Rehber bağlantılı sınav · Orta Seviye
Robotik Sınavı için Vizyon-Dil-Eylem Modelleri
Görme-dil-eylem modellerinin kamera girişini ve talimatlarını robot komutlarıyla nasıl birleştirdiğini ve bunların kanıtlarının nereden geldiğini öğrenin.
Soru 1 arasında 8
Hangi üç tür girdi/çıktı bir Vizyon-Dil-Eylem (VLA) modelini tanımlar?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Hangi üç tür girdi/çıktı bir Vizyon-Dil-Eylem (VLA) modelini tanımlar?
- Kamera görüntüleri, dil talimatı ve robot eylemleri
- Ses, metin ve resimler
- Sensör günlükleri, GPS ve pil durumu
- Kod, derleyici çıktısı ve test sonuçları
- Google DeepMind'in RT-2'si, bir transformatörün bunları oluşturabilmesi için robot eylemlerini nasıl temsil ediyordu?
- Yalnızca sürekli kayan nokta vektörleri olarak
- Metin belirteçlerine benzer şekilde ayrıklaştırılmış eylem belirteçleri olarak
- ROS mesaj XML'i olarak
- Takviyeli öğrenme için ödül değerleri olarak
- VLA'lar bağlamında 'acil transfer' ne anlama geliyor?
- Robot aşırı ısınıyor ve kapanıyor
- İki robot yazılımlarını değiştiriyor
- Ön eğitimden elde edilen web ölçekli bilgi, robotun yeni nesneleri ve talimatları işlemesine yardımcı olur
- Eylemler herhangi bir sinir ağı olmadan hesaplanır
- Tek ayrı eylem belirteçleriyle karşılaştırıldığında pi-0'ın yayılma/akış uyumlu eylem kafasının önemli avantajı nedir?
- Herhangi bir kamera ihtiyacını ortadan kaldırır
- Sadece simülasyonda çalışır
- Dil öğretimini ortadan kaldırır
- Daha ustaca kontrol için pürüzsüz, yüksek frekanslı aksiyon parçaları üretir
- Open X-Embodiment veri kümesi VLA'lar için neden önemlidir?
- Çapraz düzenleme genelleştirmesini mümkün kılmak için birçok robot türündeki robot verilerini bir havuzda toplar
- Bu yalnızca görsel altyazıları için bir kıyaslamadır
- Yalnızca bir robotun verilerini saklar
- Yalnızca dil içeren bir metin topluluğudur
- 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
- 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
- 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