Google-ın Gemini 4 Argon-u robototexnikanın bütün stekində fiziki AGI hədəfləyir

Google ümumi təyinatlı fiziki məntiq modeli olan Gemini 4 Argon-u təqdim etdi, bu model fiziki AGI istiqamətində irəliləməni sürətləndirir. Şirkətin məlumatına əsasən, Argon ERQA benchmark-də 87%-ə çatır; model saf məntiqlə fiziki, məkan tapşırıqlarını 3D mühitdə başa düşmək və həll etmək qabiliyyətini yoxlayır. Google Developers Blog-a əsasən, Argon bu benchmark-də bütün digər aparıcı modelləri üstəlir.

Robotlara idarəetmə və zero-shot imkanlar

Model robototexnikanın bütün dövrəsində istifadə olunur. İdarəetmə zamanı Argon Boston Dynamics-in Spot dörtlü ayaq robotunda mobil manipulyasiya göstərir: fiziki pedalı işlətməzdən əvvəl zibul üçün ayaq pedalı ilə MuJoCo rəqəmsal qulpunda məşq edir. Sistem həmçinin zero-shot rejimdə robot əlini idarə edir ki, düşmüş kəsəni çevirib içərisinə salfetka qoysun; bu, bir neçə ardıcıllıqda vizual koordinat çərçivəsi və hərəkət primitivləri ilə həyata keçirilir. Argon həmçinin Gemini Omni World Model-də robotlara idarə edərək dağınıq Scrabble hərflərini A-R-G-O-N şəkildə düzə bilər; o, vaxt mənalı hərəkətlər üçün promptlar yazır və bağlı vizual dövrədə rollout-un ara əsas kadrlarını yoxlayır.

Real2Sim və fiziki başa düşmə

Argon müxtəlif girişlərdən fiziki kalibrli simulyasiya qullarını bərpa edir. Robot kamera axınlarından real görünüş və kontakt hadisələrinə uyğun rəqəmsal qullar yaradır. İnsan egosentrik videosundan tapşırıq üçün vacib obyektləri tanıyır və insan əl trajektoriyalarını 76-DoF iki əlli humanoidə 22-DoF beş barmaqlı əllərə köçürür. əl ilə çəkilmiş eskizdən GPU sürətli mujoco_warp səhnəsini yaradır və Apollo 2 humanoid üçün bütün bədənin atış trajektoriyasını sintez edir.

Fiziki başa düşmə üçün Argon agentli çoxmodal geri baxış ilə annotasiya həyata keçirir. 136 saniyə ərzində kağızı origami qavununa bükən iki əlli ALOHA 2 robotun yuxarıdan çəkilmiş videosundan dörd səviyyəli annotasiya iyerarxiyası yaradır: epizod məqsədləri, semantik alt tapşırıqlar, atomik primitivlər və keyfiyyət nəzarətinin yenidən çəkilməsi. Model həmçinin ümumi dəyər funksiyası kimi işləyir: tapşırıq irəliləməsinin dəqiq proqnozlarını yaradır və trajektoriyaları müsbət, neytral və mənfi irəliləmə meylləri segmentlərinə bölür.

Özünü təkmilləşdirmə və simulyasiya

Argon simulyasiyada ümumi vizual-neyro-hərəkət modellərinin təkmilləşdirilməsi üçün yeni məlumatlar yarada bilər. Real masanın bir RGB fotosundan kalibrli MuJoCo simulyasiya qulunu yaradır, yeni tapşırıqları müəyyən edir və bağlı dövrə hərəkət generatorunu sintez edir. Bu proses 4 500-dən çox domen təsadüfləşdirilmiş epizod toplayaraq real dünyada robot uğurluğunu 56%-dən 75%-ə qədər artırdı, icra vaxtını isə 35 saniyədən 24 saniyəyə qısaltdı.

Model həmçinin aparat üzərində iterativ özünü təkmilləşdirmə göstərir. Sadə 6-DoF əldə Argon göturma-qoyma tapşırığında icra sürətini və yerləşmə dəqiqliyini cəhd, özünü əks və optimallaşdırma yolu ilə təkmilləşdirir. Üç iterasiyada icra vaxtı 58,9 saniyədən 17,4 saniyəyə düşdü, son iterasiya isə dəqiq mərkəzdə qoymağa çatdı.

Mənbələr: developers.googleblog.com