Deep Mind با توسعه مدل هوش مصنوعی RoboCatادعا می کند که اولین مدلی است که قادر به حل و انطباق با چندین کار با استفاده از روبات های واقعی است.
گزارش کردن تکناکالکس لی، دانشمند تحقیقاتی در DeepMind و یکی از اعضای تیم پشتیبان RoboCat، گفت: «ما نشان میدهیم که یک مدل بزرگ میتواند مجموعهای از وظایف را در چندین تجسم ربات در دنیای واقعی حل کند و میتواند به سرعت با وظایف و تجسمهای جدید سازگار شود. TechCrunch. سازگار شدن
RoboCat از گاتو از مدل هوش مصنوعی DeepMind الهام گرفته شده است که می تواند متن، تصاویر و رویدادها را تجزیه و تحلیل کند. RoboCat بر روی تصاویر و داده های عملی جمع آوری شده از روباتیک، هم در شبیه سازی و هم در زندگی واقعی آموزش دیده است. لی میگوید این دادهها از ترکیبی از مدلهای دیگر کنترلکننده ربات در محیطهای مجازی، روباتهای کنترلشده توسط انسان و تکرارهای قبلی خود RoboCat بهدست آمدهاند.
برای آموزش این ربات، محققان DeepMind ابتدا بین 100 تا 1000 نمایش از یک کار ربات را با استفاده از یک بازوی رباتیک که توسط یک انسان کنترل می شود جمع آوری کردند. بازوی روباتیکی را تصور کنید که چرخ دنده ها یا بلوک ها را روی هم چیده است. سپس، Robocut را بر روی این کار تنظیم کردند و یک مدل spin-off تخصصی ایجاد کردند که به طور متوسط 10000 بار روی این کار آموزش دید.
با استفاده از داده های تولید شده توسط مدل های اسپین آف و داده های نمایشی، محققان به طور مداوم مجموعه داده های آموزشی RoboCat را افزایش دادند و نسخه های جدید بعدی RoboCat را آموزش دادند.
نسخه نهایی مدل Robotech در مجموع روی 253 کار آموزش داده شد و بر روی مجموعه ای از 141 تغییر از این وظایف، هم در شبیه سازی و هم در دنیای واقعی آزمایش شد. DeepMind ادعا می کند که پس از 1000 نمایشگر Robotech که توسط Assembled در طول چند ساعت کنترل شد، RoboCat یاد گرفت که با بازوهای رباتیک مختلف کار کند.
در حالی که RoboCat بر روی چهار نوع ربات با بازوهای دو شاخه آموزش دیده بود، این مدل توانست خود را با بازوی پیچیده تر با گیره سه انگشتی و دو برابر ورودی های قابل کنترل سازگار کند.
عملکرد RoboCat، یکی از آخرین مدل های هوش مصنوعی که برای کنترل ربات ها توسعه یافته است، در وظایف آزمایشگاهی DeepMind بسیار متغیر بوده است. راندمان این مدل در محدوده وسیعی از 13 درصد در سطح ساده تا 99 درصد در سطح پیشرفته است. این نتایج با استفاده از 1000 مورد از داده های آموزشی به دست آمده است. می توان انتظار داشت که در صورت کاهش تعداد موارد استفاده شده برای آموزش، میزان موفقیت نیز کاهش یابد.
با این حال، در برخی از سناریوها، DeepMind ادعا می کند که RoboCat قادر به یادگیری وظایف جدید با حداقل 100 نمایش بوده است. با نگاهی بیشتر، لی می گوید که RoboCat می تواند از کاهش موانع برای حل وظایف جدید در رباتیک خبر دهد.
او افزود که با ارائه تعداد محدودی از قرار گرفتن در معرض یک کار جدید، RoboCat می تواند وظایف جدید را به خوبی تنظیم کند و به نوبه خود داده های بیشتری را برای بهبود بیشتر تولید کند.
در مرحله بعد، تیم تحقیقاتی قصد دارد تعداد نمایش های مورد نیاز برای آموزش RoboCat برای تکمیل یک کار جدید را به کمتر از 10 کاهش دهد.
مقاله ادغام هوش مصنوعی و رباتیک در مدل قدرتمند RoboCat اولین بار در Tech Knock – اخبار دنیای فناوری پدیدار شد. ظاهر شد.
گفتگو در مورد این post