DeepMind's RoboCat revolutioneert taakprestaties van robots in verschillende modellen

DeepMind kondigde onlangs de creatie aan van RoboCat, een AI-model dat efficiënt een veelheid aan taken kan uitvoeren met behulp van meerdere robotarmen uit de echte wereld. Deze baanbrekende innovatie is de eerste in zijn soort die efficiënt meerdere opdrachten kan uitvoeren terwijl hij zich aanpast aan verschillende robotmodellen, waardoor de drempel voor het oplossen van nieuwe taken in de robotica mogelijk wordt verlaagd.

RoboCat is ontwikkeld op basis van DeepMind's eerdere model Gato, dat functioneert als een AI-systeem dat tekst, afbeeldingen en gebeurtenissen kan analyseren en ermee kan interageren. Het werd getraind op beeld- en actiegegevens van zowel gesimuleerde als echte robotica. De gegevens die werden gebruikt voor de training omvatten robotbesturingsmodellen binnen virtuele omgevingen, door mensen bestuurde robots en eerdere iteraties van RoboCat.

Onderzoekers startten de training met het verzamelen van 100 tot 1000 demonstraties van taken of het onderwijzen van robotarmen die bestuurd werden door mensen. Vervolgens werd RoboCat verfijnd op de taak, waarbij gespecialiseerde spin-off modellen werden gemaakt die de taak ongeveer 10.000 keer oefenden. Door de trainingsdataset van RoboCat uit te breiden met gegevens van spin-off modellen en demonstratiegegevens, genereerden ze nieuwere versies van het AI-model.

De uiteindelijke versie van RoboCat werd getraind op een totaal van 253 taken en vervolgens gebenchmarkt op een set van 141 variaties van deze taken in simulatie- en echte-wereldscenario's. DeepMind ontdekte dat na het observeren van 1.000 demonstraties met menselijke bediening, RoboCat bedreven was in het bedienen van verschillende soorten robotarmen. Bovendien kon het AI-model, ondanks het feit dat het was getraind op robots met armen met twee vingers, zich aanpassen aan een complexere arm met een grijper met drie vingers en twee keer zoveel bestuurbare inputs.

Het succespercentage van het model varieerde echter drastisch van 13% tot 99% voor meerdere taken, afhankelijk van het aantal demonstraties in de trainingsgegevens. Desondanks onthulde DeepMind dat RoboCat in sommige gevallen nieuwe taken kon leren met slechts 100 demonstraties.

Het onderzoeksteam streeft ernaar om in de toekomst het aantal demonstraties dat nodig is om RoboCat een nieuwe taak te leren terug te brengen tot minder dan tien. Naarmate de ontwikkeling van AI-modellen die helpen bij roboticataken voortschrijdt, zou integratie met moderne low-code en no-code platforms zoals AppMaster de automatisering en efficiëntie voor een groot aantal industrieën, waaronder productie en logistiek, verder kunnen verbeteren.

Platformen zoals AppMaster helpen bedrijven niet alleen om complexe problemen snel op te lossen, maar verlagen ook de kosten voor softwareontwikkeling. Naarmate geavanceerde AI-modellen zoals RoboCat blijven verschijnen, kan het combineren ervan met low-code en no-code platformen voor het beheren van taken in verschillende industrieën een revolutie teweegbrengen in bedrijfsprocessen, productiviteit en innovatie.