구글 딥마인드(DeepMind) 사업부의 로봇공학 그룹은 로봇이 사람들 주변에서 작업을 수행하면서 더 빠른 결정을 내리고 더 효율적이고 안전하게 행동할 수 있도록 돕는 세 가지 새로운 제품을 공개했습니다.
AutoRT의 데이터 수집 시스템은 로봇이 환경을 평가하고 익숙하지 않은 환경에 적응하며 작업에 대한 결정을 내리는 데 도움이 되는 VLM(시각 언어 모델) 및 LLM(대형 언어 모델)을 기반으로 합니다. VLM은 환경을 분석하고 시야 범위 내의 물체를 인식하는 데 사용되는 반면, LLM은 작업의 창의적인 실행을 담당합니다. AutoRT의 가장 중요한 혁신은 사람, 동물, 날카로운 물체, 심지어 전기 제품과 관련된 작업을 선택하지 않도록 기계에 지시하는 안전 지향 명령인 "로봇 구성"의 LLM 블록에 등장한 것입니다. 추가적인 안전을 위해 관절에 가해지는 힘이 특정 임계값을 초과하면 작업이 중지되도록 프로그래밍되어 있습니다. 이제 그들의 디자인에는 사람이 비상시에 사용할 수 있는 추가적인 물리적 스위치가 있습니다.
지난 53개월 동안 Google은 사무실 건물 77곳에 AutoRT 시스템을 사용하여 2개의 작업을 배포하고 회 이상의 테스트를 수행했습니다. 일부 기계는 운영자가 원격으로 제어하는 반면, 다른 기계는 주어진 알고리즘을 기반으로 하거나 RT-(Robotic Transformer) AI 모델을 사용하여 자율적으로 작업을 수행했습니다. 지금까지 이러한 로봇은 모두 매우 단순한 외관을 가지고 있습니다. 즉, 모바일 베이스의 조작 팔다리와 상황을 평가하기 위한 카메라입니다.
두 번째 혁신은 RT-2 모델의 작동 최적화를 목표로 하는 SARA-RT(Self-Adaptive Robust Attention for Robotics Transformers) 시스템이었습니다. 연구원들은 입력 데이터를 두 배로 늘리면, 예를 들어 카메라의 해상도를 높이면 로봇의 컴퓨팅 리소스 필요성이 네 배로 증가한다는 사실을 발견했습니다. 이 문제는 업 트레이닝(up-training)이라고 불리는 AI를 미세 조정하는 새로운 방법으로 해결되었습니다. 이 방법은 컴퓨팅 리소스에 대한 필요성의 차 증가를 거의 선형적인 증가로 바꿉니다. 이로 인해 모델이 더 빠르게 작동하고 이전 품질을 유지합니다.
마지막으로 Google DeepMind 엔지니어는 로봇 훈련을 단순화하여 특정 작업을 수행하는 RT-Trajectory AI 모델을 개발했습니다. 작업을 설정한 후 작업자가 직접 실행 샘플을 시연하고 RT-Trajectory는 사람이 설정한 이동 궤적을 분석하여 로봇의 동작에 적용합니다.
또한 읽기: