نموذج 8B الصغير من ميسترال يجعل الليدار اختياريًا للروبوتات المكتبية

للسنوات، راهنت صناعة الروبوتات على معادلة بسيطة: التنقل الداخلي الموثوق يعادل الليدار مع كاميرات العمق، أو على الأقل زوجًا ستيريو. نشرت ميسترال للتو حجة مضادة، ودرجة معيارية لدعمها.

Robostral Navigate هو النموذج الأول للشركة للتنقل التجسيدي. إنه محول بحجم 8 مليارات معلمة يأخذ إطارات RGB من كاميرا عادية واحدة بالإضافة إلى تعليمات باللغة الطبيعية ويحرك الروبوت عبر مبنى. على معيار R2R-CE (من غرفة إلى غرفة في بيئات مستمرة) للتحقق غير المرئي، حيث يواجه النموذج مخططات أرضية لم يرها أثناء التدريب، يحقق معدل نجاح 76.6%. يتفوق ذلك على أفضل نظام أحادي الكاميرا بـ 9.7 نقاط مئوية، والأهم من ذلك، على أفضل نظام يستخدم مستشعرات العمق أو كاميرات متعددة بـ 4.5 نقاط.

التوجيه، وليس القياس

البصيرة التقنية هي تحول من الإزاحة المترية إلى ما تسميه ميسترال التوجيه. بدلاً من إخبار الروبوت بالتحرك عددًا محددًا من الأمتار والدرجات، وهو ما ينكسر عندما تتغير مواصفات الكاميرا أو حجم الروبوت، يتنبأ النموذج بإحداثيات الصورة للموقع المستهدف في عرض الكاميرا الحالي للروبوت، بالإضافة إلى الاتجاه المطلوب عند الوصول.

هذا يجعل السياسة قوية بطبيعتها تجاه التغيرات في الأجهزة. الروبوت بعدسة مختلفة، أو بدن أطول، أو قاعدة عجلات مختلفة لا يحتاج إلى إعادة معايرة لأن مهمة التوجيه يتم التعبير عنها في الإطار البصري، وليس الإطار المادي. عندما يكون الهدف خارج مجال الرؤية الحالي، حول الزاوية على سبيل المثال، يعود النموذج إلى أوامر الإزاحة في الإطار المحلي.

المحاكاة على نطاق واسع، التدريب في اختصارات

بنت ميسترال Robostral Navigate بالكامل داخليًا بدلاً من ضبط نموذج رؤية-لغة مفتوح المصدر موجود. بدأ الفريق من نموذج VLM الخاص بهم المتخصص في مهام التوجيه والعد وتحديد موقع الكائنات، ثم أنتجوا حوالي 400,000 مسار عبر 6,000 مشهد محاكى.

حيلة الكفاءة هي خوارزمية تدريب تعتمد على التخزين المؤقت المسبق مع استراتيجية إخفاء الانتباه القائمة على الشجرة. إنها تضغط حلقة كاملة في تسلسل واحد، بحيث يعمل التدريب على جميع الخطوات الزمنية في تمرير واحد للأمام مع منع تسرب المعلومات بين الخطوات الزمنية. النتيجة: تقليل الرموز التدريبية بمقدار 22 مرة. ما كان يستغرق شهورًا أصبح الآن أيامًا.

بعد التدريب الخاضع للإشراف، طبق الفريق التعلم المعزز عبر الإنترنت باستخدام CISPO، وهي خوارزمية مأخوذة من عمل ميسترال بعد التدريب على نماذج اللغة الكبيرة. أدى ذلك وحده إلى تحسين معدل النجاح بنسبة 3.2%، حيث تعلم النموذج التعافي من الإخفاقات وتطوير سلوكيات استكشافية. من الناحية العملية، يخفف هذا من تحول التوزيع الذي يطارد تقليد السلوك الخالص.

الاقتصاد الحقيقي

بالنسبة لمشتري وبناة الروبوتات، فإن الآثار المباشرة هي التكلفة. وحدات الليدار للملاحة المستقلة تتراوح من مئات إلى عشرات الآلاف من الدولارات. كاميرات العمق تضيف أعباء معالجة ومتطلبات معايرة. كاميرا RGB واحدة، وهي النوع الموجود بالفعل على معظم الأجهزة الاستهلاكية والروبوتات الخدمية، تكلف جزءًا بسيطًا من ذلك.

يعمل النموذج على روبوتات ذات عجلات وأرجل وطائرة ويعمم عبر مواصفات الكاميرا دون إعادة تدريب. بالنسبة للوجستيات المستودعات، أو التوصيل الميل الأخير، أو روبوتات الضيافة، يمكن أن تنخفض فاتورة مكونات الأجهزة بشكل كبير مع الحفاظ على دقة الملاحة الحالية أو تجاوزها.

مع ذلك، السؤال المفتوح هو الموثوقية في الحالات الطرفية. يختبر معيار R2R-CE الملاحة في بيئات ذات تخطيطات مسبقة الخرائط وتعليمات واضحة. المباني المكتبية الحقيقية بها أثاث متحرك، وعقبات مؤقتة، وجدران زجاجية تربك الملاحة البصرية، وظروف إضاءة تتغير على مدار اليوم. فيديو العرض التوضيحي الخاص بميسترال يظهر النموذج وهو يتنقل في مكتب حي مع أشخاص يمشون عبر الإطار، وهو أمر مشجع، لكن النشر الإنتاجي سيحتاج إلى التعامل مع ذيل أطول من الحالات الطرفية مما يلتقطه أي معيار.

ماذا يعني هذا للصناعة

Robostral Navigate ليس منتجًا بعد. إنه إصدار بحثي وعرض قدرة. لكن الاتجاه واضح. كانت صناعة الروبوتات تتقارب حول فكرة أن نماذج الأساس المدربة على بيانات متنوعة يمكنها استبدال مجموعات الإدراك المصنوعة يدويًا. ما تظهره ميسترال هو أن الملاحة، وهي ربما المهارة الروبوتية الأكثر شيوعًا، يمكن ضغطها في نموذج صغير بما يكفي للعمل على الأجهزة الطرفية، مدرب بالكامل في المحاكاة، ومنشور دون سباق تسلح في مجموعات المستشعرات.

تقول الشركة إنها لا ترى أي استقرار في الأداء من التعلم المعزز، مما يشير إلى أن المزيد من التدريب والتجارب سيدفع معدل النجاح إلى أعلى. إذا استمر هذا المسار، فقد تواجه صناعة الليدار اضطرابًا تم توقعه لسنوات ولكن لم يصل أبدًا.