Исследователи выложили платформу RoboCasa для обучения универсальных роботов

Производительность инструментов искусственного интеллекта (ИИ), включая большие вычислительные модели для обработки естественного языка (NLP) и алгоритмы компьютерного зрения, быстро улучшалась на протяжении последних десятилетий. Одна из причин успешности в том, что наборы данных для обучения алгоритмов растут экспоненциально, собирая сотни тысяч изображений и текстов из интернета.


Исследователи из Техасского университета в Остине и подразделения компании NVIDIA Research представили одну из таких платформ под названием RoboCasa. Речь идёт о крупномасштабной системе компьютерного моделирования с открытым исходным кодом, с помощью которой можно обучать роботов-универсалов выполнению различных задач в повседневных условиях.



Соавтор исследования Юке Чжу рассказал, что наблюдаемому прогрессу в области ИИ во многом способствовало обучение больших моделей на соответствующих массивах данных. Создатели RoboCasa вдохновились этими достижениями, направив научный интерес на пользу робототехники.

RoboCasa стала, по сути, расширением RoboSuite, прежней платформы моделирования, которую те же разработчики представили несколько лет назад. Чжу объяснил, что они с коллегами использовали генеративные инструменты ИИ для создания разнообразных объектов, сцен и задач. Эти инструменты значительно улучшили реалистичность моделируемого мира. Кроме того, RoboCasa поддерживает различные аппаратные платформы роботов и предоставляет для обучения моделей наборы данных с более чем 100 тыс. траекторий.

Платформа RoboCasa включает в себя тысячи 3D-сцен с более чем 150 различными типами предметов повседневного обихода, а также десятками предметов мебели и электроприборов. RoboCasa предлагает высокореалистичные симуляции, которые были дополнены с помощью инструментов ИИ.

Чжу и его коллеги разработали 100 задач, на которых можно обучить алгоритмы робототехники. Новая платформа также включает методы генерации эффективных траекторий и движений, которые позволили бы роботам выполнять эти задачи.

Создатели «РобоКасы» следовали тенденции к масштабированию: по мере увеличения размеров генерируемых машиной обучающих данных производительность модели неуклонно росла. К тому же, объединив результаты моделирования с реальными данными, авторы проекта обнаружили, что расширенный набор информации повысил производительность робота при выполнении практических задач.

Чжу с коллегами планируют продолжать расширять и совершенствовать платформу, чтобы способствовать её популярности у робототехников. Содействовать им могут все желающие, ведь исходный код RoboCasa доступен на ресурсе GitHub.