என்வீடியாவின் Lyra 2.0 ஒரே புகைப்படத்தை நடக்கக்கூடிய ரோபோ பயிற்சி உலகங்களாக மாற்ற இலக்கிடுகிறது

Lyra 2.0 சிக்கலை எப்படித் தீர்க்க முயலுகிறது

அறிக்கையின்படி, Lyra 2.0 உருவாக்கப்பட்ட ஒவ்வொரு frame-க்கும் 3D geometry-யை சேமிக்கிறது. virtual camera முன்பே சென்ற பகுதிக்குத் திரும்பும்போது, system அந்த பழைய frames-ஐ மீட்டெடுத்து, அவற்றின் spatial information-ஐ reference material-ஆகப் பயன்படுத்துகிறது. image synthesis இன்னும் video model மூலம் செய்யப்படுகிறது, ஆனால் சேமிக்கப்பட்ட geometry orientation-ஐ பாதுகாத்து continuity-யை நிலைநிறுத்த உதவுகிறது.

இந்த வடிவமைப்பு முந்தைய systems-இன் முதல் பெரிய குறையை இலக்கிடுகிறது: மறத்தல். முன்பே பார்த்த பகுதிகளை stored geometry மூலம் மீண்டும் நினைவுகூர்ந்து, spatially re-ground செய்ய முடியுமானால், உருவாக்கப்பட்ட சூழல் நீண்ட trajectories-இல் அதிக ஒத்திசைவுடன் இருக்கும்.

இரண்டாவது சிக்கல் drift; அதாவது சிறிய generation பிழைகள் படிப்படியாக கூடிவரும் பிரச்சினை. அறிக்கையின்படி, என்வீடியாவின் தீர்வு model-ஐ அதன் own flawed outputs-க்கு எதிராகப் பயிற்றுவிப்பது; இதனால் அது degradation-ஐ வெறும் ஏற்றுக்கொள்ளாமல், அடையாளம் கண்டு சரிசெய்யக் கற்றுக்கொள்கிறது. இது நடைமுறைத் தந்திரம். generation சுத்தமாக இருக்கும் என்று நடிப்பதற்குப் பதிலாக, பயிற்சி செயல்முறை model-ஐ அது உருவாக்கக்கூடிய noise-க்கு உள்ளாக்குகிறது.

Benchmark கோரிக்கைகள் மற்றும் போட்டி நிலை

இரு datasets-இல் நடந்த benchmark சோதனைகளில் GEN3C, Yume-1.5, மற்றும் CaM உட்பட ஆறு போட்டி முறைகளை Lyra 2.0 முந்தியதாக என்வீடியா கூறுகிறது. அந்த மதிப்பீடுகளின் முழு விவரங்களை அறிக்கை தரவில்லை; எனவே இந்த போட்டித் தகுதியை முழுமையான தொழில்நுட்ப ஒப்பீடாக அல்ல, ஒரு சுருக்கமாகவே பார்க்க வேண்டும். இருந்தாலும், முக்கியத்துவம் தெளிவானது: என்வீடியா Lyra 2.0-ஐ ஒரு ஆய்வகக் களியாட்டமாக அல்ல, நீண்ட தூர scene generation-இல் state-of-the-art போட்டியாளராக முன்வைக்கிறது.

இது முக்கியம், ஏனெனில் இந்தத் துறை மிக நெருக்கடியானது. பல குழுக்கள் image-to-3D, video world models, மற்றும் simulation-friendly generative systems மீது பணியாற்றுகின்றன. மிஞ்ச வேண்டும் என்றால், ஒரு முறையே அழகான demos மட்டும் அல்ல, இயக்கத்தின் போது நிலையான scene quality-யையும் காட்ட வேண்டும்.

ரோபோட்டிக்ஸ்தான் உடனடி பயன்பாடு ஏன்

Isaac Sim போன்ற physics engines-க்கு நேரடி export path இருப்பது அறிக்கையின் மிக முக்கியமான விவரங்களில் ஒன்று. இது என்வீடியா visualization அல்லது virtual tours-க்கான content generation-இல் மட்டும் ஆர்வம் கொண்டிருக்கவில்லை என்பதைக் காட்டுகிறது. இலக்கு embodied AI.

ரோபோ பயிற்சியில் பெரும்பாலும் data bottleneck உள்ளது. உண்மையான உலக தரவை சேகரிப்பது செலவானது, கைமுறையாக simulation சூழல்களை உருவாக்குவது நேரம் எடுக்கும். ஒரே புகைப்படத்திலிருந்து plausible, explored செய்யக்கூடிய 3D இடங்களை உருவாக்கும் ஒரு system, குறிப்பாக navigation அல்லது interaction tasks-க்கு தேவையான environmental diversity-யை விரைவாகப் பெருக்க உதவலாம்.

நடைமுறையில், இதனால் developers sparse visual references-இலிருந்து தொடங்கி, அவற்றை விரைவாக பயனுள்ள simulation scenes-ஆக விரிவாக்க முடியும். இது real-world validation-ஐ மாற்றாது, ஆனால் pretraining மற்றும் testing pipeline-ஐ விரிவுபடுத்தும்.

இது என்னைத் தீர்க்கிறது, என்னைத் தீர்க்கவில்லை

Lyra 2.0 ஒரு உண்மையான தொழில்நுட்ப தடையைச் சமாளிக்கிறது, ஆனால் இதை முழுமையான physical realism என்று குழப்பக் கூடாது. ஒத்திசைவான scene உருவாக்குவது ஒன்று. geometry, materials, dynamics, மற்றும் object affordances எல்லாம் robust transfer-க்கு போதுமான அளவு துல்லியமாக இருக்கும் scene-ஐ உருவாக்குவது வேறு.

simulation மனிதர்களுக்கு பயனுள்ளதாக இருப்பது, அதில் கற்ற நடத்தைகள் நிஜ உலகில் நிலைத்திருக்கும் வரையில்தான். சிறந்த visual coherence கூட தானாகவே பயனுள்ள physics அல்லது சரியான object interaction-ஐ உறுதி செய்யாது. என்வீடியாவின் அறிக்கை இதை மறைமுகமாக ஒப்புக்கொள்கிறது; physics engines-க்கு export செய்வதை வலியுறுத்துவதால், Lyra-வின் output ஒரு பரந்த simulation stack-இன் ஒரு பகுதி மட்டுமே, முழுமையான தீர்வு அல்ல என்பதைக் காட்டுகிறது.

அளவுபடுத்தக்கூடிய world generation-ஐ நோக்கி ஒரு படி

அப்படியிருந்தும், இந்த வேலை குறிப்பிடத்தக்கது; ஏனெனில் இது field-ஐ robot training worlds உருவாக்குவதற்கான மேலும் scalable வழிக்குத் தள்ளுகிறது. long-path coherence, explicit geometry recall, மற்றும் drift-aware training ஆகியவற்றின் சேர்க்கை முந்தைய systems-ஐ கட்டுப்படுத்திய அதே சிக்கல்களைச் சமாளிக்கிறது. இப்பயன்கள் பரவலான பயன்பாட்டிலும் நிலைத்திருந்தால், Lyra 2.0 robotics development-இன் மறைந்த செலவுகளில் ஒன்றான போதுமான உலகங்களை உருவாக்குவதை குறைக்க உதவலாம்.

அதுதான் ஆழமான முக்கியத்துவம். Robotics progress என்பது better policies மற்றும் larger models பற்றியது மட்டுமல்ல. அது better environments பற்றியதும்கூட. ஒரு robot தான் காணும் உலகங்களிலிருந்தே கற்றுக்கொள்ள முடியும், அந்த உலகங்களை நன்றாக உருவாக்குவது தானாகவே அதிக முக்கியத்துவம் பெறும் AI பிரச்சினையாக மாறி வருகிறது.

இந்த கட்டுரை The Decoder-ன் செய்தியை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.