RoboCat

Eine zentrale Herausforderung bei der Entwicklung von Robotik ist die umfangreiche Zeit, die für die Sammlung von Trainingsdaten aus der realen Welt benötigt wird. RoboCat begegnet diesem Problem, indem es neue Aufgaben mit einer bemerkenswert geringen Anzahl von Demonstrationen, nur etwa 100, lernt, indem es auf einen großen und vielfältigen Datensatz zurückgreift. Dies reduziert die Abhängigkeit von menschlich überwachtem Training drastisch, ein entscheidender Schritt zur Schaffung vielseitigerer Allzweckroboter.

Auf Googles DeepMind-Multimodell Gato aufgebaut, integriert RoboCat Sprach-, Bild- und Aktionsverarbeitungsfähigkeiten. Sein Training umfasst eine Kombination aus Gatos Architektur mit einem erheblichen Datensatz von Bild- und Aktionssequenzen von Roboterarmen, die Hunderte von Aufgaben ausführen. Nach dem anfänglichen Training tritt RoboCat in einen Zyklus der Selbstverbesserung ein. Dieser Zyklus beinhaltet das Sammeln einer begrenzten Anzahl von Demonstrationen für eine neue Aufgabe oder einen neuen Roboter, das Fine-Tuning von RoboCat zu einem spezialisierten Agenten, das Ermöglichen, dass dieser Agent ausgiebig übt und neue Trainingsdaten generiert, das Einbeziehen dieser Daten zurück in den Hauptdatensatz von RoboCat und dann das erneute Trainieren von RoboCat auf dem erweiterten Datensatz.

Dieser iterative Prozess, der durch autonome Datengenerierung verstärkt wird, ermöglicht es RoboCat, seine Leistung kontinuierlich zu verbessern. Die neueste Version von RoboCat profitiert von Millionen von Trajektorien, einschließlich selbst generierter Daten von realen und simulierten Roboterarmen über verschiedene Aufgaben hinweg, wie das Aufnehmen von Zahnrädern, das Stapeln von Blöcken und das Manipulieren von Objekten. Diese breite Erfahrung ermöglicht es RoboCat, neue Roboterarme innerhalb von Stunden zu bedienen und sich an komplexere Greifer und Steuereingaben anzupassen, wobei hohe Erfolgsraten bei Aufgaben erzielt werden, die Präzision und Problemlösung erfordern.

Die sich selbst verbessernde Natur von RoboCat schafft einen positiven Kreislauf: Je mehr Aufgaben es lernt, desto geschickter wird es beim Erwerb zusätzlicher Fähigkeiten. Dies hat zu einer erheblichen Steigerung seiner Erfolgsquote bei bisher ungesehenen Aufgaben geführt, was die Leistung früherer Versionen mehr als verdoppelt. RoboCats Fähigkeit, unabhängig zu lernen und sich schnell über verschiedene Robotergeräte hinweg selbst zu verbessern, ist eine entscheidende Entwicklung für die nächste Generation hilfreicher Allzweck-Roboteragenten.