कॅलिफोर्निया युनिव्हर्सिटी, सॅन डिएगो येथील संशोधकांच्या टीमने मॅनिपुलेटरसह सुसज्ज चौपदरीकरण केलेल्या रोबोट्सच्या वास्तविक-जगातील क्षमता विकसित करण्याच्या उद्देशाने फ्रेमवर्कचे अनावरण केले आहे. arXiv प्रीप्रिंट सर्व्हरवर प्रकाशित केलेल्या त्यांच्या अभ्यासात नमूद केल्याप्रमाणे, WildLMa नावाचा फ्रेमवर्क, डायनॅमिक आणि असंरचित वातावरणात लोको-मॅनिप्युलेशन कार्ये करण्यासाठी रोबोट्सची क्षमता सुधारण्याचा प्रयत्न करतो.
संशोधनानुसार, घरगुती कचरा गोळा करणे, विशिष्ट वस्तू पुनर्प्राप्त करणे आणि नियुक्त केलेल्या ठिकाणी पोहोचवणे यासारखी कामे रोबोटद्वारे लोकोमोशन आणि ऑब्जेक्ट मॅनिप्युलेशनच्या संयोजनाद्वारे पार पाडली जाऊ शकतात. अशा ऑपरेशन्ससाठी रोबोट्सला प्रशिक्षित करण्यासाठी अनुकरण शिकण्याची तंत्रे यापूर्वी वापरली जात असताना, वास्तविक-जगातील परिस्थितींमध्ये या कौशल्यांचे भाषांतर करण्यात आव्हाने कायम आहेत.
टेक एक्सप्लोरला दिलेल्या मुलाखतीत, अभ्यासाचे प्रमुख संशोधक युचेन सॉन्ग यांनी स्पष्ट केले, “अनुकरण शिक्षणातील जलद प्रगतीमुळे रोबोट्सना मानवी प्रात्यक्षिकांमधून शिकण्यास सक्षम केले आहे. तथापि, या प्रणाली बऱ्याचदा वेगळ्या, विशिष्ट कौशल्यांवर लक्ष केंद्रित करतात आणि त्यांना नवीन वातावरणाशी जुळवून घेण्यास संघर्ष करावा लागतो.” सॉन्गच्या म्हणण्यानुसार, कौशल्य संपादन आणि कार्य विघटन करण्यासाठी व्हिजन-लँग्वेज मॉडेल्स (व्हीएलएम) आणि लार्ज लँग्वेज मॉडेल्स (एलएलएम) वापरून या कमतरता दूर करण्यासाठी फ्रेमवर्क तयार करण्यात आले होते.
WildLMA फ्रेमवर्कची प्रमुख वैशिष्ट्ये
संशोधकांनी त्यांच्या फ्रेमवर्कमधील अनेक नाविन्यपूर्ण घटकांवर प्रकाश टाकला. व्हर्च्युअल रिॲलिटी-आधारित टेलिऑपरेशन सिस्टम प्रात्यक्षिक डेटाचे संकलन सुलभ करण्यासाठी वापरण्यात आली होती, ज्यामुळे मानवी ऑपरेटर्सना रोबोट्स एका हाताने नियंत्रित करता येतात. या ऑपरेशन्स सुव्यवस्थित करण्यासाठी पूर्व-प्रशिक्षित नियंत्रण अल्गोरिदम वापरण्यात आले.
याव्यतिरिक्त, जटिल कार्यांना लहान, कृती करण्यायोग्य चरणांमध्ये विभाजित करण्यासाठी LLMs एकत्रित केले गेले. “परिणाम म्हणजे दीर्घ, बहु-चरण कार्ये कार्यक्षमतेने आणि अंतर्ज्ञानाने पार पाडण्यास सक्षम रोबोट आहे,” सॉन्गने सांगितले. कार्याच्या अंमलबजावणीदरम्यान अनुकूलता वाढविण्यासाठी आणि लक्ष्यित वस्तूंवर लक्ष केंद्रित करण्यासाठी लक्ष देण्याची यंत्रणा देखील समाविष्ट केली गेली.
प्रात्यक्षिक अनुप्रयोग आणि भविष्यातील उद्दिष्टे
फ्रेमवर्कची क्षमता वास्तविक-जागतिक प्रयोगांद्वारे दर्शविली गेली. हॉलवे साफ करणे, डिलिव्हरी पुनर्प्राप्त करणे आणि आयटमची पुनर्रचना करणे यासारखी कार्ये यशस्वीरित्या पार पाडली गेली. तथापि, गाण्यानुसार, अनपेक्षित व्यत्यय, जसे की हलणारे व्यक्ती, सिस्टमच्या कार्यक्षमतेवर परिणाम करू शकतात. प्रवेशयोग्य, परवडणारे गृह सहाय्यक रोबोट्स तयार करण्याच्या दृष्टीकोनासह गतिशील वातावरणात मजबूती वाढवण्याचे प्रयत्न चालू आहेत.
