গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

রোবোটিক্স কুইজের জন্য দৃষ্টি-ভাষা-অ্যাকশন মডেল

ভিশন-ভাষা-অ্যাকশন মডেলগুলি কীভাবে রোবট কমান্ডের সাথে ক্যামেরা ইনপুট এবং নির্দেশাবলীকে একত্রিত করে এবং তাদের প্রমাণ কোথা থেকে আসে তা শিখুন।

প্রশ্ন 1 এর 8

কোন তিন ধরনের ইনপুট/আউটপুট একটি ভিশন-ল্যাংগুয়েজ-অ্যাকশন (VLA) মডেলকে সংজ্ঞায়িত করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. কোন তিন ধরনের ইনপুট/আউটপুট একটি ভিশন-ল্যাংগুয়েজ-অ্যাকশন (VLA) মডেলকে সংজ্ঞায়িত করে?
    • ক্যামেরা ইমেজ, একটি ভাষা নির্দেশ, এবং রোবট কর্ম
    • অডিও, টেক্সট, এবং ইমেজ
    • সেন্সর লগ, জিপিএস এবং ব্যাটারির অবস্থা
    • কোড, কম্পাইলার আউটপুট, এবং পরীক্ষার ফলাফল
  2. কিভাবে Google DeepMind এর RT-2 রোবট ক্রিয়াগুলিকে উপস্থাপন করে যাতে একটি ট্রান্সফরমার সেগুলি তৈরি করতে পারে?
    • শুধুমাত্র অবিচ্ছিন্ন ফ্লোটিং-পয়েন্ট ভেক্টর হিসাবে
    • বিচ্ছিন্ন অ্যাকশন টোকেন হিসেবে, টেক্সট টোকেনের মতো
    • ROS বার্তা XML হিসাবে
    • শক্তিবৃদ্ধি শেখার জন্য পুরস্কার মান হিসাবে
  3. ভিএলএ-এর প্রসঙ্গে 'ইমার্জেন্ট ট্রান্সফার' বলতে কী বোঝায়?
    • রোবট অতিরিক্ত গরম হয় এবং বন্ধ হয়ে যায়
    • দুটি রোবট তাদের সফটওয়্যার অদলবদল করে
    • প্রাক-প্রশিক্ষণ থেকে ওয়েব-স্কেল জ্ঞান রোবটকে অভিনব বস্তু এবং নির্দেশাবলী পরিচালনা করতে সাহায্য করে
    • কোনো নিউরাল নেটওয়ার্ক ছাড়াই ক্রিয়াকলাপ গণনা করা হয়
  4. একক বিচ্ছিন্ন অ্যাকশন টোকেনের তুলনায় পাই-0-এর ডিফিউশন/ফ্লো-ম্যাচিং অ্যাকশন হেডের মূল সুবিধা কী?
    • এটি যেকোনো ক্যামেরার প্রয়োজনকে সরিয়ে দেয়
    • এটি শুধুমাত্র সিমুলেশনে কাজ করে
    • এটি ভাষার নির্দেশনা দূর করে
    • এটি আরও দক্ষ নিয়ন্ত্রণের জন্য মসৃণ, উচ্চ-ফ্রিকোয়েন্সি অ্যাকশন অংশ তৈরি করে
  5. কেন ওপেন এক্স-এম্বডিমেন্ট ডেটাসেট VLA-এর জন্য গুরুত্বপূর্ণ?
    • এটি ক্রস-এম্বডিমেন্ট সাধারণীকরণ সক্ষম করতে অনেক রোবট প্রকার জুড়ে রোবট ডেটা পুল করে
    • এটি শুধুমাত্র ছবির ক্যাপশনের জন্য একটি মানদণ্ড
    • এটি শুধুমাত্র একটি রোবটের ডেটা সংরক্ষণ করে
    • এটি একটি ভাষা-শুধু টেক্সট কর্পাস
  6. Which data sources did DeepMind combine when co-fine-tuning RT-2?
    • Only a fixed list of hand-written joint commands
    • Robot demonstration data and web data with a pretrained vision-language model
    • Only audio recordings without robot observations
    • Only random action tokens with no examples
  7. What kinds of commands can an RT-2-style action representation encode?
    • Only natural-language explanations with no robot controls
    • A fixed video caption for each camera frame
    • Discretized robot motion and gripper commands represented as tokens
    • A robot’s hardware serial number
  8. How broad was the RT-2 evaluation of emergent capabilities reported by Google DeepMind?
    • Exactly 12 trials
    • One trial for every robot type worldwide
    • No physical robot trials
    • More than 6,000 robotic trials