Google DeepMind-ийн RT-2: Энэхүү Хараа-Хэл-Үйлдэл Загвар нь Робот Сургалтыг Хэрхэн Өөрчилж Байна

RT-2-т Танилцуулга

Google DeepMind-ийн бүтээсэн RT-2 нь робот техникийн AI-ийн томоохон дэвшил болох хараа-хэл-үйлдэл (VLA) загвар юм. Энэхүү загвар нь роботуудад харааны оролтыг боловсруулж, хэлний командуудыг ойлгож, нарийн үйлдлүүдийг гүйцэтгэх боломжийг олгож, дижитал AI болон физик роботын үйл ажиллагааны хооронд саадгүй гүүр бий болгодог.

• RT-2 нь нээлт болж, зураг, текст, үйлдлийн асар том өгөгдлийн сангаас суралцах боломжийг олгосноор робот сургалтыг сайжруулж, роботуудад шинэ орчинд дасан зохицоход хялбар болгодог. Жишээлбэл, AY-Robots платформ дээр телеоператорууд RT-2-оос санаа авсан загваруудыг ашиглан роботуудыг объекттой ажиллах даалгаварт сургах боломжтой бөгөөд робот нь аман зааврын дагуу зүйлсийг таньж, авч сурдаг.
• RT-2 нь хүрээлэн буй орчныг мэдрэх хараа, командыг тайлбарлах хэл, бодит ертөнцөд гүйцэтгэх үйлдлийг нэгтгэж, сургалтын үр ашгийг дээшлүүлдэг. Үүний тод жишээ бол агуулах дахь багцыг ангилдаг робот юм; энэ нь зүйлсийг илрүүлэхийн тулд хараа, ангилах шалгуурыг ойлгох хэл, тэдгээрийг зөв байрлуулах үйлдлийг ашигладаг бөгөөд бүгдийг AY-Robots зэрэг платформууд дээр өгөгдөл цуглуулах замаар оновчтой болгодог.
• AI загваруудыг бодит ертөнцийн хэрэглээтэй холбосноор RT-2 нь симуляцийн орчноос физик роботууд руу мэдлэг дамжуулах боломжийг олгож, сургалтын хугацааг багасгадаг. AY-Robots дээр энэ нь телеоператорууд алсаас өндөр чанартай сургалтын өгөгдөл цуглуулж, роботуудад саад тотгороор дүүрэн замыг хамгийн бага хэмжээний газар дээрх тохируулгаар туулах зэрэг нарийн төвөгтэй даалгавруудыг гүйцэтгэх боломжийг олгодог гэсэн үг юм.

Хараа-Хэл-Үйлдэл (VLA) Загвар гэж Юу Вэ?

Хараа-Хэл-Үйлдэл (VLA) загвар нь гурван үндсэн бүрэлдэхүүн хэсгийг нэгтгэсэн дэвшилтэт AI архитектур юм: харааны өгөгдлийг тайлбарлах харааны боловсруулалт, текстэн болон аман оролтыг ойлгох хэлний ойлголт, физик даалгавруудыг гүйцэтгэх үйлдлийн гүйцэтгэл. Энэхүү цогц арга нь роботуудад олон төрлийн өгөгдөлд үндэслэн шийдвэр гаргах боломжийг олгож, зөвхөн нэг төрлийн оролтыг зохицуулдаг уламжлалт AI загваруудаас хамаагүй илүү юм.

• Үндсэндээ RT-2 шиг VLA загвар нь компьютерийн хараагаар дамжуулан зургийг боловсруулах, хэлийг хэлний боловсруулалтаар дамжуулан задлах, үйлдлийг бэхжүүлэх замаар бий болгохын тулд мэдрэлийн сүлжээг ашигладаг. Жишээлбэл, AY-Robots платформ дээрх робот сургалтад VLA загвар нь 'Улаан алим ав' гэсэн командыг авч, харааг ашиглан байршлыг нь тогтоож, хэлийг ашиглан зааврыг баталгаажуулж, үйлдлийг ашиглан барьж авч болно.
• VLA загварууд нь өгөгдлийг тусгаарлаж боловсруулахын оронд олон төрлийн өгөгдлийн эх үүсвэрээс эцэс хүртэл суралцах боломжийг олгодог тул уламжлалт AI-аас ялгаатай. Уламжлалт загварууд нь хараа, хэлний хувьд тусдаа модулиудыг шаардаж болох бөгөөд энэ нь үр ашиггүй байдалд хүргэдэг бол VLA нь илүү хурдан дасан зохицохын тулд тэдгээрийг нэгтгэдэг. AY-Robots дээр энэ нь телеоператорын сессүүдэд тодорхой харагддаг бөгөөд операторууд бодит цагийн өөрчлөлтийг зохицуулахын тулд VLA загваруудыг сургадаг өгөгдөл цуглуулдаг, жишээлбэл объектыг таних үед гэрэлтүүлгийн нөхцөл өөрчлөгдөх.
• Робот сургалт, өгөгдөл цуглуулах үйл ажиллагаанд VLA загварууд нь бие даасан жолоодлого эсвэл мэс заслын тусламж зэрэг хувилбаруудад маш сайн байдаг. Жишээлбэл, AY-Robots-ийг ашиглан телеоператорууд робот гарыг алсаас удирдаж нарийн даалгавруудыг гүйцэтгэх боломжтой бөгөөд VLA загвар нь ирээдүйн бие даасан байдлыг сайжруулахын тулд өгөгдлөөс суралцаж, сайжруулсан гүйцэтгэлийн өндөр нарийвчлалтай сургалтын өгөгдлийн санг баталгаажуулдаг.

RT-2 Хэрхэн Ажилладаг: Техникийн Задрал

RT-2-ийн архитектур нь хараа, хэл, үйлдлийн оролтыг нэгэн зэрэг боловсруулдаг трансформатор дээр суурилсан суурин дээр бүтээгдсэн бөгөөд энэ нь робот системийн үр ашигтай суралцах, шийдвэр гаргах боломжийг олгодог.

• Гол механизмд хараа, хэлний өгөгдөлд зориулсан нийтлэг кодлогч, дараа нь үйлдлийн дарааллыг гаргадаг код тайлагч орно. Энэхүү тохиргоо нь RT-2-т робот техникийн өгөгдлийн санд нарийн тохируулсан урьдчилан сургагдсан загваруудыг ашиглан нарийн төвөгтэй даалгавруудыг зохицуулах боломжийг олгодог бөгөөд энэ нь өгөгдөл цуглуулах нь чухал AY-Robots зэрэг платформуудад тохиромжтой.
• Нэгтгэх нь харааны боловсруулалтыг (жишээлбэл, камерын тэжээлээс объектыг таних), хэлний ойлголтыг (жишээлбэл, хэрэглэгчийн командыг тайлбарлах), үйлдлийн гүйцэтгэлийг (жишээлбэл, хөдөлгөөнийг хянах мотор) нэгтгэсэн нэгдсэн мэдрэлийн сүлжээгээр дамжуулан явагддаг. AY-Robots дээрх практик жишээ бол роботыг эд анги угсрахад сургах явдал юм; загвар нь бүрэлдэхүүн хэсгүүдийг илрүүлэхийн тулд хараа, угсралтын зааврыг дагах хэл, даалгаврыг үнэн зөв гүйцэтгэх үйлдлийг ашигладаг.
• Том хэмжээний өгөгдөл цуглуулах нь RT-2-ийг сургахад чухал бөгөөд бодит ертөнцийн харилцан үйлчлэлийн сая сая жишээг хамардаг. AY-Robots дээр телеоператорууд сессийн үеэр тайлбарласан өгөгдөл өгөх замаар хувь нэмэр оруулдаг бөгөөд энэ нь загварыг сайжруулж, ерөнхийлөн дүгнэх чадварыг сайжруулдаг, жишээлбэл роботуудыг өргөн хүрээтэй дахин сургалтгүйгээр шинэ объектуудад дасан зохицоход сургах.

RT-2-оор Робот Сургалтыг Хувьсгал Хийж Байна

RT-2 нь роботууд сурч, дасан зохицох арга барилыг өөрчилж, AI-ээр ажилладаг робот техникт урьд өмнө байгаагүй уян хатан байдал, үр ашгийг санал болгож байна.

• RT-2 нь үзүүлбэр, залруулгаас хурдан суралцах боломжийг олгосноор роботын дасан зохицох чадварыг сайжруулж, динамик орчинд шийдвэр гаргах чадварыг сайжруулдаг. Жишээлбэл, үйлдвэрлэлд RT-2 ашигладаг робот нь AY-Robots-ийн телеоператорын хэрэгслээр дамжуулан цуглуулсан бодит цагийн өгөгдөлд үндэслэн угсралтын шугамын өөрчлөлтөд тохируулж болно.
• Телеоператорууд өндөр чанартай өгөгдөл цуглуулах ажлыг хялбаршуулдаг хэрэгсэлд хандах замаар RT-2-оос ашиг хүртэж, алдааг бууруулж, сургалтын мөчлөгийг хурдасгадаг. AY-Robots дээр энэ нь операторууд роботуудыг алсаас даалгавруудаар удирдах боломжтой гэсэн үг бөгөөд загвар нь өгөгдлийг автоматаар нэгтгэж, нарийн объектын зохицуулалтын бариулын хүчийг сайжруулах зэрэг зан үйлийг сайжруулдаг.
• Бодит ертөнцийн жишээнд RT-2 нь эрүүл мэндийн салбарт роботуудад дуут командын дагуу эм авах зэрэг өвчтөнд туслах боломжийг олгодог бөгөөд AY-Robots нь эдгээр хэрэглээний үр ашиг, аюулгүй байдлыг сайжруулахын тулд өгөгдөл цуглуулах ажлыг хөнгөвчилдөг.

Робот техник ба AI-д Хэрэглэх

RT-2-ийн чадавхи нь хүний ​​роботын хамтын ажиллагаа, өгөгдөлд суурилсан робот техникийн салбарт шинэчлэлийг хөдөлгөн олон салбарт тархдаг.

• Үйлдвэрлэлд RT-2 нь автомат угсралт, чанарын хяналтад тусалдаг; эрүүл мэндийн салбарт мэс заслын роботуудыг дэмждэг; бие даасан системд навигацийг сайжруулдаг. Жишээлбэл, AY-Robots дээр телеоператорууд RT-2-ийг ашиглан роботуудыг агуулахын автоматжуулалтад сургаж, хурд, нарийвчлалыг сайжруулдаг.
• AY-Robots нь хүний ​​роботын саадгүй хамтын ажиллагаанд RT-2-ийг ашиглаж, телеоператоруудад даалгаврыг алсаас хянах боломжийг олгодог бол загвар нь операторын оролтод үндэслэн аюултай газруудаар навигаци хийх зэрэг гамшгийн хариу арга хэмжээний хувилбаруудад тогтмол шийдвэр гаргах ажлыг зохицуулдаг.
• VLA загваруудыг хэрэгжүүлэхэд өгөгдлийн нууцлал, загварын хазайлт зэрэг сорилтуудыг AY-Robots дээрх аюулгүй өгөгдлийн протоколуудаар шийдэж, өгөгдөлд суурилсан робот техникт ёс зүйтэй сургалт, бодит цагийн дасан зохицох шийдлийг баталгаажуулж болно.

Ирээдүйн Үр Дагавар ба Сорилтууд

RT-2 нь робот техникийн дэвшилтэт AI-ийн замыг нээж байгаа тул ёс зүйтэй хөгжлийн боломж, үүрэг хариуцлагыг хоёуланг нь авчирдаг.

• Боломжит дэвшилд өдөр тутмын хэрэглээнд зориулсан илүү бие даасан роботууд багтах бөгөөд үүнийг RT-2-ийн хамгийн бага өгөгдлөөс суралцах чадвар хангадаг бөгөөд AY-Robots нь дэлхийн хэрэглэгчдэд зориулсан өргөтгөсөн телеоператорын функцээр сайжруулж чадна.
• Ёс зүйн асуудалд шударга өгөгдөл цуглуулах, хазайлтаас зайлсхийх зэрэг асуудлууд багтдаг бөгөөд AY-Robots нь робот хэрэглээнд итгэх итгэлийг хадгалахын тулд нэрээ нууцалсан өгөгдлийн сан, AI сургалтын ил тод процессуудаар шийдвэрлэдэг.
• AY-Robots нь VLA загваруудыг дуут идэвхжүүлсэн командууд зэрэг ойлгомжтой удирдлагад нэгтгэх замаар телеоператорын туршлагыг сайжруулахын тулд RT-2-ийг ашиглаж, алсын зайн робот сургалтыг илүү хүртээмжтэй, үр ашигтай болгож чадна.

Дүгнэлт: Урагшлах Зам

Дүгнэж хэлэхэд Google DeepMind-ийн RT-2 нь хараа, хэл, үйлдлийг нэгтгэх замаар робот сургалтыг хувьсгал хийж, AI робот техникт шинэчлэл хийж, практик хэрэглээний шинэ боломжуудыг нээж байна.

• Энэхүү загварын нөлөөлөл нь AY-Robots зэрэг платформоор дамжуулан үр дүнтэй сургалтын өгөгдөл цуглуулах замаар харагдаж байгаачлан дасан зохицох чадвар, үр ашиг, хамтын ажиллагааг сайжруулах чадварт оршино.
• Бид уншигчдыг AY-Robots-ийг ашиглан робот техникийн сургалтад хамрагдахыг уриалж байна. Энд та RT-2-тэй төстэй чадварыг бодит ертөнцийн хувилбарт мэдрэх боломжтой.
• VLA загварууд хөгжихийн хэрээр робот техникийн ирээдүй нь хүний ​​үйл ажиллагаатай илүү нягт уялдаатай байх болно гэж амлаж байгаа бөгөөд AY-Robots зэрэг платформууд дээр ёс зүйтэй дэвшил, судалгааг үргэлжлүүлэхийг уриалж байна.