Maswali yanayounganishwa na mwongozo · Kati Kiwango

Vielelezo vya Vitendo vya Lugha-Maono kwa Maswali ya Roboti

Jifunze jinsi vielelezo vya maono-lugha vinavyochanganya ingizo la kamera na maagizo na amri za roboti, na ushahidi wake unatoka wapi.

Njia za mwongozo zinazohusianaVielelezo vya Vitendo vya Lugha ya Maono kwa Roboti
Swali 1 ya 8

Je! ni aina gani tatu za ingizo/pato hufafanua modeli ya Vision-Language-Action (VLA)?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Je! ni aina gani tatu za ingizo/pato hufafanua modeli ya Vision-Language-Action (VLA)?
    • Picha za kamera, maagizo ya lugha na vitendo vya roboti
    • Sauti, maandishi na picha
    • Kumbukumbu za vitambuzi, GPS, na hali ya betri
    • Msimbo, matokeo ya mkusanyaji, na matokeo ya mtihani
  2. Je, Google RT-2 ya DeepMind iliwakilisha vipi vitendo vya roboti ili transfoma iweze kuzizalisha?
    • Kama vekta za sehemu za kuelea zinazoendelea tu
    • Kama tokeni za hatua mahususi, sawa na tokeni za maandishi
    • Kama ujumbe wa ROS XML
    • Kama maadili ya zawadi kwa mafunzo ya kuimarisha
  3. Je, 'uhamisho wa dharura' unamaanisha nini katika muktadha wa VLAs?
    • Roboti inazidi joto na kuzima
    • Roboti mbili hubadilisha programu zao
    • Ujuzi wa kiwango cha wavuti kutoka kwa mafunzo ya mapema husaidia roboti kushughulikia vitu na maagizo mapya
    • Vitendo vinakokotolewa bila mtandao wowote wa neva
  4. Ni faida gani kuu ya kichwa cha kitendo cha pi-0 cha kueneza/kulinganisha mtiririko ikilinganishwa na tokeni za hatua moja tofauti?
    • Huondoa hitaji la kamera yoyote
    • Inafanya kazi tu kwa kuiga
    • Huondoa ufundishaji wa lugha
    • Inazalisha vipande vya hatua laini, vya juu-frequency kwa udhibiti wa ustadi zaidi
  5. Kwa nini seti ya data ya Open X-Embodiment ni muhimu kwa VLA?
    • Hukusanya data ya roboti katika aina nyingi za roboti ili kuwezesha ujanibishaji wa embodiment
    • Ni kigezo cha manukuu ya picha pekee
    • Huhifadhi data ya roboti moja tu
    • Ni mkusanyiko wa maandishi ya lugha pekee
  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