器学习 (ML) 研究的多个子领域（如计算机视觉和自然语言处理）的许多最新进展，都是建立在利用大型、多样化的数据集和能够有效吸收所有数据的表达模型。
但这种高性能模型方法在机器人技术领域的应用却相对较少。
原因很简单，首先缺乏大规模和多样化的机器人数据，限制了模型吸收广泛机器人经验的能力。
其次，缺乏可从此类数据集中学习并有效泛化的表达力强、可扩展且速度足够快的实时推理模型。
而这次，谷歌推出的Robotics Transformer 1 (简称RT-1)是一种多任务模型，它可以标记机器人输入和输出动作（例如，相机图像、任务指令和电机命令）以在运行时实现高效推理，并使实时控制成为可能。
RT-1吸收了大量数据，让机器人胜任不同环境下的多种任务，从而提升机器性能和泛化能力
简单来说，就是让一个机器人同时干几份活。
该模型是在一个包含130k个episode的大型真实世界机器人数据集上训练的，该数据集涵盖700多项任务，使用Everyday Robots (EDR) 的13台机器人在17个月内收集而成。
结果表明，与现有技术相比，RT-1可以显著改进对新任务、环境和对象的零样本泛化。
Github链接小编也贴心地放在下面啦，有兴趣的小伙伴赶紧去看看。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢