RoboCat de DeepMind révolutionne l'exécution des tâches robotiques à travers différents modèles

DeepMind a récemment annoncé la création de RoboCat, un modèle d'IA capable d'effectuer efficacement une multitude de tâches en utilisant plusieurs bras robotiques du monde réel. Cette innovation révolutionnaire est la première du genre à s'attaquer efficacement à plusieurs tâches tout en s'adaptant à différents modèles robotiques, ce qui pourrait permettre de réduire la barrière à la résolution de nouvelles tâches dans le domaine de la robotique.

RoboCat DeepMind a développé un modèle appelé Gato, qui fonctionne comme un système d'intelligence artificielle capable d'analyser et d'interagir avec du texte, des images et des événements. Il a été entraîné sur des données d'images et d'actions issues de la robotique simulée et réelle. Les données utilisées pour l'entraînement comprennent des modèles de contrôle de robots dans des environnements virtuels, des robots contrôlés par des humains et des itérations antérieures de RoboCat.

Les chercheurs ont commencé la formation en rassemblant 100 à 1 000 démonstrations de tâches ou de bras robotiques d'enseignement contrôlés par des humains. Par la suite, RoboCat a été affiné sur la tâche, créant des modèles dérivés spécialisés qui ont pratiqué la tâche environ 10 000 fois. En augmentant l'ensemble de données d'entraînement de RoboCat à l'aide des données des modèles dérivés et des données de démonstration, ils ont généré de nouvelles versions du modèle d'IA.

La version finale de RoboCat a été entraînée sur un total de 253 tâches, puis évaluée sur un ensemble de 141 variations de ces tâches dans des scénarios de simulation et du monde réel. DeepMind a constaté qu'après avoir observé 1 000 démonstrations contrôlées par des humains, RoboCat était capable de faire fonctionner différents types de bras robotiques. En outre, bien qu'il ait été formé sur des robots dotés de bras à deux branches, le modèle d'IA a pu s'adapter à un bras plus complexe doté d'une pince à trois doigts et de deux fois plus d'entrées contrôlables.

Cependant, le taux de réussite du modèle a varié considérablement de 13 % à 99 % sur plusieurs tâches, en fonction du nombre de démonstrations incluses dans les données d'entraînement. DeepMind a néanmoins révélé que RoboCat pouvait apprendre de nouvelles tâches avec seulement 100 démonstrations dans certains cas.

Les objectifs futurs de l'équipe de recherche sont de réduire à moins de dix le nombre de démonstrations nécessaires pour enseigner une nouvelle tâche à RoboCat. Alors que le développement de modèles d'IA aidant aux tâches robotiques continue de progresser, l'intégration avec les plateformes modernes low-code et no-code comme AppMaster pourrait encore améliorer l'automatisation et l'efficacité pour un large éventail d'industries, y compris la fabrication et la logistique.

Les plateformes telles que AppMaster aident non seulement les entreprises à résoudre rapidement des problèmes complexes, mais réduisent également les coûts de développement des logiciels. Alors que des modèles d'IA avancés tels que RoboCat continuent d'émerger, leur combinaison avec les plateformes low-code et no-code pour gérer les tâches dans différentes industries pourrait révolutionner les processus commerciaux, la productivité et l'innovation.