Vállalkozási ÚTMUTATÓ

Boston Dynamics AI Institute

A Boston Dynamics AI Institute (ma RAI Institute) egy kutatólaboratórium, amelyet Marc Raibert robotika úttörője alapított az intelligens, sportos robotok legnehezebb problémáinak megoldására.

Áttekintés

A Boston Dynamics AI Institute (ma RAI Institute) egy kutatólaboratórium, amelyet Marc Raibert robotika úttörője alapított az intelligens, sportos robotok legnehezebb problémáinak megoldására. Ez azért fontos, mert célja az élvonalbeli mesterséges intelligencia egyesítése a legendás dinamikus robotokkal, amelyekről a Boston Dynamics híres.

A Boston Dynamics AI Institute legjobban a stratégia, a modellelérés, a platformdöntések és az ökoszisztéma-partnerségek összefüggésében érthető.

Mély merülés

A 2022-ben elindított intézetet a Hyundai (amely a Boston Dynamics tulajdonosa) akár 400 millió dolláros finanszírozással, Marc Raibert vezeti, aki megalapította a Boston Dynamics céget, és úttörő volt a lábbal járó robotok mozgatása terén. Különálló, hosszú távú kutatószervezetként működik, nem termékcégként, később RAI Institute névre keresztelték (Robotics and AI Institute). Küldetése négy nehéz problémát céloz meg: kognitív mesterséges intelligencia robotokhoz, atletikus intelligencia (gyors, agilis mozgás), fejlett hardver és ember-robot interakció. A figyelemre méltó munkák közé tartozik az Atlas humanoid és a Spot the robotkutya új viselkedési formák megtanítása megerősítő tanulás segítségével, valamint egy önkiegyensúlyozó robotkerékpár, az Ultra Mobility Vehicle. A cél olyan robotok, amelyek a Boston Dynamics gépek fizikai képességeit az okoskodással és a tanulással ötvözik, nem pedig a forgatókönyv szerinti rutinokat.

Technikai betekintés

A központi technikai tét a fizikai szimulációban betanított megerősítő tanulás, ahol a robotok több millió próbát gyakorolnak gyakorlatilag, majd készségeiket valós hardverre adják át – ez az úgynevezett sim-to-real átvitel. Ez lehetővé teszi a robotok számára, hogy olyan dinamikus, egyensúlyt nehezítő manővereket tanuljanak meg, amelyek túl kockázatosak vagy lassúak ahhoz, hogy költséges hardveren közvetlenül megtanulják. Az intézet ezt a modellalapú vezérléssel és az egyre nagyobb AI modellekkel párosítja, így a robotok alkalmazkodni tudnak az új helyzetekhez, ahelyett, hogy előre programozott mozgásokat játszanának vissza.

A Boston Dynamics AI Institute elsajátítása

A Boston Dynamics AI Institute (ma RAI Institute) egy kutatólaboratórium, amelyet Marc Raibert robotika úttörője alapított az intelligens, sportos robotok legnehezebb problémáinak megoldására. Ez azért fontos, mert célja az élvonalbeli mesterséges intelligencia egyesítése a legendás dinamikus robotokkal, amelyekről a Boston Dynamics híres. A Boston Dynamics AI Institute legjobban a stratégia, a modellelérés, a platformdöntések és az ökoszisztéma-partnerségek összefüggésében érthető. A mélyebb megértés érdekében a Boston Dynamics AI Institute-ot működési modellként kell kezelni, nem egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza el, hogy a rendszer mire képes megbízhatóan, és ami még szakértői megítélést igényel.

A gyakorlatban a Boston Dynamics AI Institute-t használó erős csapatok értékelik a szállítói stratégiát, az ütemterv megbízhatóságát és a bezárási kockázatot, mielőtt elköteleznék magukat. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.

A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb. Ugyanakkor a Launch bejelentések meghaladhatják a valódi termelési munkafolyamatok stabilitását. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.

Stratégiai hatás

A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb.

A szállítói ütemterv befolyásolja, hogy csapata milyen funkciókat építhet fel legközelebb. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.

A kereskedelmi feltételek és a telepítési lehetőségek befolyásolják a hosszú távú költségeket és kockázatokat.

A kereskedelmi feltételek és a telepítési lehetőségek befolyásolják a hosszú távú költségeket és kockázatokat. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.

A vállalati ösztönzők alakítják a termék alapértelmezett beállításait, a biztonsági testtartást és a nyitottságot.

A vállalati ösztönzők alakítják a termék alapértelmezett beállításait, a biztonsági testtartást és a nyitottságot. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.

A Boston Dynamics AI Institute jövője

Várható, hogy a RAI Institute a megerősítő tanulási és alapozási modell technikákat olyan agilis platformokra tolja, mint az új elektromos Atlas, ötvözve az atlétikai irányítást a magasabb szintű érveléssel. A Hyundai által támogatott, hosszú távú laboratóriumként olyan kockázatos fogadásokat köthet, amelyekre a termékcsapatok nem képesek, és áttörést jelenthet a kereskedelmi robotok számára. A nagy kihívás a lenyűgöző demók és a robotok közötti szakadék megszüntetése, amelyek megbízhatóan okoskodnak és alkalmazkodnak a strukturálatlan valós világhoz.

Valós megvalósítás

Az Atlasz humanoid képzése dinamikus mozgások megtanulására forgatókönyvek helyett megerősítő tanulással

Új manipulációs és navigációs viselkedési formák megtanítása: Találja meg a robotkutyát

Önkiegyensúlyozó autonóm kerékpár (Ultra Mobility Vehicle) kifejlesztése, amely nulla sebességnél is függőlegesen marad

Sim-to-real átvitel kutatása, hogy a robotok szimulációt gyakoroljanak, mielőtt a fizikai világban cselekednének

Megvalósítási minták

Boston Dynamics AI Institute a gyakorlatban

Az Atlasz humanoid képzése dinamikus mozgások megtanulására forgatókönyvek helyett megerősítő tanulással.

Az Atlas humanoid betanítása dinamikus mozgások megtanulására a forgatókönyvek helyett megerősítő tanulással A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat az éles esetekben, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.

Boston Dynamics AI Institute a gyakorlatban

Új manipulációs és navigációs viselkedési formák megtanítása: Találja meg a robotkutyát.

Tanítás: Ismerje meg a robotkutyát az új manipulációs és navigációs viselkedésmódok között A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs utat a szélsőséges eseteknél, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.

Boston Dynamics AI Institute a gyakorlatban

Önkiegyensúlyozó autonóm kerékpár (Ultra Mobility Vehicle) kifejlesztése, amely nulla sebességnél is függőlegesen marad.

Önkiegyensúlyozó autonóm kerékpár (Ultra Mobility Vehicle) kifejlesztése, amely nulla sebességen marad függőlegesen A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböt, emberi eszkalációs utat tartanak a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.

Boston Dynamics AI Institute a gyakorlatban

Sim-to-real átvitel kutatása, hogy a robotok szimulációt gyakoroljanak, mielőtt a fizikai világban cselekednének.

Sim-to-real átvitel kutatása, hogy a robotok gyakorolják a szimulációt, mielőtt fellépnének a fizikai világban A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, megtartják az emberi eszkalációs útvonalat a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.

Kockázatok és védőkorlátok

!

Az indítási bejelentések meghaladhatják a valódi termelési munkafolyamatok stabilitását.

!

Az API-árazás vagy az irányelvváltások egyik napról a másikra megdönthetik a feltételezéseket.

!

Az egyszállítótól való függőség növeli a bezárási és migrációs költségeket.

Végrehajtási ütemterv

1

Értékelje a szolgáltatókat saját feladatai és adatkészletei segítségével.

Értékelje a szolgáltatókat saját feladatai és adatkészletei segítségével. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.

2

Az integráció előtt tekintse át az adatvédelmi, biztonsági és jogi feltételeket.

Az integráció előtt tekintse át az adatvédelmi, biztonsági és jogi feltételeket. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.

3

Tartsa fenn a tartalék tervet a modellek vagy szállítók között.

Tartsa fenn a tartalék tervet a modellek vagy szállítók között. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.

4

Figyelje a kiadási megjegyzéseket, hogy az ütemterv változásai ne lepjék meg a csapatokat.

Figyelje a kiadási megjegyzéseket, hogy az ütemterv változásai ne lepjék meg a csapatokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.

Folytassa a felfedezést