Google-ის Gemini 4 Argon მიზნად ისახავს ფიზიკურ AGI-ს რობოტიკის მთელ სტეკზე

Google-მა წარმოადგინა Gemini 4 Argon, ზოგადი დანიშნულების ფიზიკური მსჯელობის მოდელი, რომელიც ფიზიკური AGI-სკენ პროგრესს აჩქარებს. კომპანიის ცნობით, Argon ERQA ბენჩმარკზე 87%-ს აღწევს; ის ამოწმებს მოდელის უნარს, წმინდა მსჯელობით გაიგოს და გადაჭრას ფიზიკური, სივრცითი ამოცანები 3D გარემოში. Google Developers Blog-ის მიხედვით, Argon ამ ბენჩმარკზე ყველა სხვა წამყვან მოდელს აღემატება.

რობოტების მართვა და zero-shot შესაძლებლობები

მოდელი მთელ რობოტიკის ციკლზე გამოიყენება. მართვისას Argon აჩვენებს მობილურ მანიპულაციას Boston Dynamics-ის Spot ოთხფეხა რობოტზე: ივარჯიშებს MuJoCo-ს ციფრულ ტყუპზე ფეხის პედლით ნაგვის ურნისთვის, სანამ ფიზიკურ პედალს იმოქმედებს. სისტემა ასევე zero-shot რეჟიმში მართავს რობოტის მკლავს, რომ ჩამოვარდნილი კეშხი გადაატრიალოს და შიგ ხელსახოცი ჩადოს, ვიზუალური კოორდინატების ჩარჩოთი და მოქმედების პრიმიტივებით რამდენიმე მორიგების განმავლობაში. Argon-ს ასევე შეუძლია რობოტების მართვა Gemini Omni World Model-ში, რომ გაფანტული Scrabble-ის ფილები A-R-G-O-N-ად დაალაგოს; ის წერს დროის ნიშნიან მოქმედების პრომპტებს და დახურულ ვიზუალურ ციკლში ამოწმებს rollout-ის შუალედურ საკვანძო კადრებს.

Real2Sim და ფიზიკური გაგება

Argon სხვადასხვა შეყვანიდან აღადგენს ფიზიკურად კალიბრირებულ სიმულაციურ ტყუპებს. რობოტის კამერის ნაკადებიდან ქმნის ციფრულ ტყუპებს, რომლებიც რეალურ ვიზუალსა და კონტაქტის მოვლენებს ემთხვევა. ადამიანის ეგოცენტრული ვიდეოდან ამოიცნობს ამოცანისთვის მნიშვნელოვან ობიექტებს და ადამიანის ხელის ტრაექტორიებს გადაიტანს 76-DoF ორხელიან ჰუმანოიდზე 22-DoF ხუთთითიანი ხელებით. ხელით დახატული ესკიზიდან ქმნის GPU-აჩქარებულ mujoco_warp სცენას და Apollo 2 ჰუმანოიდისთვის მთელი სხეულის სროლის ტრაექტორიას სინთეზირებს.

ფიზიკური გაგებისთვის Argon აგენტურ მულტიმოდალურ უკუნახვით ანოტირებას ასრულებს. ორხელიანი ALOHA 2 რობოტის ზემოდან გადაღებული ვიდეოდან, რომელიც 136 წამში ქაღალდს ორიგამის მელად კეცავს, ქმნის ოთხდონიან ანოტაციის იერარქიას: ეპიზოდის მიზნები, სემანტიკური ქვეამოცანები, ატომური პრიმიტივები და ხარისხის კონტროლის ხელახალი წონირება. მოდელი ასევე ზოგადი ღირებულების ფუნქციად მუშაობს: აწარმოებს ამოცანის პროგრესის მკვრივ პროგნოზებს და ტრაექტორიებს ყოფს დადებითი, ნეიტრალური და უარყოფითი პროგრესის დახრილობის სეგმენტებად.

თვითგაუმჯობესება და სიმულაცია

Argon-ს სიმულაციაში ახალი მონაცემების გენერირება შეუძლია ზოგადი ვიზუალურ-ენობრივ-მოქმედების მოდელების გასაუმჯობესებლად. რეალური მაგიდის ერთი RGB ფოტოდან ქმნის კალიბრირებულ MuJoCo-ს სიმულაციურ ტყუპს, განსაზღვრავს ახალ ამოცანებს და დახურული ციკლის მოძრაობის გენერატორს სინთეზირებს. ამ პროცესმა 4 500-ზე მეტი დომენურად რანდომიზებული ეპიზოდი შეაგროვა, რითაც რეალურ სამყაროში რობოტის წარმატება 56%-დან 75%-მდე გაზარდა, ხოლო შესრულების დრო 35 წამიდან 24 წამამდე შეამცირა.

მოდელი ჰარდვეარზე იტერაციულ თვითგაუმჯობესებასაც აჩვენებს. მარტივ 6-DoF მკლავზე Argon-მა აღება-დადების ამოცანაში შესრულების სიჩქარე და განთავსების სიზუსტე გააუმჯობესა ცდის, თვითრეფლექსიისა და ოპტიმიზაციის გზით. სამ იტერაციაში შესრულების დრო 58,9 წამიდან 17,4 წამამდე დაეცა, ბოლო იტერაციამ კი ზუსტად ცენტრში დადებას მიაღწია.

წყაროები: developers.googleblog.com