受益于高质量演示数据集的扩展，，，，，以及对Figure自研的Helix神经网络的视觉电机战略（visuo-motor policy）举行架构刷新，，，，，机械人在高速事情负载下的稳固性得以长足生长。。。。。。。 将前后两次视频比照，，，，，物流使命显着扩展至更多形态的包裹，，，，，除了标准的硬纸盒，，，，，现在还可以处置惩罚聚乙烯袋、信封和其它可折叠、皱缩或弯曲的物品。。。。。。。 针对差别形态包裹，，，，，Helix接纳即时调解抓取战略解决，，，，，例如遇到纸盒就双手上下一翻，，，，，遇到信封则一只手扶住，，，，，另一只手轻轻捏住边沿翻转。。。。。。。 值得注重的是，，，，，机械人还会轻轻拍打塑料包装以抚平起皱的货物条形码，，，，，这是机械人自己从演示中学习到的自顺应行为，，，，，侧面凸显出端到端学习的优势。。。。。。。 实验批注，，，，，增添训练数据可以显著提高吞吐量和准确性，，，，，在10到60小时中，，，，，包裹的平均处置惩罚速率约为4.05s，，，，，吞吐量提高了58%，，，，，条形码乐成率也从88.2%升至94.4%。。。。。。。 研究团队对Helix的视觉电机战略的架构举行了针对性刷新，，，，，引入了新的内存和传感？？？，，，，，能更好地资助机械人感知情形转变。。。。。。。 例如，，，，，在初始摄像机图像中没有完全显示标签，，，，，Helix就可以挪用前一时刻的图像帧，，，，，并控制手部将包裹旋转至标签可见的影象角度。。。。。。。 首先会视察目今状态（手、躯干和头部）并输出一小段运动轨迹，，，，，重复重新视察多次后，，，，，再将所有状态合并输入，，，，，以确保？？？榧涞囊涣。。。。。。。 由于状态历史纪录保存了上下文，，，，，纵然重新妄想或面临滋扰，，，，，机械人仍能坚持稳健，，，，，例如当包裹抓取失败时，，，，，Helix会以最小的延迟迅速纠正运动，，，，，显著缩短了处置惩罚时间。。。。。。。 为了付与Helix触感，，，，，机械人施加在情形和目的上的力，，，，，被反响送至神经网络状态输入中，，，，，以资助机械人动态调解运动历程，，，，，例如当它检测到与传送带接触时，，，，，会暂停向下继续运动。。。。。。。 无需单独的程序或模式开关，，，，，仅通过神经网络的视觉调理，，，，，当站在一旁的人类伸脱手，，，，，机械人就会自动认定这是交出物品的提醒，，，，，并将包裹递交给人类而不是传送带。。。。。。。