Axis Robotics เปิดตัว AXIS เอนจินข้อมูลหุ่นยนต์บนเบราว์เซอร์
Axis Robotics ปล่อยแพลตฟอร์ม AXIS เอนจินข้อมูลหุ่นยนต์บนเว็บเบราว์เซอร์ พร้อมชุดข้อมูลขนาด 2.36 TB ที่มี 207 งานและกว่า 50,129 วิถีการเคลื่อนที่
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Axis Robotics เปิดตัว AXIS เอนจินข้อมูลหุ่นยนต์ผ่านเบราว์เซอร์
- ชุดข้อมูลบน Hugging Face มีขนาด 2.36 TB จำกัดการใช้งานเชิงวิชาการ
- บรรจุ 207 งาน และกว่า 50,129 วิถีการเคลื่อนที่จากผู้ร่วมงานกว่า 70,000 คน
- โมเดลเมื่อผสาน AXIS-100% ทำคะแนนบน LIBERO-Plus สูงถึง 88.8
Axis Robotics ได้เปิดตัว AXIS เอนจินข้อมูลหุ่นยนต์ที่ทำงานผ่านเว็บเบราว์เซอร์ โดยระบบการฝึกอบรมได้เผยแพร่โค้ดเป็นแพตช์เลเยอร์ทับบน OpenPI ขณะที่แพลตฟอร์มการควบคุมทางไกลสามารถใช้งานได้จริงบนเบราว์เซอร์ทุกประเภท อย่างไรก็ตาม ชุดข้อมูลบน Hugging Face มีขนาด 2.36 TB และจำกัดสิทธิ์ไว้เฉพาะสำหรับการใช้งานด้านวิชาการและไม่ใช่เชิงพาณิชย์เท่านั้น โดยยังไม่มีการปล่อยพอยต์อินต์ของนโยบาย (policy checkpoints) ออกมาในขณะนี้
การตัดสินใจทางสถาปัตยกรรมหลักของระบบนี้คือความอสมมาตร ผู้ร่วมงานทำการควบคุมแขนกล Franka Research 3 พร้อมกริปเปอร์แบบขนานผ่านทางหน้าต่าง MuJoCo WebAssembly โดยใช้คีย์บอร์ด เมาส์ จอยสติ๊กเสมือน หรือเกมแพด กระบวนการคำนวณฟิสิกส์และการเรนเดอร์ด้วย Three.js จะแยกการทำงานออกจากเธรดส่วนติดต่อผู้ใช้ React ส่งผลให้ตัวอย่างการบันทึกสถานะและการกระทำมีความสอดคล้องกับตัวจำลองมากกว่าตัวอินเทอร์เฟซ โดยงานประมวลผลหนักจะถูกแยกไปรันบนการ์ดจอ RTX 4090 จำนวน 8 ตัวสำหรับการเรนเดอร์ และใช้ A100 จำนวน 8 ตัวสำหรับการฝึกและประเมินผล
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ตัวงานถูกสร้างขึ้นด้วยกระบวนการอัตโนมัติแทนที่จะเขียนด้วยมือ ระบบ TaskGen จะทำการแปลงคำสั่งภาษาให้กลายเป็นค่ากำหนดของงาน ฉาก และวัตถุ พร้อมทั้งดึงหรือสร้างตาข่าย (meshes) ผ่านท่อส่งข้อมูลภาพเป็น 3D ปรับขนาดให้สมจริงทางกายภาพ และนำเสนอรูปแบบเลย์เอาต์แบบ 2.5D โดยมีผู้ดูแลเลย์เอาต์คอยตรวจสอบความถูกต้องและจัดวางวัตถุใหม่หากไม่เป็นไปตามข้อกำหนด พร้อมทั้งมีระบบตรวจสอบความสำเร็จในทุกงานที่เบ็กเอนด์จะเรียกใช้งานซ้ำแทนที่จะเชื่อธงความสำเร็จจากฝั่งหน้าบ้าน
ชุดข้อมูลที่ปล่อยออกมาในครั้งนี้ประกอบด้วย 207 งาน, 50,129 อีพิโซด และตัวเลือกฉากหรือตัวงานมากกว่า 60,000 รูปแบบในหมวดหมู่ฉากทั้งเจ็ด โดยแต่ละวิถีการเคลื่อนที่จะมาพร้อมกับข้อมูลเมตาของงาน, รูปแบบฮาร์ดแวร์, เวอร์ชันตัวจำลอง, สถานะของหุ่นยนต์และวัตถุ, การกระทำ, ป้ายความสำเร็จ, และข้อมูลภาพ RGB-D จากมุมมองที่สามและข้อมือ โดยบทความระบุว่ามีผู้ร่วมงานจากชุมชนมากกว่า 70,000 คนร่วมสร้างสรรค์ผลงานนี้
การเปิดตัวเอนจินข้อมูลหุ่นยนต์บนเบราว์เซอร์เช่นนี้สะท้อนให้เห็นถึงความพยายามในการลดอุปสรรคด้านฮาร์ดแวร์ราคาแพงและการติดตั้งที่ซับซ้อน โดยการแยกการประมวลผลกราฟิกและการจำลองฟิสิกส์ออกจากส่วนติดต่อผู้ใช้ ช่วยให้นักวิจัยสามารถเข้าถึงและมีส่วนร่วมในการเก็บข้อมูลการเคลื่อนไหวผ่านเว็บได้สะดวกยิ่งขึ้น ซึ่งเป็นแนวทางสำคัญในการเร่งการพัฒนาโมเดลปัญญาประดิษฐ์เชิงกายภาพ (Physical AI) ให้ก้าวหน้าเร็วยิ่งขึ้น
กระบวนการทำความสะอาดข้อมูลถือเป็นขั้นตอนการผลิตที่สำคัญ โดยตัวอย่างที่มีการเปลี่ยนแปลงของข้อต่อต่ำกว่า 5e-3 จะถูกตัดทิ้งเนื่องจากถือว่าเป็นจุดนิ่ง ตัวกรอง Savitzky-Golay หน้าต่างขนาด 15 และพหุนามอันดับ 3 ถูกนำมาใช้เพื่อเกลี่ยการเคลื่อนไหวอย่างต่อเนื่อง และใช้คิวบิกสเพลน์เพื่อปรับอัตราตัวอย่างจาก 6 Hz ถึง 8 Hz ของอินเทอร์เฟซเว็บให้ขึ้นไปถึงเป้าหมาย 20 Hz
ทุกเงื่อนไขเริ่มต้นจากพอยต์อินต์ π0.5 ที่ปล่อยออกมา ซึ่งใช้โครงสร้างหลัก PaliGemma Gemma-2B ร่วมกับผู้เชี่ยวชาญด้านการกระทำ Gemma-300M โดยมีการฝึกอบรมต่อบนชุดข้อมูลจำลองก่อนที่จะปรับแต่งอย่างละเอียดบน LIBERO ด้วยไฮเปอร์พารามิเตอร์ที่เหมือนกัน ผลลัพธ์แสดงให้เห็นว่าเมื่อใช้งานร่วมกับ AXIS-100% จะสามารถทำคะแนนรวมบน LIBERO-Plus ได้ถึง 88.8 เปรียบเทียบกับ 83.9 ของรุ่นมาตรฐาน π0.5
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น