انجام کارهای خانه با ربات های انسان‌نما جدید

Bert Edkak ، بنیانگذار و مدیرعامل Figure ، روز پنجشنبه الگوی جدیدی را برای مراقبت از روبات های انسانی فاش کرده است. این خبر دو هفته پس از تصمیم این شرکت برای متوقف کردن همکاری با OpenAI منتشر شد و بر توسعه توسعه ، الگوی جدیدی برای ایجاد Vision (VLA) متمرکز شده است.

به گفته سینگ گراچی ، مدل های VLA یک پدیده در حال ظهور در زمینه روبات ها هستند که از ترکیب بصری و دستورات زبانی برای پردازش اطلاعات استفاده می کنند. در حال حاضر ، مشهورترین نمونه این مدل Google DeepMind RT-2 است که از مجموعه ای از مدل های ویدئویی و LLM برای آموزش روبات ها استفاده می کند.

Helix همچنین عملکرد مشابهی را انجام می دهد و در حال حاضر با ترکیب سفارشات داده های بصری با سفارشات زبانی ، ربات را کنترل می کند. “Helix بسیار قادر به تعمیم اشیاء است و می تواند هزاران لوازم خانگی جدید را به شکل ، اندازه ، رنگ و نژادهایی که در روند آموزش بی سابقه هستند ، فراهم کند ، مگر با دریافت درخواست در زبان طبیعی.”

ایده اصلی این مدل این است که از روبات می توان به راحتی خواسته شد بدون نیاز به برنامه نویسی پیشرفته کاری انجام دهد. Helix برای پر کردن شکاف بین درمان نوری و زبان درمانی طراحی شده است. این سیستم به صورت بصری مناطق اطراف را به صورت بصری ارزیابی می کند و سپس عملکرد صحیح را انجام می دهد.

نمونه هایی از عملکرد وی را برای ارائه قابلیت های این مدل ارائه دهید ، از جمله:

“یک کیف بیسکویت برای ربات راست بدهید.”

“کیسه بیسکویت را از ربات سمت چپ بردارید و آن را در پله های باز قرار دهید.”

این مثالها نشان می دهد که Helix می تواند دو روبات را همزمان کنترل کند ، به طوری که یکی از آنها وظیفه دارد به دیگری در انجام وظایف مختلف کمک کند.

روبات های انسانی وارد محیط خانه می شوند

شکل قصد دارد مدل VLA خود را با شکل ربات ighty در محیط های خانگی آزمایش کند. خانه ها یکی از دشوارترین محیط های روبات ها به دلیل تنوع ساختاری و عدم استاندارد بودن خود هستند. از طرف دیگر ، روبات هایی که برای صنایع طراحی شده اند معمولاً در محیط های سازمان یافته تری مانند کارخانه ها و انبارها کار می کنند.

روبات های انسانی می آموزند که در محیط خانه کار کنند با چالش های بسیاری روبرو هستند ، از جمله یادگیری نحوه کنترل حرکات و سازگاری با تغییرات پی در پی در محیط. این مشکلات علاوه بر هزینه بالای تولید (در محدوده صدها هزار دلار) باعث شد که بیشتر روبات ها روی بازارهای صنعتی تمرکز کنند. معمولاً استراتژی این شرکت ها ابتدا به روزرسانی قابلیت های روباتیک در محیط های صنعتی و کاهش هزینه ها و سپس توسعه برنامه های خانگی است.

تمرکز تاکنون روی پروژه های صنعتی ، از جمله همکاری با BMW متمرکز شده است. با این حال ، ورود به مدل Helix نشان می دهد که این شرکت قصد دارد از خطرناک ترین محیط های خانگی نیز پیروی کند.

چالش های آموزش ربات های خانگی

برای اینکه روبات ها در محیط خانه مؤثر باشند ، آنها باید بتوانند بلافاصله رفتارهای جدید و هوشمندانه ای ایجاد کنند ، به خصوص هنگام برخورد با چیزهایی که قبلاً هرگز بی نظیر نبوده اند. این شکل می گوید: “آموزش رفتار جدید برای روبات ها اکنون نیاز به تلاش زیادی برای انسان دارد ، از جمله ساعات برنامه نویسی دستی توسط متخصصان در سطح دکترا یا هزاران اجرا عملی برای کار.”

روش برنامه نویسی دستی قادر به توسعه نیست ، زیرا خانه ها در طراحی ، برنامه ریزی و روشنایی بسیار متنوع هستند. علاوه بر این ، چیزهای مورد استفاده در آشپزخانه ، اتاق نشیمن و حمام از خانه تا خانه متفاوت است. به همین دلیل ، روش جایگزین برای آموزش روبات ها استفاده از مدل های یادگیری گسترده و تکرارهای آموزشی است.

در حال حاضر ، روبات های صنعتی برای انجام کارهایی مانند انتقال کارها به صدها ساعت آموزش نیاز دارند. این بدان معنی است که ربات باید صدها بار تمرین کند تا بتواند در اولین تلاش خود یک شیء را ایجاد کند.

با این حال ، فناوری Helix هنوز در مراحل اولیه توسعه است. کارشناسان هشدار می دهند که فیلم های منتشر شده از عملکرد مدل تنها بخش کوچکی از فرآیندهای پیچیده در پشت صحنه را نشان می دهند. به نظر می رسد این شکل در تلاش است تا با انتشار اخبار ، مهندسین بیشتری را برای فشار آوردن به این پروژه جذب کند.

پایان پیام/