A Google DeepMind robotja 96 százalékos sikerrel válogatott fémalkatrészeket a Mercedes gyártósorán
A pilot során a robot a visszajelzések szerint a szerelőkhöz hasonló pontossággal dolgozott tovább, az üzem pedig azt vizsgálja, mely más összeszerelési műveletek vehetők át hasonló módon.
A Google DeepMind bemutatta a Gemini Robotics 2.5 nevű, látást, nyelvet és mozgást összekapcsoló VLA-modellt, amely a cég szerint 30-100 százalékkal jobb eredményt ér el a korábbi saját modelljeinél, a feladattípustól függően. A modellt több mint 200 feladaton tesztelték, köztük étel tálalásán és folyadékok pipettázásán — írja a The Decoder.
Pilot a Mercedes-Benz üzemeiben
A Google DeepMind az Apptronikkal és a Mercedes-Benz-cel közösen a kecskeméti és a sindelfingeni gyártósorokon tesztelte a modellt. Az Apollo 2 robot úgynevezett kitting feladatot végzett: ömlesztett tárolókból fémalkatrészeket válogatott, és az adott jármű összeszerelési sorrendjének megfelelően tálcákba rakta őket. A cég 96 százalékos sikerarányt jelent a pilotra. Jeff Cardenas, az Apptronik vezérigazgatója szerint a modellek néhány hét utólagos betanítás alatt jelentősen javultak, és minimális teljesítményveszteséggel kerültek át a Mercedes gyártósorára.
A munkát két modell végezte együtt: a Gemini Robotics ER felügyelte a munkafolyamatot, a Gemini Robotics 2.5 pedig a kezet és a kart irányította.
Biztonság és a jailbreak-teszt
A valós idejű vezérlés révén a robot a feladat közben is képes elkerülni a fizikai veszélyforrásokat. A Google DeepMind saját értékelése szerint a biztonságos feladatvégzés 33 százalékkal javult akadályok közelében, és 43 százalékkal emberek közelében.
A cég emellett nyílt forráskódú ASIMOV-Jailbreak teljesítménytesztet tett közzé a Hugging Face-en, amely több száz, veszélyes kéréseket leplező utasítást tartalmaz, és azt méri, becsapható-e a robotvezérlő modell. A cég szerint a Gemini 4 Argon nevű modelljük 99,5 százalékos jailbreak-ellenállást ér el, szemben a korábbi Gemini Robotics ER 2 82 százalékos eredményével. Ezek az adatok a gyártó saját mérései.
Szimuláció a betanításhoz
A fejlesztés során a Google DeepMind a Gemini 4 Argon nyelvi modellt szimulációs motorként használta. A rendszer valós kameraképből több ezer szimulált betanítási futást és digitális ikret hozhat létre, amelyet a valós demonstrációkkal együtt az új jeleneteknek és tárgyaknak való gyorsabb alkalmazkodásra használnak. A modellt a Google DeepMind szerint az Agile, az Apptronik és a Mercedes-Benz partnerei kapják meg.