96%-os sikerarányt ért el az Apptronik Apollo 2 humanoid robot a Mercedes-Benz gyártósorán

A Google DeepMind bemutatta a Gemini Robotics 2.5 modellt, amelyet a cég a mostani legfejlettebb, látást, nyelvet és cselekvést összekötő (VLA) modelljének nevez. A fejlesztés célja, hogy a robotok gyorsabban sajátítsanak el új készségeket, és kikerüljenek a laboratóriumokból a kevésbé kiszámítható, valós környezetbe – írja a Google DeepMind blogja.

Több feladat, nagyobb pontosság

A modellt több mint 200 különböző feladaton tesztelték, például étel szervírozásán csipesszel, ajándékdoboz masnizásán és folyadék pipettázásán. A cég szerint a korábbi kiindulási modellekhez képest a sikerarány feladattípustól függően 30–100%-kal magasabb, a feladatok végrehajtása pedig 20–30%-kal gyorsabb lett. A modell több robottípussal is natívan működik, köztük az Apptronik Apollo 2 humanoiddal és a Franka Duo rendszerrel.

Teszt a Mercedes-Benz gyártósorán

A Google az Apptronikkal és a Mercedes-Benzcel közösen, a kecskeméti és a sindelfingeni gyártósorokon futtatott tesztet. Az Apollo 2 humanoid autóipari alkatrész-előkészítést végzett: a rendezetlen tárolóedényekből a járműhöz szükséges sorrendben rakta ki az alkatrészeket.

A feladatot a Gemini Robotics ER modell követte, a mozgásvezérlést a Gemini Robotics 2.5 végezte, a teszt pedig 96%-os sikerarányt hozott. Az Apptronik vezérigazgatója, Jeff Cardenas szerint a modell néhány hét utótanítás után jelentősen javult, és a gyártósoron is alig veszített a teljesítményéből. Ezt a cég a humanoid robotok ipari méretű bevezetésének alapjaként írja le.

Biztonság és tesztelés

A Google szerint a modell következtetési időben futó irányítással kerüli el a fizikai veszélyeket, ami az akadályok elkerülésénél 33%-kal, a közelben lévő emberek esetében 43%-kal növelte a biztonságos feladatteljesítést.

Emellett kiadták az ASIMOV-Jailbreak nevű, nyílt forráskódú tesztkészletet, amely több száz, biztonsági szabályok megkerülésére szerkesztett kérést tartalmaz. A Gemini 4 Argon modell 99,5%-os ellenállást mutatott ezzel szemben, míg a korábbi Gemini Robotics ER 2 csak 82%-ot ért el.

Szimulációval gyorsítva

A fejlesztést a Gemini 4 Argon is segítette, amely szimulációs motorként működött: valós kameraképekből ezreket generált változatos gyakorlóhelyzetekből és digitális ikreket épített. A Google szerint ez segít az új jeleneteken és tárgyakon való gyorsabb általánosításban. A cég a bejelentés szerint a modellt jelenleg robotikai partnereinél vezeti be, köztük a Mercedes-Benznél Kecskeméten.