Разработчики: | Google DeepMind (DeepMind Technologies) |
Дата премьеры системы: | октябрь 2023 г. |
Отрасли: | Информационные технологии |
Технологии: | Робототехника |
2023: Запуск проекта
3 октября 2023 года компания Google DeepMind совместно с партнерами из 33 исследовательских лабораторий представила проект Open X-Embodiment[1]. Это крупнейшая открытая база данных для обучения роботов.
Отмечается, что обучение робототехнических систем — сложный и ресурсоемкий процесс, который должен учитывать множество факторов: от выполняемых задач до среды размещения машины. При этом зачастую изменение всего одной переменной требует начинать процедуру с ноля. Цель проекта Open X-Embodiment заключается в том, чтобы создать обширный репозиторий данных для тренировки роботов разных типов.
В сформированной базе данных содержатся более 500 навыков и примерно 150 тыс. задач, которые способны выполнять машины 22 различных типов. Утверждается, что по состоянию на начало октября 2023 года это наиболее полный в своем роде набор данных по робототехнике. База поможет в создании универсальной модели, способной управлять множеством разных роботов, следовать разнообразным инструкциям и выполнять базовые рассуждения о сложных задачах.
Участники проекта представили RT-1-X — модель робототехнического трансформера (RT), обученную на новом наборе данных. Она была протестирована в пяти различных исследовательских лабораториях на пяти разных типах широко используемых роботов. По сравнению со специализированными моделями, разработанными для каждой машины в отдельности, унифицированная модель показала в среднем на 50% более высокие показатели успешного выполнения таких задач, как открывание дверей и взаимодействие с объектами. Иными словами, RT-1-X может достичь более высокой производительности благодаря гораздо более разнообразным данным, на которых обучается модель. Проведенное исследование демонстрирует потенциал для разработки роботов-помощников следующего поколения путем обучения с использованием разнообразной информации и улучшенных унифицированных моделей.[2]
Примечания
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)