Robotik Ekip, Robotlar için Yeni Sistemi Vurguluyor!

Robotik dünyasında keşfedeceğiniz ilk şeylerden biri, basit görevlerin karmaşıklığıdır! İnsanlara basit görünen şeyler, kanıksadığımız potansiyel olarak sonsuz değişkenlere sahiptir. Robotların böyle lüksleri yok. Tam da bu nedenle endüstrinin çoğu, yapılandırılmış ortamlarda tekrarlanabilir görevlere odaklanıyor. Neyse ki, robotik öğrenme dünyası son yıllarda oyunun kurallarını değiştiren bazı atılımlar gördü. Endüstri de daha uyarlanabilir sistemlerin oluşturulması ve devreye alınması yolunda ilerliyor.

Geçen yıl, Google DeepMind'ın robotik ekibi, Gündelik Robot sistemlerini toplama, yerleştirme ve çekilişleri açma gibi görevleri yerine getirmek üzere eğiten Robotik Transformer — RT-1'i tanıttı. Ekibe göre sistem, "700'den fazla" görev için yüzde 97 başarı oranıyla sonuçlanan 130.000 demodan oluşan bir veritabanına dayanıyordu.

DeepMind'in Seçkin Bilim İnsanı ve Robotik Başkanı Vincent Vanhoucke bir blog yazısında, sistemin robotların nispeten küçük veri kümelerinde öğrenilen kavramları farklı senaryolara etkili bir şekilde aktarmasına izin verdiğini belirtiyor.

İlginizi Çekebilir: Robotik Bebek Groot, Yakında Disney Parklarında!

İşte Detaylar

Google, "RT-2, maruz kaldığı robotik verilerin ötesinde gelişmiş genelleme yetenekleri ve anlamsal ve görsel anlayış gösteriyor" diye açıklıyor. "Bu, yeni komutları yorumlamayı ve nesne kategorileri veya üst düzey açıklamalar hakkında akıl yürütme gibi temel akıl yürütme yaparak kullanıcı komutlarına yanıt vermeyi içeriyor." Sistem, mevcut bağlamsal bilgilere dayalı olarak belirli bir yeni görev için en iyi araç gibi şeyleri belirleme kapasitesini etkili bir şekilde gösteriyor.

Vanhoucke, bir robottan çöpleri atmasının istendiği bir senaryodan alıntı yapıyor. Birçok modelde, kullanıcının robota neyin çöp olarak nitelendirildiğini belirlemesi ve ardından çöpü alıp atması için robotu eğitmesi gerekir. Bir dizi farklı görevi gerçekleştirmesi beklenen sistemler için özellikle ölçeklenebilir olmayan bir ayrıntı düzeyidir.

Vanhoucke, "RT-2, büyük bir web verisi topluluğundan bilgi aktarabildiği için, çöpün ne olduğu konusunda zaten bir fikre sahip ve açık bir eğitim olmadan onu tanımlayabiliyor. Asla bu eylemi yapmak için eğitilmemiş olmasına rağmen, çöpü nasıl atacağına dair bir fikri bile var. Ve çöpün soyut doğasını düşünün . Bir torba cips veya muz kabuğu olan şeyler, siz onları yedikten sonra çöpe dönüşür. RT-2, vizyon dili eğitim verilerinden bunu anlamlandırabiliyor ve işini yapıyor.”

Ekip, RT-1'den RT-2'ye geçişte yeni görevleri yerine getirmedeki etkinlik oranının yüzde 32'den yüzde 62'ye yükseldiğini ifade ediyor.