Google DeepMind రోబోట్‌లను మొత్తం-శరీర నియంత్రణ వైపు నడిపిస్తోంది

DeepMind తన రోబోటిక్స్ దృష్టిని విస్తరిస్తోంది

Google DeepMind Gemini Robotics 2ను పరిచయం చేసింది, ఇది కేవలం చేతులు లేదా టేబుల్‌టాప్ మానిప్యులేషన్‌కే పరిమితమైన రోబోటిక్ వ్యవస్థలకన్నా ముందుకు వెళ్లి, మరింత విస్తృతమైన మొత్తం-శరీర స్వయంప్రభుత్వం వైపు అడుగు అని పేర్కొంది. The Robot Report ప్రకారం, ఈ నవీకరించిన vision-language-action model తెలివైన మొత్తం-శరీర నియంత్రణ, ఎక్కువ dexterity, మరియు కలిసి పనిచేసే అనేక రోబోట్‌లకు మద్దతును జోడిస్తుంది.

ఈ ప్రకటన ముఖ్యమైనది ఎందుకంటే ఇది రోబోటిక్స్‌లో కొనసాగుతున్న ఖాళీని లక్ష్యంగా చేసుకుంది. అనేక వ్యవస్థలు నియంత్రిత వాతావరణాల్లో జాగ్రత్తగా దశలవారీగా చేసిన మానిప్యులేషన్ పనులను చేయగలవు, కానీ perception, language understanding, మరియు సమన్వయ కదలికలను మొత్తం humanoid శరీరమంతా కలపగలిగేవి చాలా తక్కువ. Gemini Robotics 2ని ప్రవేశపెట్టడం ద్వారా, ఒకే పనిలో భాగంగా నడక, కూర్చోవడం, చాచుకోవడం, వస్తువులను నిర్వహించడం వంటి కదలికలపై తర్కించగలిగేలా చేసి ఆ స్థాయికి మరింత చేరువ చేస్తుందని DeepMind అంటోంది.

దీని అర్థం సాధారణ-ఉద్దేశ humanoids వచ్చేశాయన్నది కాదు. కదలిక వేగం ఇంకా మెరుగుపరచాల్సి ఉందని నివేదిక జాగ్రత్తగా చెబుతోంది. అయితే ఈ విడుదల multimodal AIని టేబుల్‌టాప్ డెమో పొర నుంచి మరింత వాస్తవిక భౌతిక పనికి ఒక controller‌గా మార్చే దిశలో ముఖ్యమైన అడుగుగా చూపుతోంది.

పైన భాగం డెమోల నుంచి మొత్తం-శరీర చర్య వైపు

DeepMind యొక్క ముందరి models టేబుల్‌టాప్ పనుల కోసం upper-body controlపై దృష్టి పెట్టాయి. దీనికి విరుద్ధంగా, Gemini Robotics 2 మొత్తం robot bodyని నిర్వహించగలదిగా వివరించారు. The Robot Report ప్రకారం, ఈ వ్యవస్థ వినియోగదారు ఉద్దేశాన్ని సమన్వయిత మొత్తం-శరీర కదలికగా మార్చగలదు, దీని వల్ల ఒక humanoid స్థలంలో నావిగేట్ చేయడం, locomotion మరియు manipulation రెండూ అవసరమైన పనులను పూర్తి చేయడం సాధ్యమవుతుంది.

రిపోర్ట్‌లోని ఒక ఉదాహరణలో Apptronik యొక్క Apollo 2 humanoid robotను ఉపయోగించారు. దిగువ shelf‌పై ఉన్న green binలో ఒక watering can పెట్టమని చెప్పినప్పుడు, రోబోట్ ఆ అభ్యర్థనను అర్థం చేసుకుని, టేబుల్‌కి నడిచి వెళ్లి, వస్తువును ఎత్తుకుని, గదిలోగా కదిలి, దానిని లక్ష్య స్థానంలో ఉంచుతుందని చెబుతోంది. ఈ క్రమం అసాధారణమైన ఒక్కో దశ వల్ల కాదు, natural-language instruction, object handling, walking, మరియు ఖచ్చితమైన placementను ఒక నిరంతర ప్రవర్తనగా కలపడం వల్ల ప్రత్యేకంగా కనిపిస్తుంది.

ఆ సామర్థ్యాలు నియంత్రిత డెమోల వెలుపల కూడా బలంగా నిరూపితమైతే, humanoid platforms ఏమి ప్రయత్నించగలవో దానిలో ప్రాయోగిక విస్తరణను సూచిస్తాయి. warehouses, laboratories, మరియు service settingsలో స్థిర workstationsపై వేరుగా చేసిన arm motionsకన్నా mobility మరియు manipulation కలయికనే తరచుగా అవసరం అవుతుంది.

Dexterity మరియు collaboration మరో ముఖ్య లక్షణాలు

DeepMind ఇంకా సూక్ష్మ motor controlపై దృష్టి పెడుతోంది. The Robot Report ప్రకారం, Gemini Robotics 2 Apollo 2పై ఉన్న five-fingered, 22-degree-of-freedom SharpaWave handను నియంత్రించగలదు. దీని అర్థం సంస్థ పెద్ద కదలికలకే కాకుండా, ఉపయోగకరమైన grasping మరియు placement కోసం అవసరమైన మరింత సున్నితమైన వేళ్ల మరియు చేతి ప్రవర్తనలపై కూడా పని చేస్తోందని సూచిస్తుంది.

Dexterity నిజ జీవిత రోబోటిక్స్‌లో అత్యంత కష్టమైన భాగాలలో ఒకటిగా ఉంది. ఒక రోబోట్ గదిలో నడవగలిగినా, మిశ్రమ వస్తువులను నమ్మకంగా పట్టుకోలేకపోతే, వాటిని సరైన రీతిలో అమర్చలేకపోతే, లేదా cluttered environmentsతో పరస్పరం చేయలేకపోతే దాని విలువ పరిమితమే. ఆధునిక hand controlను హైలైట్ చేయడం ద్వారా, DeepMind తన robotics stack నావిగేషన్ మరియు language interpretationకే కాకుండా manipulation సమస్యలో మరింత భాగాన్ని కవర్ చేయాలనుకుంటుందని సంకేతం ఇస్తోంది.

కంపెనీ multi-robot collaborationను కూడా ప్రవేశపెడుతోంది. నివేదిక ప్రకారం, Gemini Robotics ER 2 అనేది vision-language model agentగా నిర్మించిన embodied reasoning model, ఇది రోబోట్‌లకు మనుషులతో సంభాషించడం, భౌతిక ప్రపంచాన్ని అర్థం చేసుకోవడం, మరియు కొన్ని నిమిషాలు సాగే బహుళ-దశల పనులను ప్లాన్ చేయడంలో సహాయపడేందుకు రూపుదిద్దుకుంది. DeepMind ఆ reasoning layerను వేరుగా పనిచేసే యంత్రాలుగా కాకుండా, ఒక పనిలో కలిసి పనిచేసే రోబోట్ బృందాలకు పునాది గా ఉంచుతోంది.

ఈ విషయం వ్యూహాత్మకంగా ముఖ్యమైనది. పారిశ్రామిక automationలో, ఒక robotics system యొక్క విలువ తరచూ అనేక యంత్రాలు మరియు workflows మధ్య orchestrationపై ఆధారపడి ఉంటుంది. AI models handoffsను సమన్వయం చేయగలిగితే లేదా రోబోట్‌ల మధ్య పనిని పంచగలిగితే, deployment economics మరింత సౌకర్యవంతమైన automation వైపుకు మారవచ్చు.

On-device execution deploymentను విస్తరించగలదు

మరో ముఖ్య అంశం local execution. The Robot Report ప్రకారం, Gemini Robotics 2 on-deviceగా నడిచి, పూర్తిగా కొత్త robot bodiesకి కొన్ని గంటల్లోనే అనుగుణంగా మారగలదు. DeepMind ప్రత్యేకంగా Gemini Robotics On-Device 2ను కూడా ప్రవేశపెట్టింది, దీన్ని robotic hardwareపై స్థానికంగా నడిచేలా ఆప్టిమైజ్ చేశామని, మరియు కొన్ని గంటల dataతో కొత్త embodimentsకి అనుగుణంగా మారగలదని చెబుతోంది.

ఈ క్లెయిమ్ రోబోటిక్స్ deploymentలోని రెండు వాస్తవ పరిమితులను పరిష్కరిస్తుంది. మొదట, cloud dependence latency, reliability concerns, మరియు operational complexityను పెంచగలదు. రెండవది, robotics developers ప్రతి కొత్త platform కోసం వ్యవస్థను మొదటి నుంచి retrain చేయాలనుకోరు. వివిధ embodimentsకు త్వరగా retarget చేయగల model hardware makers మరియు integration cyclesను తగ్గించాలనుకునే enterprise customersకు మరింత ఆకర్షణీయంగా ఉంటుంది.

అయితే availability ఇంకా పరిమితంగానే ఉంది. The Robot Report ప్రకారం, Gemini Robotics ER 2 Google AI Studioలో అందుబాటులో ఉంది మరియు Gemini Enterprise Agent Platformలో private previewలో ఉంది, కాగా VLA మరియు on-device models early-access partnersకు అందిస్తున్నాయి. అంటే ఈ ప్రకటన ఇంకా విస్తృత product releaseకన్నా నియంత్రిత rolloutకి దగ్గరగా ఉంది.

Physical AI కోసం ఈ విడుదల ఏమి సూచిస్తోంది

పెద్ద సందేశం ఏమిటంటే, ప్రధాన AI కంపెనీలు డిజిటల్ assistantsతోనే కాదు, physical systemsలో కూడా మరింత గట్టిగా ముందుకు వస్తున్నాయి. DeepMind యొక్క framing ప్రకారం, multimodal models understandingను actionతో కలపగలవని నిరూపించుకోవాల్సిన తదుపరి రంగం robotics అని అది చూస్తోంది. Language, vision, మరియు planning ఉపయోగకరమైనవే, కానీ roboticsలో అవి గందరగోళమైన వాస్తవ ప్రదేశాల్లో నమ్మదగిన కదలికలను ఉత్పత్తి చేసినప్పుడే అర్థవంతం అవుతాయి.

Gemini Robotics 2 humanoidsే గెలిచే form factor అన్న ప్రశ్నను ముగించదు, అలాగే foundation-model-style control reliability సమస్యను పరిష్కరించిందని నిరూపించదు. కానీ ఈ రంగం ఎటు వెళ్తోందో మాత్రం ఇది సూచిస్తోంది: వేర్వేరు robot bodiesలో సాధారణీకరించగల, locally execute చేయగల, locomotion మరియు dexterity రెండింటినీ ఉపయోగించగల, మరియు multi-step tasksలో ఇతర robot‌లతో సమన్వయం చేయగల models వైపు.

ఇది ఎందుకు ముఖ్యం

• ఈ విడుదల AI controlను tabletop manipulation నుంచి మొత్తం-శరీర robot motionకి విస్తరిస్తుంది.
• DeepMind locomotionను dexterous hand controlతో కలుపుతోంది, ఇది practical workకి కీలక అవసరం.
• On-device operation మరియు వేగవంతమైన adaptation కొత్త hardwareకు integration అడ్డంకులను తగ్గించగలవు.
• Multi-robot collaboration single-purpose machinesకన్నా విస్తృత automation systems వైపు సూచిస్తోంది.

ప్రాథమిక పరీక్ష ఏమిటంటే, early-access partners ఈ సామర్థ్యాలను showcase scenarios వెలుపల పునరుత్పత్తి చేయగలరా అన్నది. వారు చేయగలిగితే, Gemini Robotics 2 multimodal AI demonstrations నుంచి మరింత సామర్థ్యవంతమైన physical automationకి మార్పులో ఒక ముఖ్యమైన గుర్తుగా మారవచ్చు.

ఈ వ్యాసం The Robot Report నివేదిక ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.