1X, robotları eğitmek için üretken dünya modelleri yayınladı

Robotik girişim 1X Teknolojileri simülasyonda robotik sistemleri eğitmeyi çok daha verimli hale getirebilecek yeni bir üretken mannequin geliştirdi. Şirketin bir duyuruda duyurduğu mannequin yeni blog yazısırobotiğin önemli zorluklarından biri olan, bir robotun eylemlerine yanıt olarak dünyanın nasıl değişeceğini tahmin edebilen “dünya modelleri” öğrenme konusunu ele alıyor.

Robotları doğrudan fiziksel ortamlarda eğitmenin maliyetleri ve riskleri göz önüne alındığında, robotic bilimciler genellikle kontrol modellerini gerçek dünyaya yerleştirmeden önce eğitmek için simüle edilmiş ortamları kullanırlar. Ancak simülasyon ile fiziksel ortam arasındaki farklar zorluklara neden olur.

1X Applied sciences’de Yapay Zeka Başkan Yardımcısı Eric Jang, VentureBeat’e verdiği demeçte, “Robikçiler genellikle gerçek dünyanın ‘dijital ikizi’ olan sahneleri elle yazar ve dinamiklerini simüle etmek için Mujoco, Bullet, Isaac gibi katı cisim simülatörleri kullanırlar” dedi. “Ancak, dijital ikiz, bir ortamda eğitim alıp farklı bir ortamda dağıtıma yol açan fizik ve geometrik yanlışlıklara sahip olabilir ve bu da ‘sim2real boşluğuna’ neden olur. Örneğin, internetten indirdiğiniz kapı modelinin, robotu take a look at ettiğiniz gerçek kapının kolundaki yay sertliğinin aynı olması pek olası değildir.”

Üretken dünya modelleri

Bu boşluğu kapatmak için 1X’in yeni modeli, doğrudan robotlardan toplanan ham sensör verileri üzerinde eğitilerek gerçek dünyayı simüle etmeyi öğreniyor. Şirketin kendi robotlarından toplanan binlerce saatlik video ve aktüatör verilerini görüntüleyerek, mannequin dünyanın mevcut gözlemine bakabilir ve robotic belirli eylemlerde bulunursa ne olacağını tahmin edebilir.

Veriler, evlerde ve ofislerde çeşitli mobil manipülasyon görevleri yapan ve insanlarla etkileşim halinde olan EVE insansı robotlarından toplandı.

Jang, “Verilerin tamamını çeşitli 1X ofislerimizden topladık ve verileri açıklama ve filtreleme konusunda yardımcı olan bir Android Operatörleri ekibimiz var,” dedi. “Gerçek verilerden doğrudan bir simülatör öğrenerek, etkileşim verilerinin miktarı arttıkça dinamikler gerçek dünyayla daha yakından eşleşmelidir.”

Öğrenilmiş dünya modeli, özellikle nesne etkileşimlerini simüle etmek için kullanışlıdır. Şirket tarafından paylaşılan videolar, modelin robotun kutuları kavradığı video dizilerini başarıyla tahmin ettiğini gösteriyor. 1X’e göre mannequin ayrıca “katı cisimler, nesnelerin düşürülmesinin etkileri, kısmi gözlemlenebilirlik, deforme edilebilir nesneler (perdeler, çamaşırlar) ve eklemli nesneler (kapılar, çekmeceler, perdeler, sandalyeler) gibi önemsiz olmayan nesne etkileşimlerini” de tahmin edebilir.

Bazı videolar, modelin gömlek katlama gibi deforme edilebilir nesnelerle karmaşık uzun ufuk görevlerini simüle ettiğini gösteriyor. Mannequin ayrıca, engellerden nasıl kaçınılacağı ve insanlardan güvenli bir mesafe nasıl korunacağı gibi çevrenin dinamiklerini de simüle ediyor.

Üretken modellerin zorlukları

Çevredeki değişiklikler bir zorluk olmaya devam edecek. Tüm simülatörler gibi, robotun çalıştığı ortamlar değiştikçe üretken modelin de güncellenmesi gerekecek. Araştırmacılar, modelin dünyayı simüle etmeyi öğrenme biçiminin onu güncellemeyi kolaylaştıracağına inanıyor.

Jang, “Eğitim verileri eski ise, üretici modelin kendisi bir sim2real boşluğuna sahip olabilir,” dedi. “Ancak fikir, tamamen öğrenilmiş bir simülatör olduğu için, gerçek dünyadan yeni veriler beslemenin, bir fizik simülatörünün elle ayarlanmasını gerektirmeden modeli düzelteceğidir.”

1X’in yeni sistemi, doğru eğitim verileri ve teknikleriyle üretken modellerin bir tür dünya modelini öğrenebileceğini ve zaman içinde tutarlı kalabileceğini gösteren OpenAI Sora ve Runway gibi yeniliklerden ilham alıyor.

Ancak, bu modeller metinden video üretmek için tasarlanmış olsa da, 1X’in yeni modeli, üretim aşamasında eylemlere tepki verebilen üretken sistemler trendinin bir parçasıdır. Örneğin, Google’daki araştırmacılar yakın zamanda DOOM oyununu simüle edebilecek üretken bir modeli eğitmek için benzer bir teknik kullandılar. Etkileşimli üretken modeller, robotik kontrol modelleri ve takviyeli öğrenme sistemleri eğitmek için sayısız olasılık açabilir.

Ancak, üretken modellere özgü zorlukların bazıları 1X tarafından sunulan sistemde hala belirgindir. Mannequin açıkça tanımlanmış bir dünya simülatörü tarafından desteklenmediğinden, bazen gerçekçi olmayan durumlar üretebilir. 1X tarafından paylaşılan örneklerde, mannequin bazen bir nesnenin havada asılı bırakıldığında düşeceğini tahmin etmekte başarısız olur. Diğer durumlarda, bir nesne bir kareden diğerine kaybolabilir. Bu zorluklarla başa çıkmak hala kapsamlı çabalar gerektirir.

Bir çözüm daha fazla veri toplamaya ve daha iyi modeller eğitmeye devam etmektir. Jang, “Son birkaç yıldır üretken video modellemede önemli ilerlemeler gördük ve OpenAI Sora gibi sonuçlar, ölçeklenebilir veri ve hesaplamanın oldukça ileri gidebileceğini gösteriyor” dedi.

Aynı zamanda 1X, topluluğunu bu çabaya katılmaya teşvik ediyor ve kendi ürününü yayınlıyor: modeller Ve ağırlıklarŞirket ayrıca modelleri geliştirmek için yarışmalar düzenleyecek ve kazananlara para ödülleri verilecek.

Jang, “Dünya modellemesi ve video üretimi için birden fazla yöntemi aktif olarak araştırıyoruz” dedi.