网站服务器物理地址怎么查,泰兴做网站,jsp wordpress,wordpress技术主题谷歌DeepMind的研究人员推出了一款#xff0c;通过视觉语言模型进行场景理解#xff0c;并使用大语言模型来发出指令控制实体机器人的模型——AutoRT
AutoRT可有效地推理自主权和安全性#xff0c;并扩大实体机器人学习的数据收集规模。在实验中#xff0c;AutoRT指导超过…谷歌DeepMind的研究人员推出了一款通过视觉语言模型进行场景理解并使用大语言模型来发出指令控制实体机器人的模型——AutoRT
AutoRT可有效地推理自主权和安全性并扩大实体机器人学习的数据收集规模。在实验中AutoRT指导超过20个实体机器人执行指令并通过远程操作和自主机器人策略收集了77,000个真实机器人操作的片段。
这充分说明AutoRT收集的机器人操作数据更加多样化并且在大语言模型的帮助下AutoRT可以轻松实现与人类偏好相一致的机器人行为指令该模型对于训练实体机器人帮助巨大。
论文地址https://auto-rt.github.io/static/pdf/AutoRT.pdf 大语言模型是AutoRT的核心组建之一充当机器人的指挥“大脑”根据用户的提示和环境条件为一个或多个机器人提供任务指令主要包括环境探索、任务生成、自主行为和行为过滤四大模块。
环境探索
负责让机器人在环境中寻找适合操作的场景。该模块使用了视觉语言模型构建环境地图,识别并定位各个对象。
然后根据对象特征采样导航目标,引导机器人驶向潜在的操作场景。这使得AutoRT可以无需事先了解环境布局就进行部署。 简单来说就是让机器人自己在房间、办公室等环境进行自行操作和观察,到处看看有啥可以操作的东西。它会先把当前环境里的桌子、杯子这些物体定位好,明确具体的坐标方便以后的动作指令操作。
任务指令生成
首先使用视觉语言模型描述当前场景和环境中的对象,然后将这些文字描述输入大语言模型,生成机器人可以执行的一系列操作任务指令。
任务生成考虑不同的数据收集策略,为它们各自生成适配的任务列表。此外,任务生成过程中还内嵌了“机器人约束”,定义了机器人需要遵守的基本规则、安全规则和具体约束,确保任务的安全性和合理性。
自主执行
在任务执行阶段机器人根据生成的任务执行计划来执行具体的操作。机器人可以根据需要执行自主策略如通过路径规划和运动控制来移动和操作物体。 此外机器人还可以通过与人类操作员进行通信来执行任务。在需要人类干预或指导的情况下机器人可以向操作员发送请求或询问并根据操作员的指示进行相应的操作。
自主执行的目标是使机器人能够在不同环境和任务下独立运行并从中获取丰富的数据。
行为指令过滤
主要对任务生成的输出进行再次筛选,移除不安全或不合理的任务。该模块同样基于大语言模型,将生成的任务及可选的数据收集策略作为输入同时输出每个任务指令所匹配的策略或拒绝理由。 可以把这个模块看成是一个自我反思的过程,大语言模型对自己生成的内容进行纠错和修正提升整体的安全性能。
通过以上4大模块的协同工作AutoRT能够在真实世界的不同环境中快速收集大规模、多样化的机器人数据。
相比于传统的数据收集方法AutoRT利用先进的视觉感知和语言模型技术使机器人能够在未知的情境下自主决策并执行任务从而最大限度地提高数据收集的效率和安全性。
此外AutoRT还支持与人类操作员的交互使机器人能够在需要时获取人类的帮助和指导。
本文素材来源AutoRT论文如有侵权请联系删除
END
