Моделі зі штучним інтелектом покоління підходять не лише для створення зображень — їх також можна налаштувати для створення корисних даних для навчання роботів.
Про це пише www.technologyreview.com.
Новий підхід у навчанні роботів
Сучасні генеративні моделі штучного інтелекту здатні створювати зображення за лічені секунди у відповідь на текстові підказки. Останнім часом їх застосовують не лише для творчих чи дослідницьких цілей, але й для розширення можливостей робототехніки.
Дослідники з Лабораторії навчання роботів під керівництвом Стівена Джеймса в Лондоні розробили унікальну систему під назвою Genima. Ця система використовує технологію Stable Diffusion для створення навчальних даних для роботів. Дослідження буде представлене на Конференції з навчання роботів (CoRL) вже наступного місяця.
Система Genima спрощує навчання роботів різних типів: від механічних рук до автономних автомобілів. Вона дозволяє моделі ШІ малювати рухи роботів, що допомагає керувати ними як у віртуальному середовищі, так і в реальному світі.Цей підхід дозволяє AI-агентам швидше виконувати складні завдання з мінімальним втручанням людини. Мохіт Шрідхар, один із дослідників, відзначив, що цей метод значно покращує здатність системи керувати роботами.
Візуалізація дій робота
Особливістю Genima є те, що і вхідні, і вихідні дані представлені у вигляді зображень, що спрощує навчання для роботів. За словами Івана Капелюха, аспіранта Імперського коледжу Лондона, цей метод дозволяє наочно відстежувати, що робитиме робот, що робить процес більш зрозумілим для користувача.
Використовуючи можливості генеративних моделей, дослідники здатні навчити роботів виконувати прості завдання, як-от відкриття коробки або підняття предметів. Це може стати проривом для створення домашніх роботів, які допомагатимуть з виконанням побутових завдань, таких як складання білизни або закриття шухляд.Дослідження показало, що середній успіх роботів у реальних завданнях становить від 50% до 64%, що є значним кроком у розвитку робототехніки.
Нові можливості генеративних моделей ШІ відкривають шлях до більш ефективного навчання роботів та їх адаптації до виконання реальних завдань, роблячи наше майбутнє з автоматизованими помічниками ще ближчим.
