VLA ای که از تجربه یاد می‌گیرد: معرفی روش Recap و مدل π*0.6 برای بهبود کارایی ربات‌ها در وظایف پیچیده

شرح خبر

شرکت Physical Intelligence با توسعه روش نوین Recap (RL with Experience & Corrections via Advantage-conditioned Policies) توانسته است مدل vision-language-action (VLA) خود، π0.6، را به سطح جدیدی از کارایی و پایداری برساند. این روش با ترکیب سه مرحله کلیدی—آموزش از طریق نمایش، راهنمایی با اصلاحات و بهبود از طریق تجربه مستقل—ربات‌ها را قادر می‌سازد وظایف پیچیده‌ای مانند تهیه نوشیدنی‌های اسپرسو، مونتاژ جعبه‌ها و تا کردن لباس‌ها را با کارایی بالا و بدون وقفه انجام دهند. مدل بهبود یافته، π*0.6، با استفاده از Recap توانسته است کارایی را در برخی از دشوارترین وظایف بیش از دو برابر افزایش دهد و نرخ شکست را تا ۲ برابر یا بیشتر کاهش دهد. این پیشرفت امکان استفاده عملی از ربات‌ها در محیط‌های واقعی مانند کارخانه‌ها و منازل را فراهم می‌کند. شرکت Physical Intelligence روش جدیدی به نام Recap را توسعه داده است که از سه مرحله آموزش، راهنمایی و تجربه مستقل برای بهبود مدل‌های VLA استفاده می‌کند. این روش بر روی مدل π0.6 اعمال شده و نسخه بهبود یافته π*0.6 را ایجاد کرده است. π*0.6 قادر است وظایف پیچیده‌ای مانند تهیه اسپرسو، مونتاژ جعبه و تا کردن لباس‌ها را با کارایی بالا و پایداری انجام دهد. کارایی در برخی وظایف بیش از دو برابر شده و نرخ شکست تا ۲ برابر کاهش یافته است. این مدل توانسته است به مدت یک روز کامل اسپرسو تهیه کند، ۵۰ آیتم جدید لباسشویی را در یک خانه جدید تا کند و ۵۹ جعبه را برای بسته‌بندی شکلات‌ها مونتاژ و برچسب‌گذاری کند. یادگیری رباتیک با استفاده از روش‌های سنتی نظارت‌شده اغلب با چالش‌های زیادی در محیط‌های واقعی مواجه است، زیرا اشتباهات کوچک می‌توانند منجر به خطاهای مرکب و شکست‌های بزرگ شوند. روش Recap با ترکیب یادگیری تقویتی و راهنمایی‌های کارشناسی، این مشکل را حل می‌کند و امکان بهبود مستمر ربات‌ها را از طریق تجربه فراهم می‌آورد. این پیشرفت می‌تواند تأثیر قابل توجهی بر صنایع مختلف از جمله تولید، خدمات و خودکارسازی داشته باشد. افزایش کارایی و پایداری ربات‌ها در وظایف پیچیده می‌تواند منجر به کاهش هزینه‌ها، افزایش بهره‌وری و بهبود کیفیت محصولات در صنایع مختلف شود. شرکت‌هایی که از این فناوری استفاده می‌کنند، می‌توانند مزیت رقابتی قابل توجهی در بازار به دست آورند. در ایران، این فناوری می‌تواند در صنایع تولیدی، کشاورزی و خدمات مورد استفاده قرار گیرد و به بهبود فرآیندها و کاهش وابستگی به نیروی کار انسانی کمک کند. همچنین، توسعه و استفاده از چنین فناوری‌هایی می‌تواند فرصت‌های جدیدی برای پژوهشگران و شرکت‌های فناوری ایرانی ایجاد کند. پیشرفت در یادگیری رباتیک و هوش مصنوعی می‌تواند تأثیراتی بر قوانین و مقررات مربوط به استفاده از ربات‌ها و سیستم‌های خودکار داشته باشد. این شامل مسائل مربوط به مسئولیت، ایمنی و حریم خصوصی می‌شود. توسعه فناوری‌های پیشرفته رباتیک می‌تواند تأثیراتی بر رقابت‌های ژئوپلیتیکی و اقتصادی بین کشورها داشته باشد، به ویژه در زمینه‌های صنعتی و نظامی. Physical Intelligence به عنوان یک شرکت پیشرو در زمینه هوش مصنوعی و رباتیک، این خبر را از منظر فنی و نوآورانه ارائه می‌دهد. شرکت Physical Intelligence با روش Recap و مدل π*0.6 کارایی ربات‌ها را در وظایف پیچیده بهبود داده است. این پیشرفت می‌تواند انقلاب جدیدی در صنعت رباتیک ایجاد کند.

این صفحه خلاصه و تحلیل فارسی خبر را نمایش می‌دهد. نسخه کامل/اصلی از طریق لینک منبع در دسترس است.