BeingBeyond, मूर्त कृत्रिम बुद्धिमत्ता के क्षेत्र में एक स्टार्टअप, जिसे बीजिंग विश्वविद्यालय के प्रोफेसर लू ज़ोंगцин द्वारा स्थापित किया गया है, ने Being-M0.7 मॉडल प्रस्तुत किया है। यह दुनिया और कार्यों का एक लेटेंट मॉडल रोबोट को एक साथ चलने और वस्तुओं में हेरफेर करने की अनुमति देता है।
इस मॉडल को मानव की गति के डेटा और 10,000 घंटे से अधिक कच्चे वीडियो रिकॉर्डिंग पर प्री-ट्रेन किया गया था, इससे पहले कि इसने रोबोटों के ट्रेजेक्टरी देखे हों। टीम का मानना है कि जटिल लोकोमोटर-मैनिपुलेटिंग गतिविधियों के लिए वास्तविक रोबोट प्रदर्शन दुर्लभ और एकत्र करने में महंगे हैं, जबकि मानव वीडियो रिकॉर्डिंग और मोशन कैप्चर प्रचुर मात्रा में उपलब्ध हैं।
हालांकि, मानव डेटा आदर्श नहीं होता है: कुछ क्लिप में केवल वीडियो होते हैं, अन्य में केवल गति होती है, और मानव गति को सीधे रोबोट द्वारा दोहराया नहीं जा सकता है। Being-M0.7 इस समस्या से तीन चरणों में निपटता है। प्री-ट्रेनिंग चरण में, वीडियो और गति को एक सामान्य स्थान में परिवर्तित किया जाता है, जहां भविष्य की दृश्य स्थितियों और शरीर की गति का सहयोगात्मक रूप से पूर्वानुमान लगाया जाता है।
इंटरमीडिएट ट्रेनिंग चरण में, इस प्रारंभिक जानकारी को कैमरे के प्रकार और रोबोट के शरीर के अनुरूप ढाला जाता है। अंत में, पोस्ट-ट्रेनिंग चरण में, एक अलग एक्शन एक्सपर्ट जोड़ा जाता है जो फ्रीज्ड प्रारंभिक जानकारी के पूर्वानुमानों को पढ़ता है और पूरे शरीर के लिए कमांड जारी करता है। पिक्सेल की भविष्यवाणी करने के बजाय, मॉडल DINO छवियों की फ्रीज्ड विशेषताओं के साथ काम करता है, और मनुष्य और रोबोट दोनों सिर से जुड़े संकुचित 22-आयामी गति प्रतिनिधित्व का उपयोग करते हैं। छूटी हुई मॉड्यूलिटीज़ को फेंकने के बजाय सीखने योग्य प्लेसहोल्डर एम्बेडिंग का उपयोग करके संसाधित किया जाता है। डेटा स्रोतों में Ego4D, Nymeria, HumanML3D और अन्य सार्वजनिक रूप से उपलब्ध सेट के साथ-साथ BeingBeyond के शुरुआती कार्यों के उपसमूह और अधिग्रहित डेटा शामिल हैं।
परीक्षण परिणाम
सिमुलेशन बेंचमार्क SIMPLE पर, जो तीन स्तरों की जटिलता पर मानवोइड्स के लिए छह कार्यों को कवर करता है, Being-M0.7 ने 180 परीक्षणों में से 128 में सफलता दिखाई, जो 71.1% है, जो परीक्षण किए गए बेस मॉडलों में सर्वश्रेष्ठ परिणाम है। शोध में उल्लेख किया गया है कि Ψ0 ने 64.4%, π0.5 ने 52.8%, और GR00T-N1.6 ने 33.9% दिखाया, हालांकि Ψ0 ने एक कार्य में प्रतिस्पर्धियों को पीछे छोड़ दिया, और π0.5 ने दो अन्य में किया।
मानव डेटा पर प्री-ट्रेनिंग को हटाने पर प्रदर्शन घटकर 48.9% हो गया। ह्यूमनॉइड Unitree G1 पर परीक्षण करते समय, जिसमें फुर्तीले हाथ थे, मॉडल ने चलने और पकड़ने के तीन कार्यों के भीतर 15 में से 13 परीक्षणों में सफलता प्राप्त की, जो सबसे मजबूत बेस मॉडल GR00T-N1.6 के 86.7% स्तर के बराबर है, और π0.5 (15 में से 7) और Ψ0 (15 में से 3) से बेहतर है। इस प्रकार, वास्तविक रोबोट पर परिणाम बराबर था, न कि बेहतर।
टीम स्पष्ट सीमाओं को स्वीकार करती है। परीक्षण केवल छोटे क्षितिज वाले कार्यों के लिए किए गए थे, और प्रदर्शन ट्रैकिंग नियंत्रक का सटीकता वास्तविक रोबोट डेटा की अधिकतम सटीकता को सीमित करती है जिसका उपयोग प्रदर्शन दिखाने के लिए किया गया था।