DeepMinds RoboCat revolutioniert die Leistung von Roboteraufgaben über verschiedene Modelle hinweg

DeepMind kündigte kürzlich die Entwicklung von RoboCat an, einem KI-Modell, das eine Vielzahl von Aufgaben mit mehreren realen Roboterarmen effizient ausführen kann. Diese bahnbrechende Innovation ist die erste ihrer Art, die mehrere Aufgaben effizient bewältigen und sich dabei an verschiedene Robotermodelle anpassen kann, wodurch die Hürde für die Lösung neuer Aufgaben in der Robotik gesenkt werden könnte.

RoboCat wurde auf der Grundlage von DeepMinds Vorgängermodell Gato entwickelt, das als KI-System funktioniert, das in der Lage ist, Texte, Bilder und Ereignisse zu analysieren und mit ihnen zu interagieren. Es wurde mit Bild- und Aktionsdaten aus simulierter und realer Robotik trainiert. Die für das Training verwendeten Daten umfassen Robotersteuerungsmodelle in virtuellen Umgebungen, von Menschen gesteuerte Roboter und frühere Iterationen von RoboCat.

Die Forscher begannen das Training, indem sie 100 bis 1.000 Demonstrationen von Aufgaben oder Lehrroboterarmen sammelten, die von Menschen gesteuert wurden. Anschließend wurde RoboCat auf die Aufgabe abgestimmt, indem spezialisierte Spin-off-Modelle erstellt wurden, die die Aufgabe etwa 10.000 Mal trainierten. Durch die Erweiterung des Trainingsdatensatzes von RoboCat mit Daten von Spin-off-Modellen und Demonstrationsdaten wurden neue Versionen des KI-Modells erstellt.

Die endgültige Version von RoboCat wurde für insgesamt 253 Aufgaben trainiert und dann mit 141 Variationen dieser Aufgaben in Simulationen und realen Szenarien getestet. DeepMind fand heraus, dass RoboCat nach der Beobachtung von 1.000 von Menschen gesteuerten Demonstrationen verschiedene Arten von Roboterarmen gut bedienen konnte. Obwohl das KI-Modell auf Robotern mit zweizinkigen Armen trainiert wurde, konnte es sich auch an einen komplexeren Arm mit einem Greifer mit drei Fingern und doppelt so vielen steuerbaren Eingaben anpassen.

Allerdings schwankte die Erfolgsquote des Modells bei verschiedenen Aufgaben drastisch zwischen 13 % und 99 %, je nachdem, wie viele Demonstrationen in den Trainingsdaten enthalten waren. Dennoch zeigte DeepMind, dass RoboCat in einigen Fällen neue Aufgaben mit nur 100 Demonstrationen erlernen konnte.

Zu den künftigen Zielen des Forschungsteams gehört es, die Anzahl der Demonstrationen, die erforderlich sind, um RoboCat eine neue Aufgabe beizubringen, auf weniger als zehn zu reduzieren. Da die Entwicklung von KI-Modellen zur Unterstützung von Roboteraufgaben weiter voranschreitet, könnte die Integration mit modernen low-code und no-code Plattformen wie AppMaster die Automatisierung und Effizienz in einer Vielzahl von Branchen, einschließlich Fertigung und Logistik, weiter verbessern.

Plattformen wie AppMaster helfen Unternehmen nicht nur, komplexe Probleme schnell zu lösen, sondern auch die Kosten für die Softwareentwicklung zu senken. Da fortschrittliche KI-Modelle wie RoboCat immer weiter entwickelt werden, hat die Kombination mit low-code und no-code Plattformen zur Verwaltung von Aufgaben in verschiedenen Branchen das Potenzial, Geschäftsprozesse, Produktivität und Innovation zu revolutionieren.