我们看过机器狗攀爬、跳跃、跑酷、开门，但现在，它竟然开口说话了。

「可以开始我们的旅程了吗？」Spot 礼貌地发出询问：「请跟我来，先生们！」

在一段最新发布的视频里，波士顿动力展示了将机器狗与 LLM 集成的成果：「Spot 先生」戴着高礼帽，留着小胡子，有着大眼睛和英国口音，正带人参观公司的设施。

为了让 Spot 能够「开口」，波士顿动力公司使用 OpenAI 的 ChatGPT API 以及一些开源 LLM 来训练，然后为机器人配备了扬声器，添加了文本到语音转换的功能。

所以你能看到，在发出声音的同时，Spot 不停张开「嘴巴」，看起来像是真在说话：

波士顿动力公司首席软件工程师 Matt Klingensmith 表示，「Spot 先生」使用 VQA 模型来为图像添加字幕并回答有关图像的问题。

比如你可以提问：「Hey，Spot！你看到了什么？」

「Spot 先生」快速作答：「我看到了一块二维码的板子，还有一扇很大的窗户。」

LLM 所谓的「涌现行为」，使其能够执行既定训练之外的任务。正因如此，它们可以适用于各种应用。波士顿动力团队对此的探索是从今年夏天开始的，他们在机器人应用中使用 LLM 制作一些概念验证演示，这些想法又在一次内部黑客马拉松活动中加以扩展。

特别是，他们对 Spot 使用 LLM 作为自主工具的演示很感兴趣，团队的灵感来源于 LLM 在角色扮演、复制文化和细微差别、形成计划和长期保持连贯性方面的明显能力，以及近期发布的 VQA 模型（这些模型可以为图像添加标题并回答有关图像的简单问题）。

技术细节

接下来，让我们解密如何使用 Spot 的 SDK 打造这样一只「机器狗导游」。在最新的官方博客中，波士顿动力对「Spot 先生」背后的技术进行了详细介绍。

作为导游，Spot 的「四处走动」能力是现成的，Spot SDK 也允许用户实现对机器狗的自定义。「Spot 先生」会观察环境中的物体，使用 VQA 或字幕模型对其进行描述，然后使用 LLM 对这些描述进行详细说明。

团队在 Spot 收集的三维地图上标注了简短的描述，机器人会根据定位系统查找所在位置的描述，并将其与传感器提供的其他上下文一起输入 LLM。然后，LLM 将这些内容合成为命令，比如「说」、「问」、「去」或「标签」等。

下图是「Spot 先生」导游的建筑环境的三维地图，为 LLM 标注了位置：1 是演示实验室 / 阳台；2 是演示实验室 / 天桥；3 是博物馆 /old-spots；4 是博物馆 / 图集；5 是大厅；6 是外部 / 入口。

此外，LLM 还可以回答参观者的问题，并计划机器人下一步应该采取的行动。可以将 LLM 理解为一个即兴演员，在有了大致脚本之后，也能够临时填补空白。

这种组合的方式充分发挥了 LLM 的优势，而规避了 LLM 可能带来的风险：众所周知，LLM 的幻觉很严重，容易添加一些听起来似是而非的细节，幸好在这类参观过程中，并不太强调事实准确性。机器狗只需四处走动并谈论它所看到的事物，带来一些娱乐性、互动性和细微差别即可。

整体看上去，需要建立一些简单的硬件集成和几个协同运行的软件模型：

系统示意图。

硬件方面，首先是「音频」处理功能，Spot 既能向观众演示，又能听到参观团的提问和提示。团队用 3D 打印了一个 Respeaker V2 扬声器的防震支架，这是一个环形阵列麦克风，上面有 LED 指示灯，通过 USB 连接到 Spot 的 EAP 2 有效载荷上。

机器人的实际控制权被下放给一台机外电脑（台式电脑或笔记本电脑），该电脑通过 SDK 与 Spot 进行通信。

「Spot 先生」的硬件装备：1）Spot EAP 2；2）Respeaker V2；3）蓝牙扬声器；4）Spot Arm 和机械臂摄像头。

软件方面，波士顿动力团队使用了 OpenAI ChatGPT API，包括 gpt-3.5 和 gpt-4，还测试了一些较小的开源 LLM。

这让 Spot 具备了不错的对话能力，ChatGPT 对机器人及其「言语」的控制是通过精心的 prompt 工程实现的。受微软方法的启发，他们让 ChatGPT 看起来像是在「编写 python 脚本的下一行」，以此来 prompt ChatGPT。波士顿动力团队以注释的形式为 LLM 提供了英文文档，然后将 LLM 的输出当作 python 代码进行评估。LLM 可以访问自主 SDK、带有每个地点单行描述的旅游景点地图，并能说出短语或提出问题。

下面是「API 文档」的逐字提示：

# Spot Tour Guide API.# Use the tour guide API to guide guests through a building using# a robot. Tell the guests about what you see, and make up interesting stories# about it. Personality: “You are a snarky, sarcastic robot who is unhelpful”.# API:# Causes the robot to travel to a location with the specified unique id, says the given phrase while walking.# go_to (location_id, phrase)# Example: when nearby_locations = ['home', 'spot_lab']# go_to ("home", "Follow me to the docking area!")# go_to can only be used on nearby locations.# Causes the robot to say the given phrase.# say ("phrase")# Example: say ("Welcome to Boston Dynamics. I am Spot, a robot dog with a lot of heart! Let's begin the tour.")# Causes the robot to ask a question, and then wait for a response.# ask ("question")# Example: ask ("Hi I'm spot. What is your name?")

在这之后，波士顿动力团队向 LLM 提供了一个有关其周围内容结构化信息的「状态字典」：

state={'curr_location_id': 'home', 'location_description': 'home base. There is a dock here.', 'nearby_locations': ['home', 'left_side', 'under_the_stairs'], 'spot_sees': 'a warehouse with yellow robots with lines on the floor.'}

最后发送一条 prompt，要求 LLM 执行某些操作，在本例中，是在 API 中输入操作之一：

# Enter exactly one action now. Remember to be concise:

团队得出的结论是，「切记简明扼要」这点非常重要，既能限制要执行的代码量，又能在机器人响应时保持可控的等待时间。

目前，OpenAI 已经提供了一种结构化的方式来指定 ChatGPT 调用的 API，所以在 prompt 本身中提供所有这些细节已经不是必需的了。

接下来，为了让 Spot 与观众和环境互动，波士顿动力集成了 VQA 和语音转文本软件。他们将 Spot 的机械臂摄像头和前视摄像头输入 BLIP-2，并在 VQA 模型或图像字幕模型中运行。大约每秒运行一次，结果直接输入 Prompt。

下图是动态字幕和 VQA 回复的示例：

为了让机器人「听见」，他们将麦克风数据分块输入 OpenAI 的 Whisper 程序，将其转换为英文文本。听到唤醒词「嘿，Spot！」后，系统再将该文本输入提示音。

ChatGPT 生成基于文本的回复之后，还需要通过文本转语音工具来运行这些回复，以便机器人能够真正与参观者对话。在尝试了从最基本的（espeak）到最前沿的研究（bark）等多种现成的文本转语音方法后，波士顿动力最终选择了 ElevenLabs。为了减少延迟，他们将文本以「短语」的形式并行流式传输给 TTS，然后串行播放生成的音频。

最后一项工作就是为「Spot 先生」创建一些默认的肢体语言。Spot 的 3.3 版本包括检测和跟踪机器人周围移动物体的功能，以提高机器人在人和车辆周围的安全性。波士顿动力恰好利用了这个系统使其猜测最近的人的位置，然后将手臂转向那个人。他们在生成的语音上使用了低通滤波器，并将其转化为机械臂轨迹，类似于木偶开口说话的形式。特别是在机械臂上添加服装和瞪大的眼睛之后，这种错觉得到了加强。

更多技术细节，可参考博客原文：

https://bostondynamics.com/blog/robots-that-can-chat/