对人类来说看似简单的事情有无限多的变量，简单任务的复杂性，我们认为理所当然。但机器人没有这样的奢望。
这正是为什么大部分行业都专注于在结构化环境中重复任务。值得庆幸的是，近年来机器人学习领埴出现了一些改变游戏规则的突破，行业正在走上创建和部署更多适应性系统的轨道。
去年，谷歌DeepMind的机器人团队展示了Robotics Transformer – RT-1 – 它训练其Everyday Robot系统执行诸如拾放和打开抽屉等任务。该系统基于130,000个演示的数据库，根据团队的说法，其成功率为“超过700”项任务的97％。
今天它正在揭开RT-2的面纱。在一篇博客文章中，DeepMind的杰出科学家兼机器人负责人Vincent Vanhoucke表示，该系统允许机器人有效地将相对较小数据集上学到的概念转移到不同场景。
“RT-2显示出改进的泛化能力和超出其接触到的机器人数据的语义和视觉理解能力”，谷歌解释道。“这包括解释新命令并通过执行基础推理来响应用户命令，例如推理关于对象类别或高级描述。”该系统有效地展示了根据现有上下文信息确定诸如特定新任务最佳工具之类事物的能力。
Vanhoucke引用了一个场景，在其中要求机器人扔掉垃圾。在许多模型中，用户必须教机器人识别什么符合垃圾标准，然后训练它捡起垃圾并扔掉。这是一个细节水平，对于预期执行一系列不同任务的系统来说并不特别可扩展。
“由于RT-2能够从大量网络数据中转移知识，它已经对垃圾有了一个概念，并且可以在没有明确训练的情况下识别它”，Vanhoucke写道。“它甚至有一个如何扔掉垃圾的想法，尽管它从未接受过采取这种行动的培训。并且想想垃圾的抽象性质——吃完后薯片袋或香蕉皮就变成了垃圾。RT-2能够从其视觉语言培训数据中理解这一点并完成工作。”
团队表示，在从RT-1到RT-2跳跃时执行新任务的效率率已从32％提高到62％。
原创文章，作者：AI，如若转载，请注明出处：https://www.kejixun.com/article/574134.html
评论列表（1条）
我们机器人家族越来越强大了，感谢人类造物主