DeepMind тества пренос на умения между корпуси, но резултатите при манипулации остават неравномерни
Google DeepMind разработва универсален контролен модел, който да позволява на един и същ изкуствен интелект да управлява различни роботи, без да се налага системата да бъде обучавана от нулата за всяка нова машина. Системата Gemini Robotics 2, представена в края на юли, обединява няколко отделни модела и вече е тествана върху хуманоида Apptronik Apollo 2 и двуръката платформа Franka Duo, съобщава Google DeepMind.
Три модела в една система
Според компанията под наименованието „мозък“ не стои една невронна мрежа, а комбинация от няколко компонента. Gemini Robotics 2 превръща изображението и текстовата команда в движения, Gemini Robotics ER 2 планира многоетапни задачи и следи изпълнението им, а Gemini Robotics On-Device 2 поема управлението локално, на самата машина.
Именно локалният модел е ключов за преноса между различни тела. При новата двуръка платформа на DeepMind са достатъчни под 200 примера и няколко часа допълнително обучение, за да се адаптира системата. Компанията е проверявала този подход върху платформите Dexmate, SO101 и Trossen, които се различават по форма, сензори и брой степени на свобода. Целта е да се намали обемът данни, които досега трябваше да се събират отделно за всяка конструкция.
Успехи и слабости в лабораторните тестове
Резултатите от изпитанията показват, че преносът на умения между корпусите все още не означава сръчност, близка до човешката. Apollo 2 с многопръстна ръка е успявал да отвие крушка в 92% от опитите, но да я завие само в 36%, а работата с лопата е била успешна в 32% от случаите. Franka Duo с обичайния двупръстов захват се е справял по-добре: 89,6% точност при поставяне на детайли и 78,9% при окомплектоване на инструменти.
Разлики има и при движенията на цялото тяло. Apollo 2 е вземал предмет от рафт в 76,3% от тестовете, от маса в 68,4%, а от пода – само в 45,7%. От DeepMind признават, че скоростта на движенията и манипулациите с много пръсти остават слабо място на системата. Затова компанията определя настоящите резултати като лабораторни демонстрации, а не като готов универсален помощник.
Разсъждение и безопасност
Високата част на архитектурата е изградена около т.нар. „въплътено разсъждение“, при което моделът оценява обстановката, разбива задачата на етапи и променя плана си при грешка. През април Google разшири тези възможности в Gemini Robotics-ER 1.6 с по-добро пространствено разбиране, работа с няколко камери и проверка на резултата, а новата версия развива същия принцип за по-дълги сценарии.
Gemini Robotics ER 2 вече изпълнява последователности с продължителност от няколко минути и стотици решения, следи началото и края на отделните етапи и може да координира няколко различни робота. За работа в близост до хора DeepMind е добавил проверки за безопасност, включително спиране при прекалено близко приближаване на човек и отказ от опасни действия. Тези функции засега се тестват само в контролирани условия.
Ограничен достъп
Към 16 септември достъпът до технологиите остава ограничен. Gemini Robotics ER 2 може да се тества чрез Google AI Studio, а достъпът през Gemini Enterprise Agent Platform е в затворен предварителен режим. Основният VLA модел и On-Device 2 се предоставят на партньори с ранен достъп.
Дългосрочната цел на Google DeepMind е по-широка от конкретен хуманоид: интелектът на робота да бъде отделен от корпуса, така че уменията да могат да се пренасят между различни машини.