RoboPhys-3D ቤንችማርክ የተዋሃዱ የዓለም ሞዴሎች የ3-ል ትዕይንቶችን እና ድርጊቶችን እንደጠበቁ ይፈትሻል

ምን ተፈጠረ

ተመራማሪዎች በ3D መልሶ ግንባታ፣ በግዛት ግንዛቤ እና በተግባር ደረጃ እርምጃዎች የተካተቱትን የአለም ሞዴሎች ለመገምገም መለኪያ የሆነውን RoboPhys-3D አስተዋውቀዋል። መለኪያው 50 የማታለል ተግባራትን፣ 5,000 ክፍሎችን እና 25,000 ባለ ብዙ እይታ የመሬት-እውነት ቪዲዮዎችን ይሸፍናል። ጋዜጣው እንደዘገበው ኮስሞስ 3 ከተሞከሩት አራት የቪዲዮ አለም ሞዴሎች መካከል ከፍተኛውን ሮቦ ፊዚኮርን እንዳስመዘገበ፣ በአፈፃፀም ላይ የተመሰረቱ መለኪያዎች ግን የአመለካከት እና የእይታ-ቋንቋ-ሞዴል ፍርዶች ያልያዙትን ድክመቶች አጋልጠዋል።

እ.ኤ.አ. ኦገስት 28፣ 2026 ለarXiv የቀረበ ወረቀት RoboPhys-3D ለታቀፉ የአለም ሞዴሎች መለኪያ አድርጎ ያስተዋውቃል። ደራሲዎቹ እንደ ዳታ ሞተሮች፣ የድርጊት መርሃ ግብሮች እና ሲሙሌተሮች ለተቀረጸ AI በሚያገለግሉ የቪዲዮ አለም ሞዴሎች ዙሪያ ችግሩን ቀርፀዋል። የእነሱ ትችት የተለመደው የተካተተ የአለም ሞዴል ግምገማዎች አንድ ወጥ የሆነ ፕሮቶኮል ባለ ሶስት አቅጣጫዊ ትእይንት መዋቅር እና ሊተገበሩ የሚችሉ እርምጃዎችን አያቀርቡም የሚል ነው። RoboPhys-3D በRoboTwin 2.0 ላይ የተገነባ እና በአራት አገዛዞች 50 የማታለል ተግባራትን ይሸፍናል፣ በ5,000 ክፍሎች እና 25,000 ባለ ብዙ እይታ የመሬት-እውነት ቪዲዮዎች።

የማመሳከሪያው ሂደት በተመሳሳዩ የ3-ል የመልሶ ግንባታ ቱቦ አማካኝነት ቪዲዮዎችን እና የመሬት ላይ እውነተኛ ቪዲዮዎችን ፈጥሯል። እንደ ወረቀቱ ከሆነ ይህ ንድፍ በመልሶ ግንባታው ሂደት የገቡትን ስህተቶች በተፈጠረው ቪዲዮ ምክንያት ከሚፈጠሩ ስህተቶች ለመለየት የታሰበ ነው። RoboPhys-3D ቡድኖች 50 ሜትሪክስ ወደ 18 ንዑስ-ልኬቶች እና አራት የግምገማ ደረጃዎች፡ የፒክሰል ደረጃ ታማኝነት፣ 3D ጂኦሜትሪ ወጥነት፣ የስቴት ደረጃ ግንዛቤ እና የተግባር-ደረጃ ሙላት። ደራሲዎቹ እንዲሁም ሁሉንም 50 ሜትሪክስ አማካኝ ሙሉ ነጥብ እና RoboPhyscore፣ ከተግባር ስኬት ጋር በጣም የተቆራኘ በመሆኑ ሪፖርት በሚያደርጉት ልኬቶች ላይ የተመሰረተ አነስተኛ ተግባር-ተኮር ነጥብ አስተዋውቀዋል።

የአብስትራክት ዘገባው ለአራት ወካይ የቪዲዮ አለም ሞዴሎች ውጤት ነው። ኮስሞስ 3 ከፍተኛውን ሮቦ ፊዚኮርን ተቀብሏል፣ 0.6330 ነጥብ፣ ከመሬት-እውነት ነጥብ 92.7% ተብሎ ተገልጿል። ወረቀቱ በግዛት እና በአፈፃፀም ላይ የተመሰረቱ እርምጃዎች በማስተዋል ልኬቶች ወይም በራዕይ-ቋንቋ ሞዴሎች ያልተያዙ ከፍተኛ ውድቀቶችን አሳይተዋል። እንዲሁም በRoboPhyscore እና በሰዎች ግምገማ መካከል ጠንካራ ስምምነትን፣ ከፒርሰን 0.9761 እና ከስፔርማን ቁርኝት 0.8962 ጋር ሪፖርት ያደርጋል። እነዚህ ከስሪት-አንድ arXiv ቅድመ-ህትመት የይገባኛል ጥያቄዎች; ምንጩ ራሱን የቻለ ማረጋገጫ ወይም ከአብስትራክቱ በስተጀርባ ያለውን ሙሉ የሙከራ ዝርዝሮችን አይሰጥም።

የምንጭ ዝርዝሮች: arxiv.org ↗

ለምን አስፈላጊ ነው።

ስራው በተቀረጸው AI ውስጥ ያለውን ማዕከላዊ ችግር ይመለከታል፡ የመነጨ ቪዲዮ ትእይንቱን ሲያሳስት ወይም ሊጠቅም የሚችል ተግባርን መደገፍ ሲሳነው አሳማኝ ሊመስል ይችላል። የእይታ ትንበያን ከ3D ሁኔታ እና ከተግባር ማጠናቀቂያ ጋር የሚያገናኘው ቤንችማርክ ለተመራማሪዎች ስርዓቶችን ለማነፃፀር የበለጠ ተግባራዊ መንገድ ሊሰጥ ይችላል፣ ምንም እንኳን ወረቀቱ ቅድመ-ህትመት ቢሆንም አብስትራክቱ በአካላዊ ሮቦቶች ላይ ወይም ከቤንችማርክ መቼት ውጭ አፈጻጸምን ባያሳይም።

የወረቀቱ ማዕከላዊ አስተዋፅዖ የመነጨ ልቀት አሳማኝ ሆኖ ከመታየቱ በላይ ለመለካት የሚደረግ ሙከራ ነው። ሮቦትን ለመምራት ለታቀደው ስርዓት፣ የተተነበየው ጂኦሜትሪ፣ የነገር ሁኔታ ወይም የእርምጃዎች ቅደም ተከተል ስህተት ከሆነ ምስላዊ መመሳሰል ብቻ በቂ ላይሆን ይችላል። የ3-ል ወጥነት እና የተግባር-ደረጃ ሙላትን ከፒክሰል ደረጃ ታማኝነት ጋር በማካተት፣ RoboPhys-3D ማራኪ የቪዲዮ ማመንጨትን ለማቀድ እና ለማስፈጸም አስፈላጊውን መረጃ ከሚጠብቁ ትንበያዎች ለመለየት ይረዳል። ያ ልዩነት የተካተቱት AI ስርዓቶች እንዴት እንደሚገመገሙ እና እንደሚሻሻሉ በቀጥታ ይዛመዳል።

የጋራ የመልሶ ግንባታ ቧንቧው ጠቃሚ ሊሆን ይችላል ምክንያቱም የመነጩ እና የማጣቀሻ ቪዲዮዎችን የተለመደ የመለኪያ ሂደት ይሰጣል። የመልሶ ግንባታ ቅርሶች በንፅፅር በሁለቱም ጎኖች ላይ ተጽእኖ ካሳደሩ, ተመራማሪዎች ዝቅተኛ ነጥብ በአለም ሞዴል ወይም በግምገማ ላይ ያለውን ችግር የሚያንፀባርቅ መሆኑን በተሻለ ሁኔታ መለየት ይችላሉ. ምንጩ የቧንቧ መስመር ይህንን ልዩነት እንደሚያስችል ብቻ ይናገራል; መለያየቱ ፍጹም መሆኑን ወይም እያንዳንዱ የመልሶ ግንባታ ውድቀት በአስተማማኝ ሁኔታ ሊታወቅ እንደሚችል አያረጋግጥም።

በRoboPhyscore እና በሰው ግምገማ መካከል ያለው የተዘገበው ግንኙነት እንደሚያመለክተው የታቀደው የታመቀ ነጥብ በተፈተነው መቼት ውስጥ የሰውን ፍርድ መከታተል ይችላል። ከተደጋገመ፣ ከተግባር ጋር የተጣጣመ ነጥብ በደርዘን የሚቆጠሩ ተዛማጅ ያልሆኑ መለኪያዎችን ሪፖርት ከማድረግ ይልቅ ንጽጽሮችን ቀላል ሊያደርግ ይችላል። ነገር ግን፣ ማስረጃው በወረቀቱ የራሱ ቤንችማርክ፣ በአራት ተወካይ ሞዴሎች እና በተገለፀው የግምገማ ንድፍ የታሰረ ነው። ምንጩ ከፍተኛ RoboPhyscore ስኬታማ የአካል ብቃት እንቅስቃሴን እንደሚያረጋግጥ፣ የማይታዩ አካባቢዎችን አጠቃላይ እንደሚያደርግ ወይም በደህንነት-ወሳኝ ማሰማራቶች ላይ አፈጻጸም እንደሚተነብይ አያሳይም።

ቀጥሎ ምን እንደሚታይ

አስፈላጊዎቹ ቀጣይ እርምጃዎች ገለልተኛ ማባዛት፣ የቤንችማርክ ዝርዝር ተግባር እና የግምገማ ሂደቶችን ማተም እና RoboPhyscore በአዳዲስ አካባቢዎች ወይም በእውነተኛ ሃርድዌር ላይ አፈጻጸምን እንደሚተነብይ ማስረጃዎች ናቸው። በተጨማሪም አንባቢዎች የሞዴል ደረጃዎች በተግባር ዓይነቶች ላይ የተረጋጋ መሆናቸውን፣ የመልሶ ግንባታ ስህተቶች እንዴት በውጤት ላይ ተጽዕኖ እንደሚያሳድሩ፣ እና የተዘገበው ከሰው ግምገማ ጋር የተደረገው ስምምነት ሰፋ ባለው ሙከራ ውስጥ መያዙን መከታተል አለባቸው።

የቤንችማርክ ተግባራዊ እሴት በምንጩ ረቂቅ ውስጥ ባልተካተቱ ዝርዝሮች ላይ የሚመረኮዝ ይሆናል፡ የአራቱም የተፈተኑ ሞዴሎች ማንነት እና አወቃቀሮች፣ ትክክለኛ የተግባር ሥርዓቶች፣ የ50 ሜትሪክስ፣ የመልሶ ግንባታ አተገባበር እና ከተግባር ስኬት ጋር የተያያዙ መለኪያዎችን ለመለየት ጥቅም ላይ የሚውሉ መስፈርቶች። እነዚያ ዝርዝሮች ለመድገም እና RoboPhyscore ሰፊ አቅምን ይለካ ወይም ከቤንችማርክ ተግባር ስርጭት ጋር የተጣጣመ መሆኑን ለመገምገም አስፈላጊ ናቸው።

የማይታወቅ ቁልፍ ነገር ከተቀረጹት ቪዲዮዎች እና በRoboTwin 2.0 የተወከሉትን የተመሳሰሉ ወይም ካስማ ምልክት የተደረገባቸው ክፍሎች ማስተላለፍ ነው። ምንጩ በአካላዊ ሮቦቶች፣ አዲስ አከባቢዎች፣ የአነፍናፊ ጫጫታ፣ የአሁናዊ ገደቦች ወይም የማያውቁ የነገር ዝግጅቶች ላይ የተደረጉ ሙከራዎችን ሪፖርት አያደርግም። የክትትል ስራ ውጤቶች በእነዚያ ሁኔታዎች በጂኦሜትሪ ወይም በግዛት ውስጥ ያሉ ትናንሽ ስህተቶች ከመስመር ውጭ ግምገማ ላይ ከሚያደርጉት የበለጠ ውጤት ሊያስከትሉ በሚችሉበት ሁኔታ የእርምጃ ስኬት እንደሚተነብዩ መፈተሽ አለበት።

በተጨማሪም ተመራማሪዎች የተዘገበው ሞዴል ደረጃ ምን ያህል የተረጋጋ እንደሆነ መመርመር አለባቸው. ማጠቃለያው ለኮስሞስ 3 ሮቦ ፊዚኮርን ይሰጣል ነገር ግን የሌሎቹን የስርዓቶች ውጤቶች፣ እርግጠኛ ያልሆኑ ክልሎችን ወይም የእያንዳንዱን ተግባር ልዩነት አይለይም። የወደፊት ስሪቶች እና ገለልተኛ ጥናቶች የአመለካከት እና የእይታ-ቋንቋ-ሞዴል ግምገማዎች በተከታታይ ተመሳሳይ የውድቀት ክፍሎችን እንደሚያመልጡ ፣ የመልሶ ግንባታ ምርጫዎች ደረጃዎችን በቁሳቁስ ይለውጣሉ ፣ እና ሞዴሎች የገሃዱ ዓለም አፈፃፀምን ሳያሻሽሉ ለመመዘኛ ማመቻቸት ይችሉ እንደሆነ ያሳያሉ። የተዘገበው የፔርሰን እና ስፓርማን ቁርኝት በሰፊ የሰው ልጅ ደረጃ አሰጣጥ ናሙናዎች እና የተለያዩ የተግባር ስብስቦች ላይ መባዛትን ያረጋግጣል።

ተዛማጅ መመሪያዎች እና ጥያቄዎች