢查同一側(cè)兩次），并通過確?？紤]了物品的所有必要視圖來提高成功率。本質(zhì)上，視覺記憶賦予了 Helix 系統(tǒng)一種時間上的上下文感，使其能夠在多步驟操作中更具戰(zhàn)略性地行動。這正是將條形碼方向成功率提升至95%的關(guān)鍵——如今的策略可以可靠地執(zhí)行多步驟操作（例如多次小旋轉(zhuǎn)或視角調(diào)整），以找到條形碼，由視覺回憶引導，而不是依賴于一次幸運的瞥見。 狀態(tài)歷史 我們還將 Helix 系統(tǒng)的本體感知輸入與近期狀態(tài)的歷史記錄相結(jié)合，從而實現(xiàn)了更快、更具反應性的控制。最初，策略是以固定時長的動作塊進行操作的：它會觀察當前狀態(tài)并輸出一系列運動軌跡，然后重新觀察，如此循環(huán)。通過將過去機器人的狀態(tài)（手、軀干和頭部位置）的窗口納入策略的輸入中，系統(tǒng)在這些動作塊之間保持了連續(xù)性。重要的是，狀態(tài)歷史保留了上下文，因此即使重新規(guī)劃的頻率更高，策略也不會丟失其正在進行的操作或使操縱變得不穩(wěn)定。最終結(jié)果是對意外或干擾的更快響應：如果包裹移動了或者嘗試抓取沒有完美落地，Helix 系統(tǒng)可以在運動中途進行糾正，且?guī)缀鯖]有延遲。這一增強功能對每個包裹的處理時間的減少做出了顯著貢獻。 力反饋 為了賦予 Helix 系統(tǒng)基本的觸覺，我們將力反饋整合到了策略的輸入觀察中。Helix 系統(tǒng)對環(huán)境和它操縱的物體所施加的力現(xiàn)在成為了輸入神經(jīng)網(wǎng)絡的狀態(tài)的一部分。這些信息使策略能夠檢測接觸事件并相應地進行調(diào)整。例如，當 Helix 系統(tǒng)伸手去拿一個包裹時，它能夠感知到第一次接觸到物體的時候，或者當一個包裹被按壓在表面上時。它學會了利用這些線索來調(diào)節(jié)運動：例如，在檢測到與傳送帶接觸時暫停向下的運動。通過與觸覺形成閉環(huán)，Helix 系統(tǒng)實現(xiàn)了更精確的處理，最終提高了動作的成功率和一致性，使系統(tǒng)對物體的重量、硬度和放置位置的變化更具魯棒性。 結(jié)果與討論 為了量化這些改進的影響，我們在不同的訓練數(shù)據(jù)制度和模型配置下對 Helix 系統(tǒng)的物流性能進行了受控評估。我們測量了兩個關(guān)鍵指標：包裹處理速度（每個包裹的平均秒數(shù)，越低越好）和條形碼掃描成功率（正確朝向掃描儀的包裹百分比，越高越好）。以下結(jié)果分解了額外的訓練數(shù)據(jù)和新的架構(gòu)特性對 Helix 系統(tǒng)整體性能提升的各自貢獻。 擴展訓練數(shù)據(jù) 首先，我們考察了擴展人類演示數(shù)據(jù)量對 Helix 系統(tǒng)熟練度的影響。我們將訓練數(shù)據(jù)量約為10小時、20小時、40小時和60小時的演示軌跡的模型進行了比較（網(wǎng)絡架構(gòu)和超參數(shù)相同）。如下面的圖1所示，增加訓練數(shù)據(jù)在吞吐量和準確性方面都帶來了明顯的改進。 圖1：訓練數(shù)據(jù)量對包裹處理性能的影響。更多的演示數(shù)據(jù)帶來了更快的平均處理速度（每個包裹的秒數(shù)，越低越好）和更高的條形碼掃描成功率。下面的所有模型都是相同的，都使用了帶有記憶和反饋模塊的最新 Helix 系統(tǒng)1架構(gòu)。 從10小時增加到60小時的訓練演示，Helix每個包裹的平均處理時間從約6.84秒降低到了4.31秒，吞吐量提高了58%，條形碼成功率從88.2%上升到了94.4%。這些回報表明，我們?nèi)匀惶幱诘蛿?shù)據(jù)階段，因為隨著數(shù)據(jù)量的增加，模型性能仍在穩(wěn)步提升。 記憶和反饋模塊的貢獻 接下來，我們評估最近的架構(gòu)增強——視覺記憶、狀態(tài)歷史和力反饋——對性能的貢獻。我們進行了消融研究，比較了帶有這些模塊啟用或禁用的Helix模型的不同變體。在這個比較中，所有模型都是在相同的60小時數(shù)據(jù)集上訓練的，因此任何指標上的差異都反映了這些新功能的有無。圖2總結(jié)了這次消融研究的結(jié)果，列出了處理速度和成功率。 圖2：添加視覺記憶、狀態(tài)歷史和力反饋的性能影響。每一行展示了一個Helix策略的變體（在60小時數(shù)據(jù)上訓練），啟用了某些模塊。完整模型（最后一行）包含了所有增強功能。我們報告了每個變體的平均處理時間（秒/包裹）和條形碼成功率。 在圖2中，我們展示了每個模塊如何消除特定的瓶頸。單目基線缺乏深度和時間上下文，抓取位置不準確，而且由于無法判斷停留在某個狀態(tài)的時間，常常會長時間暫停。增加立體視覺解決了深度問題——抓取更加干凈利落，吞吐量也有所提高——但長時間暫停的問題仍然存在。解決暫停問題的一個方法是增加動作塊的長度，但這會以降低反應時間為代價。相反，引入視覺記憶可以讓策略回憶起袋子是否已經(jīng)被翻轉(zhuǎn)，或者標簽是否曾經(jīng)可見，消除了冗余的重新定向，并從循環(huán)中再削減了半秒。當加入狀態(tài)歷史和力反饋時，機器人獲得了時間流逝和觸覺的感知：它不再停滯不前，更好地調(diào)節(jié)對硬紙箱的抓取力，并更好地控制對周圍施加的力以避免失去平衡，使首次條形碼掃描成功率提升至94%。最后，通過將網(wǎng)絡的Transformer解碼器頭參數(shù)數(shù)量增加50%來擴展網(wǎng)絡，利用這些更豐富的輸入，將平均處理時間降低到4.05秒，同時保持準確率在92%以上。 視覺條件反射：人機交接 盡管Helix在物流場景中的主要目標是自主分揀，但相同的端到端模型可以輕松適應新的交互。一個例子是通過視覺條件反射實現(xiàn)的人機交接行為。我們僅提供了一些額外的演示片段，其中一個人等待包裹交接（這些片段是在主要數(shù)據(jù)收集過程中隨機收集的），從而讓策略將人伸出的手解釋為交接物品的信號。沒有明確編程新的技能；網(wǎng)絡只是學會了，在有人伸手的情況下，合適的動作是將包裹交給對方而不是放在傳送帶上。這種行為使用了與其他所有動作相同的神經(jīng)策略和權(quán)重——差異純粹來自Helix對人的觀察以及它從那些額外示例中學到的上下文。 結(jié)論 我們展示了如何通過擴展高質(zhì)量的演示數(shù)據(jù)集，并結(jié)合視覺記憶、狀態(tài)歷史和力反饋等架構(gòu)改進，顯著提升了Helix在現(xiàn)實世界物流中的性能。結(jié)果是一個通用的視覺-運動策略，能夠以接近人類水平的速度和高可靠性處理各種包裹——與兩個月前的初始能力相比，這是一個顯著的進步。這些改進不僅解決了包裹處理中的即時挑戰(zhàn)，還為Helix的控制系統(tǒng)帶來了普遍的好處，這些好處可以延續(xù)到其他用例中。通過啟用有狀態(tài)的感知和力感應，我們在不犧牲效率的情況下，使策略更加穩(wěn)健和靈活。至關(guān)重要的是，策略既從數(shù)據(jù)擴展中受益，也從架構(gòu)改進中受益，僅靠其中任何一項都無法推動策略性能的提升。 Helix正在穩(wěn)步提升其靈巧性和穩(wěn)健性，縮小了學習型機器人操作與現(xiàn)實任務需求之間的差距。正在進行的工作將繼續(xù)擴大其技能集，并確保在更高的速度和工作負載下保持穩(wěn)定。。

"我們的理念是不參加很多活動，我認為這是巨大的時間浪費。坦率地說，我必須帶一個團隊來這里展示機器人，他們本可以在辦公室工作。"

Figure表示，工程師為Helix植入了三大關(guān)鍵模塊，讓其具備了短期記憶、運動歷史感知和力反饋能力：

Figure：Helix擁有先進的感知和控制架構(gòu)

Helix的平均包裹處理速度從5.0秒提升至4.05秒，效率提升近20%，同時還能處理可變形塑料袋和扁平信封等復雜包裹類型，非常接近人類操作員的效率。更令人震撼的是條形碼掃描成功率從70%飆升至95%——這意味著機器人不僅更快，還更精準。

以下為Figure AI官網(wǎng)原文：

Figure的受控實驗顯示，Helix訓練數(shù)據(jù)從10小時增加到60小時，處理時間從6.34秒降至4.31秒，掃描成功率從88.2%升至94.4%。表明其基于學習的方法具有強大的可擴展性。

然而，公司聯(lián)合創(chuàng)始人兼首席執(zhí)行官Brett Adcock在6日的彭博科技大會上的表現(xiàn)，與其競爭對手形成了鮮明對比。當Agility Robotics和Boston Dynamics都在現(xiàn)場展示其機器人產(chǎn)品時，F(xiàn)igure AI卻選擇了缺席。

近期，“美國版宇樹”Figure AI 與寶馬的合作關(guān)系受到質(zhì)疑，有報道稱其進展不及預期，對此 Figure AI 曾強烈否認，Adcock 甚至公開威脅要起訴相關(guān)媒體。