Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Mô hình hành động-ngôn ngữ-thị giác cho bài kiểm tra về robot
Tìm hiểu cách các mô hình hành động-ngôn ngữ-hình ảnh kết hợp thông tin đầu vào và hướng dẫn của camera với các lệnh của robot cũng như bằng chứng của chúng đến từ đâu.
Câu hỏi 1 của 8
Ba loại đầu vào/đầu ra nào xác định mô hình Tầm nhìn-Ngôn ngữ-Hành động (VLA)?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Ba loại đầu vào/đầu ra nào xác định mô hình Tầm nhìn-Ngôn ngữ-Hành động (VLA)?
- Hình ảnh camera, hướng dẫn ngôn ngữ và hành động của robot
- Âm thanh, văn bản và hình ảnh
- Nhật ký cảm biến, GPS và trạng thái pin
- Mã, đầu ra của trình biên dịch và kết quả kiểm tra
- Google RT-2 của DeepMind thể hiện hành động của robot như thế nào để máy biến thế có thể tạo ra chúng?
- Chỉ là các vectơ dấu phẩy động liên tục
- Là mã thông báo hành động rời rạc, tương tự như mã thông báo văn bản
- Dưới dạng XML thông báo ROS
- Là giá trị phần thưởng cho việc học tăng cường
- 'Chuyển khoản khẩn cấp' có nghĩa là gì trong bối cảnh của VLA?
- Robot quá nóng và tắt
- Hai robot trao đổi phần mềm của chúng
- Kiến thức trên quy mô web từ quá trình đào tạo trước giúp robot xử lý các đối tượng và hướng dẫn mới
- Các hành động được tính toán mà không cần bất kỳ mạng lưới thần kinh nào
- Ưu điểm chính của đầu hành động khuếch tán/điều chỉnh dòng chảy của pi-0 so với các mã thông báo hành động riêng biệt là gì?
- Nó loại bỏ sự cần thiết của bất kỳ máy ảnh
- Nó chỉ hoạt động trong mô phỏng
- Nó loại bỏ việc hướng dẫn ngôn ngữ
- Nó tạo ra các khối hành động tần số cao, mượt mà để điều khiển khéo léo hơn
- Tại sao tập dữ liệu Open X-Embodiment lại quan trọng đối với VLA?
- Nó tập hợp dữ liệu robot trên nhiều loại robot để cho phép khái quát hóa theo nhiều phương án
- Đây chỉ là điểm chuẩn dành cho chú thích hình ảnh
- Nó chỉ lưu trữ dữ liệu của một robot
- Nó là một kho văn bản chỉ có ngôn ngữ
- 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