كشفت جوجل ديب مايند عن مجموعة من التطورات التي تعالج التحديات الرئيسية في مجال الروبوتات مثل جمع البيانات المستقلة والكفاءة الحسابية وتعميم المهام. معا ، هذه الأنظمة الجديدة – AutoRT, SARA-RT, and RT-Trajectory تظهر خطوات نحو الروبوتات المساعدة أكثر قدرة.
يسمح التعديل التلقائي لمجموعات الروبوتات بجمع بيانات التدريب بشكل مستقل في بيئات غير مرئية. وهو يعمل من خلال الجمع بين نموذج اللغة البصرية (فلم) لإدراك المناطق المحيطة بها مع نموذج لغة كبيرة (لم) التي تقترح مهام التلاعب متنوعة تناسب ما تراه الروبوتات في بيئتها. يوجه النظام الروبوتات ، كل منها مزود بكاميرا ومستجيب نهائي ، لأداء مهام متنوعة في بيئات مختلفة. قبل التنفيذ ، يتم تصفية المهام من أجل السلامة من قبل” مشرع ماجستير “يسترشد بـ” دستور الروبوت ” المستوحى من قوانين أسيموف الثلاثة للروبوتات.
SARA-RT ، أو الاهتمام القوي الذاتي التكيف لمحولات الروبوتات ، هو نظام جديد يحول نماذج مثل مليار المعلمة رت-2 إلى أسرع ، إصدارات يتقن على قدم المساواة لتحسين نشر على الروبوت. يستخدم طريقة ضبط دقيقة جديدة “للتدريب” لتغيير آليات انتباه التعقيد التربيعي إلى آليات خطية ، مما يقلل بشكل حاد من الحمل الحسابي.
تطبيقRT-Trajectory ، سارة-رت أدى إلى زيادة دقة 10.6 ٪ و 14 ٪ أسرع في اتخاذ القرار بعد أن قدمت مع تاريخ قصير من الصور. كما أنه ضاعف من سرعة محولات السحابة النقطية للإدراك المكاني-مما يعرض قابلية التطبيق الواسعة.
AutoRT يضيف اسكتشات مسار-الخطوط العريضة 2 د مبسطة من الاقتراحات الروبوت-إلى بيانات التدريب. يسمح هذا التوجيه المرئي الإضافي للسياسات بتفسير التعليمات في سياق البيئة والتعميم بشكل أكثر فعالية.
AutoRT هو سياسة التحكم الروبوتية مشروطة على الرسومات مسار: طريقة تكييف الرواية التي هي عملية وسهلة لتحديد ، ويسمح التعميم الفعال لمهام جديدة وراء بيانات التدريب.
في التقييمات ، تضاعف معدل نجاح الطرق الحالية في المهام غير المرئية بنسبة 63٪. يمكنه أيضا إنشاء رسومات تخطيطية من العروض البشرية أو الرسومات اليدوية أو نماذج الأساس الحديثة ، مما يجعلها متعددة الاستخدامات.
تمثل التطورات الأخيرة لجوجل ديب مايند جهدا متماسكا نحو إنشاء روبوتات أكثر قدرة وتنوعا. يعد دمج جمع البيانات على نطاق واسع في أوتورت ، وكفاءة سارة-آر تي ، وتعميم حركة آر تي-تراك بمستقبل حيث يمكن للروبوتات أداء مجموعة واسعة من المهام بدقة وقدرة على التكيف. لا تعمل هذه الابتكارات على تحسين القدرات الروبوتية الحالية فحسب ، بل تضع أيضا الأساس للتقدم المستقبلي في هذا المجال.
معا ، هذه التطورات بوصة أقرب إلى الروبوتات المساعدة في المستقبل-قادرة على جمع البيانات الخاصة بهم ، والتفكير بسرعة ، والتكيف مع المهارات لحالات جديدة. في حين أنها لا تزال مجرد نماذج بحثية ، فإنها تسلط الضوء على تقدم ديب مايند في اكتشاف طرق مبتكرة للتغلب على التحديات المفتوحة للروبوتات. مع استمرار تطور هذه التقنيات ، فإنها تحمل وعدا بتقريبنا من مستقبل تندمج فيه الروبوتات بسلاسة في حياتنا اليومية وتقدم المساعدة في مجموعة من المهام المعقدة.
