De roboticagroep van de DeepMind-divisie van Google heeft drie nieuwe producten onthuld die robots helpen snellere beslissingen te nemen en efficiënter en veiliger te handelen terwijl ze taken rond mensen uitvoeren.
Het gegevensverzamelingssysteem van AutoRT is gebaseerd op het visuele taalmodel (VLM) en het grote taalmodel (LLM) - ze helpen robots de omgeving te beoordelen, zich aan te passen aan onbekende situaties en beslissingen te nemen over het uitvoeren van taken. De VLM wordt gebruikt om de omgeving te analyseren en objecten binnen het gezichtsveld te herkennen, terwijl de LLM verantwoordelijk is voor de creatieve uitvoering van taken. De belangrijkste innovatie van AutoRT was de verschijning in het LLM-blok van "Robot Constitutions" - veiligheidsgerichte commando's die de machine vertellen om taken te vermijden waarbij mensen, dieren, scherpe voorwerpen en zelfs elektrische apparaten betrokken zijn. Met het oog op extra veiligheid is het werk geprogrammeerd om te stoppen wanneer de kracht op de gewrichten een bepaalde drempel overschrijdt; en hun ontwerp heeft nu een extra fysieke schakelaar die iemand in geval van nood kan gebruiken.
De afgelopen zeven maanden heeft Google 53 banen met het AutoRT-systeem geïmplementeerd in vier van zijn kantoorgebouwen en meer dan 77 tests uitgevoerd. Sommige machines werden op afstand bestuurd door operators, terwijl andere autonoom taken uitvoerden, hetzij op basis van een bepaald algoritme, hetzij met behulp van het Robotic Transformer (RT-2) AI-model. Tot nu toe zien al deze robots er uiterst eenvoudig uit: het zijn manipulatorledematen op een mobiele basis en camera's om de situatie te beoordelen.
De tweede innovatie was het SARA-RT-systeem (Self-Adaptive Robust Attention for Robotics Transformers), gericht op het optimaliseren van de werking van het RT-2-model. De onderzoekers ontdekten dat door het verdubbelen van de invoergegevens, bijvoorbeeld door de resolutie van de camera's te verhogen, de behoefte van de robot aan computerbronnen verviervoudigt. Dit probleem werd opgelost door een nieuwe methode voor het verfijnen van AI, genaamd training - deze methode verandert de kwadratische groei van de behoefte aan computerbronnen in een bijna lineaire groei. Hierdoor werkt het model sneller, waarbij de eerdere kwaliteit behouden blijft.
Ten slotte ontwikkelden Google DeepMind-ingenieurs het RT-Trajectory AI-model, dat het trainen van robots vereenvoudigt om specifieke taken uit te voeren. Na het instellen van een taak demonstreert de operator zelf een voorbeeld van de uitvoering ervan, RT-Trajectory analyseert het door een persoon ingestelde bewegingstraject en past dit aan de acties van de robot aan.
Lees ook: