Google-ის DeepMind განყოფილების რობოტიკის ჯგუფმა წარადგინა სამი ახალი პროდუქტი, რომელიც დაეხმარება რობოტებს უფრო სწრაფად მიიღონ გადაწყვეტილებები და იმოქმედონ უფრო ეფექტურად და უსაფრთხოდ ხალხის გარშემო დავალებების შესრულებისას.
AutoRT-ის მონაცემთა შეგროვების სისტემა დაფუძნებულია ვიზუალური ენის მოდელზე (VLM) და დიდი ენის მოდელზე (LLM), რომელიც ეხმარება რობოტებს შეაფასონ თავიანთი გარემო, მოერგონ უცნობ გარემოს და მიიღონ გადაწყვეტილებები ამოცანების შესახებ. VLM გამოიყენება გარემოს გასაანალიზებლად და ობიექტების ამოცნობისთვის ხედვის დიაპაზონში, ხოლო LLM პასუხისმგებელია დავალებების შემოქმედებით შესრულებაზე. AutoRT-ის ყველაზე მნიშვნელოვანი ინოვაცია იყო გამოჩენა LLM ბლოკში "რობოტების კონსტიტუციები" - უსაფრთხოებაზე ორიენტირებული ბრძანებები, რომლებიც ეუბნებიან მანქანას, თავი აარიდოს ამოცანებს, რომლებიც მოიცავს ადამიანებს, ცხოველებს, ბასრ ობიექტებს და ელექტრო მოწყობილობებსაც კი. დამატებითი უსაფრთხოების მიზნით, სამუშაო დაპროგრამებულია ისე, რომ შეჩერდეს, როდესაც სახსრებზე ძალა გადააჭარბებს გარკვეულ ზღურბლს; და მათ დიზაინს ახლა აქვს დამატებითი ფიზიკური გადამრთველი, რომელიც ადამიანს შეუძლია გამოიყენოს საგანგებო სიტუაციებში.
ბოლო შვიდი თვის განმავლობაში Google-მა განათავსა 53 სამუშაო ადგილი AutoRT სისტემით თავის ოთხ საოფისე შენობაში და ჩაატარა 77-ზე მეტი ტესტი. ზოგიერთი მანქანა დისტანციურად კონტროლდებოდა ოპერატორების მიერ, ზოგი კი დავალებებს ავტონომიურად ასრულებდა მოცემული ალგორითმის საფუძველზე ან Robotic Transformer (RT-2) AI მოდელის გამოყენებით. ჯერჯერობით, ყველა ამ რობოტს აქვს უკიდურესად მარტივი გარეგნობა: ისინი არიან მანიპულატორის კიდურები მობილურ ბაზაზე და კამერები სიტუაციის შესაფასებლად.
მეორე ინოვაცია იყო SARA-RT (Self-Adaptive Robust Attention for Robotics Transformers) სისტემა, რომელიც მიზნად ისახავდა RT-2 მოდელის მუშაობის ოპტიმიზაციას. მკვლევარებმა დაადგინეს, რომ შეყვანის მონაცემების გაორმაგებით, მაგალითად, კამერების გარჩევადობის გაზრდით, რობოტის გამოთვლითი რესურსების მოთხოვნილება ოთხჯერ იზრდება. ეს პრობლემა მოგვარდა ხელოვნური ინტელექტის დახვეწის ახალი მეთოდით, სახელწოდებით up-training - ეს მეთოდი აქცევს გამოთვლითი რესურსების საჭიროების კვადრატულ ზრდას თითქმის წრფივში. ამის გამო მოდელი უფრო სწრაფად მუშაობს, ინარჩუნებს წინა ხარისხს.
დაბოლოს, Google DeepMind-ის ინჟინერებმა შეიმუშავეს RT-Trajectory AI მოდელი, რომელიც ამარტივებს რობოტების მომზადებას კონკრეტული ამოცანების შესასრულებლად. დავალების დადგენის შემდეგ, თავად ოპერატორი აჩვენებს მისი შესრულების ნიმუშს, RT-Trajectory აანალიზებს ადამიანის მიერ დადგენილ მოძრაობის ტრაექტორიას და ადაპტირებს მას რობოტის ქმედებებთან.
ასევე წაიკითხეთ: