


Dari segi pembelajaran robot, pendekatan biasa ialah mengumpul set data khusus untuk robot dan tugas tertentu, dan kemudian menggunakannya untuk melatih dasar. Walau bagaimanapun, jika kaedah ini digunakan untuk belajar dari awal, data yang mencukupi perlu dikumpul untuk setiap tugas, dan keupayaan generalisasi dasar yang dihasilkan biasanya lemah.
“Pada dasarnya, pengalaman yang dikumpul daripada robot dan tugasan lain boleh memberikan penyelesaian yang mungkin, membolehkan model melihat pelbagai masalah kawalan robot, dan masalah ini boleh meningkatkan prestasi umum robot pada tugas hiliran adalah model umum yang boleh mengendalikan pelbagai bahasa semula jadi dan tugas penglihatan komputer, masih sukar untuk membina "model robot universal" untuk melatih strategi kawalan bersatu untuk robot Amat sukar, melibatkan banyak kesukaran termasuk mengendalikan badan robot yang berbeza. konfigurasi sensor, ruang tindakan, spesifikasi tugas, persekitaran dan belanjawan pengiraan.
Untuk mencapai matlamat ini, beberapa hasil penyelidikan yang berkaitan dengan "model asas robot" telah muncul; pendekatan mereka adalah untuk memetakan secara langsung pemerhatian robot ke dalam tindakan, dan kemudian membuat generalisasi kepada medan baharu atau robot baharu melalui penyelesaian sampel sifar. Model ini sering dirujuk sebagai "dasar robot generalis," atau GRP, yang menekankan keupayaan robot untuk melaksanakan kawalan visuomotor peringkat rendah merentas pelbagai tugas, persekitaran dan sistem robotik.
GNM (Model Navigasi Umum) sesuai untuk pelbagai senario navigasi robot yang berbeza RoboCat boleh mengendalikan badan robot yang berbeza mengikut matlamat misi RT-X boleh mengendalikan lima badan robot yang berbeza melalui bahasa. Walaupun model ini sememangnya merupakan kemajuan yang penting, mereka juga mengalami beberapa batasan: pemerhatian input mereka sering dipratakrifkan dan selalunya terhad (seperti aliran video input kamera tunggal, mereka sukar untuk diperhalusi dengan berkesan kepada domain baharu; model Versi terbesar tidak tersedia untuk digunakan oleh orang ramai (ini penting).
Baru-baru ini, Pasukan Model Octo terdiri daripada 18 penyelidik dari Universiti California, Berkeley, Universiti Stanford, Universiti Carnegie Mellon dan Google DeepMind mengeluarkan hasil penyelidikan terobosan mereka: model Octo. Projek ini berjaya mengatasi batasan di atas.
- Alamat kertas: https://arxiv.org.org/pdf/240 Projek sumber terbuka : https://octo-models.github.io/
- Mereka mereka bentuk sistem yang membolehkan GRP lebih mudah menangani isu kepelbagaian antara muka aplikasi robot hiliran.
- Inti model ialah seni bina Transformer, yang memetakan token input sewenang-wenangnya (dicipta berdasarkan pemerhatian dan tugasan) ke dalam token output (kemudian dikodkan ke dalam tindakan), dan seni bina ini boleh digunakan dengan robot yang pelbagai dan set data tugas kereta api. Dasar ini boleh menerima konfigurasi kamera yang berbeza tanpa latihan tambahan, boleh mengawal robot yang berbeza dan boleh dibimbing oleh arahan lisan atau imej sasaran—semuanya dengan hanya menukar input token kepada model.
Paling penting, model ini juga boleh menyesuaikan diri dengan konfigurasi robot baharu dengan input sensor yang berbeza, ruang operasi atau morfologi robot Apa yang diperlukan ialah menggunakan penyesuai yang sesuai dan menggunakan set data domain sasaran yang kecil dan sejumlah kecil data.
Bukan itu sahaja, Octo juga telah dilatih terlebih dahulu mengenai set data manipulasi robot terbesar setakat ini - 800,000 demonstrasi robot daripada set data Open X-Embodiment. Octo bukan sahaja GRP pertama yang diperhalusi dengan cekap kepada ruang pemerhatian dan tindakan baharu, ia juga merupakan strategi manipulasi robot generalis pertama yang sumber terbuka sepenuhnya (aliran kerja latihan, pusat pemeriksaan model dan data). Pasukan itu juga menyerlahkan dalam kertas itu sifat unik dan inovatif gabungan komponen Octonya.
Model Oktober
Mari kita lihat bagaimana Octo, strategi robot generalis sumber terbuka, dibina. Secara keseluruhan, Octo direka bentuk untuk menjadi strategi robotik generalis yang fleksibel dan boleh digunakan secara meluas yang boleh digunakan oleh beberapa aplikasi robotik hiliran yang berbeza dan projek penyelidikan.
Senibina
Teras Octo adalah berdasarkan strategi Transformer π. Ia mengandungi tiga bahagian utama: tokenizer input, rangkaian tulang belakang Transformer dan kepala bacaan.
Seperti yang ditunjukkan dalam Rajah 2, fungsi tokenizer input adalah untuk menukar arahan bahasa, sasaran dan urutan pemerhatian kepada token Tulang belakang Transformer akan memproses token ini menjadi benam, dan kepala bacaan akan memperoleh output yang diperlukan. iaitu tindakan.
Task and Observation Tokenizer
Untuk menukar definisi tugas (seperti arahan bahasa dan imej sasaran) dan pemerhatian (seperti strim video kamera) ke dalam format token yang biasa digunakan, modaliti yang disasarkan berbeza tokenizer:
Untuk input bahasa, ia di token terlebih dahulu, dan kemudian diproses menjadi urutan token pembenaman bahasa melalui Transformer yang telah terlatih. Secara khusus, model yang mereka gunakan ialah t5-base (111M).
Untuk pemerhatian imej dan sasaran, ia diproses melalui timbunan lilitan yang lebih cetek dan kemudian dipecah menjadi urutan jubin yang diratakan.
Akhir sekali, jujukan input Transformer dibina dengan menambahkan pembenaman kedudukan yang boleh dipelajari pada token tugas dan pemerhatian dan menyusunnya dalam susunan tertentu.
Tulang belakang transformer dan kepala pembacaan
Selepas memproses input menjadi urutan token bersatu, ia boleh diserahkan kepada Transformer untuk diproses. Ini adalah serupa dengan kerja penyelidikan terdahulu mengenai latihan dasar berasaskan Transformer berdasarkan pemerhatian dan urutan tindakan.
Mod perhatian bulan Oktober ialah penyamaran blok demi blok: token pemerhatian hanya boleh memberi perhatian kepada token dan token tugas daripada langkah masa yang sama atau sebelumnya mengikut hubungan sebab akibat. Token yang sepadan dengan pemerhatian yang tidak wujud adalah bertopeng sepenuhnya (seperti set data tanpa arahan bahasa). Reka bentuk modular ini memudahkan untuk menambah atau mengalih keluar pemerhatian atau tugas semasa fasa penalaan halus.
Sebagai tambahan kepada modul token input ini, pasukan juga memasukkan token bacaan yang dipelajari. Token pembacaan akan memberi perhatian kepada pemerhatian sebelumnya dan token tugas, tetapi tidak akan diberi perhatian oleh mana-mana pemerhatian atau token tugas. Oleh itu, token bacaan hanya boleh membaca dan memproses pembenaman dalaman, tetapi tidak boleh menjejaskan pembenaman dalaman. Token pembacaan bertindak sama dengan token [CLS] dalam BERT, bertindak sebagai pembenaman vektor padat bagi jujukan pemerhatian setakat ini. Untuk pembenaman token baca, "pengepala tindakan" ringan yang melaksanakan proses penyebaran akan digunakan. Pengepala tindakan ini meramalkan "sebahagian" berbilang tindakan berturut-turut.
Reka bentuk ini membolehkan pengguna menambahkan tugas baharu dan pengepala input atau output tindakan secara fleksibel pada model semasa penalaan halus hiliran. Apabila menambah tugasan baharu, pemerhatian atau fungsi kehilangan hiliran, anda boleh mengekalkan pemberat pralatihan Transformer secara keseluruhan dan hanya menambah pembenaman kedudukan baharu, pengekod ringan baharu atau pengepala baharu yang diperlukan disebabkan oleh perubahan spesifikasi. Ini berbeza daripada seni bina sebelumnya, yang memerlukan pemulaan semula atau latihan semula pelbagai komponen model pralatihan jika input imej ditambah atau dialih keluar atau spesifikasi tugasan diubah.
Untuk menjadikan Octo model "generalis" sebenar, fleksibiliti ini penting: kerana adalah mustahil bagi kami untuk merangkumi semua konfigurasi penderia dan tindakan robot yang mungkin dalam peringkat pra-latihan, jika kami boleh melaraskan Octo dengan baik- peringkat penalaan Input dan outputnya menjadikannya alat serba boleh untuk komuniti robotik. Selain itu, reka bentuk model sebelumnya yang menggunakan tulang belakang Transformer standard atau menggabungkan pengekod visual dengan kepala keluaran MLP membetulkan jenis dan susunan input model. Sebaliknya, menukar pemerhatian atau tugas Octo tidak memerlukan pemulaan semula kebanyakan model.
Data latihan
Pasukan mengambil set data campuran 25 set data daripada Open X-Embodiment. Rajah 3 memberikan komposisi set data.
Sila rujuk kertas asal untuk butiran lanjut tentang objektif latihan dan konfigurasi perkakasan latihan.
Model pusat pemeriksaan dan kod
Inilah hakikatnya! Pasukan ini bukan sahaja mengeluarkan kertas kerja Octo, tetapi juga sumber terbuka sepenuhnya semua sumber, termasuk:
- Pusat pemeriksaan Octo pra-latihan, termasuk Octo-Small dengan 27 juta parameter dan Octo-Base dengan 93 juta parameter.
- Skrip penalaan halus untuk model Octo, berdasarkan JAX.
- Model aliran kerja pra-latihan untuk Octo pra-latihan pada set data Open X-Embodiment, berdasarkan JAX. Pemuat data untuk data Open X-Embodiment, serasi dengan JAX dan PyTorch.
Eksperimen
Pasukan juga menjalankan analisis empirikal Octo melalui eksperimen dan menilai prestasinya sebagai model robot asas dalam pelbagai dimensi:
- Bolehkah robot digunakan secara langsung? badan dan menyelesaikan bahasa dan tugasan sasaran?
- Bolehkah pemberat Octo berfungsi sebagai asas permulaan yang baik untuk menyokong penalaan halus yang cekap data untuk tugasan dan robot baharu, dan adakah ia lebih baik daripada kaedah latihan dari awal dan perwakilan pra-latihan yang biasa digunakan?
- Keputusan reka bentuk manakah dalam Octo yang paling penting dalam membina strategi robot generalis?
Rajah 4 menunjukkan 9 tugasan untuk menilai Octo.
Gunakan Octo secara langsung untuk mengawal berbilang robot
Pasukan membandingkan keupayaan kawalan sampel sifar Octo, RT-1-X dan RT-2-X. Hasilnya ditunjukkan dalam Rajah 5.
Dapat dilihat bahawa kadar kejayaan Octo adalah 29% lebih tinggi daripada RT-1-X (35 juta parameter). Dalam penilaian Robot WidowX dan RT-1, prestasi Octo adalah setara dengan RT-2-X dengan 55 bilion parameter.
Selain itu, RT-1-X dan RT-2-X hanya menyokong arahan bahasa, manakala Octo turut menyokong imej bersyarat pada sasaran. Pasukan itu juga mendapati bahawa pada tugas WidowX, kadar kejayaan adalah 25% lebih tinggi apabila dikondisikan pada imej sasaran berbanding apabila dikondisikan pada bahasa. Ini mungkin kerana imej sasaran memberikan lebih banyak maklumat tentang penyiapan tugas.
Oktober boleh menggunakan data dengan cekap untuk menyesuaikan diri dengan medan baharu
Jadual 1 memberikan hasil percubaan penalaan halus yang cekap data.
Anda dapat melihat bahawa penalaan halus Octo memberikan hasil yang lebih baik daripada latihan dari awal atau pra-latihan dengan pemberat VC-1 yang telah dilatih. Merentasi 6 tetapan penilaian, kelebihan purata Octo berbanding garis dasar tempat kedua ialah 52%!
Dan saya perlu menyebut: untuk semua tugas penilaian ini, resipi dan hiperparameter yang digunakan semasa menala halus Octo semuanya adalah sama, yang menunjukkan bahawa pasukan itu menemui konfigurasi lalai yang sangat baik. Keputusan reka bentuk untuk latihan dasar robot generalis . Seterusnya, pasukan menganalisis kesan keputusan reka bentuk yang berbeza terhadap prestasi strategi Octo. Secara khusus, mereka memberi tumpuan kepada aspek berikut: seni bina model, data latihan, objektif latihan dan saiz model. Untuk melakukan ini, mereka menjalankan kajian ablasi.
Jadual 2 menunjukkan hasil kajian ablasi mengenai seni bina model, data latihan dan objektif latihan.
Rajah 6 menunjukkan kesan saiz model pada kadar kejayaan sampel sifar Ia boleh dilihat bahawa model yang lebih besar mempunyai keupayaan persepsi pemandangan visual yang lebih baik.
Secara keseluruhannya, keberkesanan komponen Octo telah terbukti.
Atas ialah kandungan terperinci Menyesuaikan diri dengan pelbagai bentuk dan tugas, sistem pembelajaran robot sumber terbuka yang paling berkuasa 'Octopus' telah dilahirkan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

译者 | 李睿审校 | 孙淑娟近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:https://spj.scien

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Muat turun versi mac editor Atom
Editor sumber terbuka yang paling popular

Dreamweaver Mac版
Alat pembangunan web visual

Pelayar Peperiksaan Selamat
Pelayar Peperiksaan Selamat ialah persekitaran pelayar selamat untuk mengambil peperiksaan dalam talian dengan selamat. Perisian ini menukar mana-mana komputer menjadi stesen kerja yang selamat. Ia mengawal akses kepada mana-mana utiliti dan menghalang pelajar daripada menggunakan sumber yang tidak dibenarkan.

DVWA
Damn Vulnerable Web App (DVWA) ialah aplikasi web PHP/MySQL yang sangat terdedah. Matlamat utamanya adalah untuk menjadi bantuan bagi profesional keselamatan untuk menguji kemahiran dan alatan mereka dalam persekitaran undang-undang, untuk membantu pembangun web lebih memahami proses mengamankan aplikasi web, dan untuk membantu guru/pelajar mengajar/belajar dalam persekitaran bilik darjah Aplikasi web keselamatan. Matlamat DVWA adalah untuk mempraktikkan beberapa kelemahan web yang paling biasa melalui antara muka yang mudah dan mudah, dengan pelbagai tahap kesukaran. Sila ambil perhatian bahawa perisian ini

mPDF
mPDF ialah perpustakaan PHP yang boleh menjana fail PDF daripada HTML yang dikodkan UTF-8. Pengarang asal, Ian Back, menulis mPDF untuk mengeluarkan fail PDF "dengan cepat" dari tapak webnya dan mengendalikan bahasa yang berbeza. Ia lebih perlahan dan menghasilkan fail yang lebih besar apabila menggunakan fon Unicode daripada skrip asal seperti HTML2FPDF, tetapi menyokong gaya CSS dsb. dan mempunyai banyak peningkatan. Menyokong hampir semua bahasa, termasuk RTL (Arab dan Ibrani) dan CJK (Cina, Jepun dan Korea). Menyokong elemen peringkat blok bersarang (seperti P, DIV),