Runway ने Praxis-1 हे रोबोट धोरण जाहीर केले आहे. कंपनीच्या म्हणण्यानुसार, ते तिच्या जग-मॉडेल्समागील मोठ्या प्रमाणावरील व्हिडिओ पूर्वप्रशिक्षणावर आधारित आहे. निवडक रोबोटिक्स भागीदारांच्या स्वतःच्या यंत्रांवर चाचण्या केल्याचे कंपनी सांगते. येत्या काही महिन्यांत मॉडेल वेट्स सार्वजनिक करण्याची तिची योजना आहे; 3 ऑक्टोबर रोजी BIG CHANGE ने तपासले तेव्हा घोषणेच्या पानावर ते उपलब्ध नव्हते. Runway ने पानाची तारीख सप्टेंबर 2026 दिली आहे, पण दिवस सांगितलेला नाही.

यामागचा प्रश्न असा आहे की रोजचे व्हिडिओ रोबोट-धोरणाला रोबोट प्रात्यक्षिकांतून शिकण्यापूर्वी उपयुक्त ज्ञान देऊ शकतात का. Runway ने स्थान-त्रुटीची तुलना आणि निवडक कार्यांचे व्हिडिओ दिले आहेत. निकाल पुन्हा तयार करण्यासाठी आवश्यक तपशील प्रकाशित झालेले नाहीत.

मुख्य बदल

  • काय बदलले: Runway व्हिडिओ पूर्वप्रशिक्षणाचा वापर रोबोटच्या कृतींचे भाकीत करण्यासाठी करत आहे आणि अनेक प्रकारच्या भागीदार हार्डवेअरवरील चाचण्यांचे निष्कर्ष देत आहे. रोबोट प्रात्यक्षिकांचा डेटा गोळा करणे महाग असलेल्या क्षेत्रात तिसऱ्या व्यक्तीच्या भरपूर व्हिडिओंचा वापर करण्याचा हा संभाव्य मार्ग आहे. Praxis-1 ची उपलब्धता अजून निवडक गटापुरती आहे.
  • हे महत्त्वाचे का: Runway च्या आलेखात fine tuning नंतरची अंतिम स्थान-त्रुटी वेब-व्हिडिओ पूर्वप्रशिक्षणासाठी 16.1 cm आणि दूरनियंत्रित रोबोट-व्हिडिओ पूर्वप्रशिक्षणासाठी 16.0 cm दाखवली आहे. दर्शवलेली बिंदू-अंदाजमूल्ये जवळची आहेत. 93 मूल्यांकन-जोड्यांवरील ±1 SEM पट्ट्या सांख्यिकीयदृष्ट्या महत्त्वाचा फरक किंवा समानता सिद्ध करत नाहीत; तसेच दुसऱ्या रोबोटवरील कामगिरी ठरवण्यासाठी प्रकाशित पद्धत खूपच मर्यादित आहे.
  • कशाकडे लक्ष द्यावे: सार्वजनिक वेट्स, कार्यस्तरावरील मूल्यांकन तपशील आणि भागीदारांचे निकाल यांमुळे संशोधकांना व्हिडिओ पूर्वप्रशिक्षणाचे योगदान किती आहे आणि प्रत्येक रोबोटला कोणते रूपांतर हवे हे तपासता येईल. Runway ने वेट्स सार्वजनिक करण्याचे आश्वासन दिले आहे, पण ठरावीक तारीख दिलेली नाही.

धोरणात व्हिडिओचा उपयोग कसा होतो

Runway चे Praxis-1 संशोधन पान सांगते की तिची मोठी व्हिडिओ मॉडेल्स वस्तूंचे वर्तन, हातांच्या हालचाली आणि शारीरिक कामांचे नमुने शिकतात. त्या पूर्वप्रशिक्षणाचा सर्वसाधारण रोबोट-धोरणात वापर Praxis-1 करते, असे कंपनी सांगते. विशिष्ट कामासाठी रोबोटला प्रशिक्षण देण्यापूर्वी तिसऱ्या व्यक्तीचे व्हिडिओ उपयुक्त सुरुवात देऊ शकतात, असा तिचा युक्तिवाद आहे. तिसऱ्या व्यक्तीच्या व्हिडिओंचे प्रमाण वाढल्यावर धोरणाची कामगिरी सुधारते, असे पान सांगते.

Praxis-1 साठी निरीक्षणाचा स्वरूप, कृतींचे आउटपुट, fine-tuning प्रक्रिया, अनुमान इंटरफेस किंवा नियंत्रणाची वारंवारता हे पान स्पष्ट करत नाही. वेट्सच्या फाइल्स किंवा हार्डवेअरच्या अटीही दिलेल्या नाहीत. विशिष्ट कॅमेरा, ग्रिपर किंवा चल तळासाठी कोणते रूपांतर आवश्यक आहे याचा अंदाज घेणाऱ्या अभियंत्यासाठी या उणिवा महत्त्वाच्या आहेत. Runway चे GWM-1 धोरण-मॉडेलचे वेगळे उत्पादन पान कस्टम fine-tuning आणि cloud SDK व्यवस्था स्पष्ट करते. त्याचा इंटरफेस आणि व्यावसायिक अटी Praxis-1 ला लागू आहेत असे गृहीत धरू नये.

Runway चे व्हिडिओ टेनिस बॉल ठेवण्याची सूचना, कपाटाजवळ जाऊन पुस्तक उचलणारा चल तळ, तसेच पुनरावृत्तीच्या वस्तू, पसारा, पारदर्शक साहित्य आणि कापडाची उदाहरणे दाखवतात. आणखी एका क्लिपच्या मथळ्यात तेच धोरण पुन्हा प्रशिक्षण न देता स्टुडिओ आणि स्वयंपाकघरात वापरल्याचे म्हटले आहे. ही विकासकाने निवडलेली उदाहरणे आहेत; त्यांच्यासाठी चाचण्यांची संख्या किंवा यशाचे प्रमाण दिलेले नाही.

स्थान-त्रुटीचा आलेख काय सांगतो

Runway च्या पानावरील एकमेव संख्यात्मक तुलना म्हणजे fine tuning नंतरची अंतिम स्थान-त्रुटी, सेंटीमीटरमध्ये मोजलेली; कमी मूल्य चांगले. आलेखात सुरुवातीपासून वेब-व्हिडिओ पूर्वप्रशिक्षणासाठी 16.1 cm आणि सुरुवातीपासून दूरनियंत्रित रोबोट-व्हिडिओ पूर्वप्रशिक्षणासाठी 16.0 cm दिले आहे. पूर्वप्रशिक्षण व्हिडिओचे तास Runway दाखवते आणि त्रुटी-पट्ट्या व पट्टा म्हणजे 93 मूल्यांकन-जोड्यांवरील सरासरीची ±1 मानक त्रुटी असे सांगते. पट्टीपेक्षा लहान फरक महत्त्वपूर्ण नाहीत, अशी टीप आहे.

दाखवलेल्या बिंदू-अंदाजांत 0.1 cm चा फरक आहे. या पानावर Runway ने कार्यांचे मिश्रण, रोबोट किंवा वातावरणांची संख्या, 93 जोड्या कशा बनवल्या, fine tuning साठी किती रोबोट-डेटा वापरला किंवा संपूर्ण सांख्यिकीय चाचणी प्रकाशित केलेली नाही. Runway ने दाखवलेल्या तुलनेत fine tuning नंतरची अंतिम स्थान-त्रुटीची बिंदू-अंदाजमूल्ये जवळची आहेत. या मोजमापासाठी आलेख सांख्यिकीयदृष्ट्या महत्त्वाचा फरक किंवा समानता सिद्ध करत नाही. व्हिडिओतील दीर्घ कामे विश्वसनीयपणे पूर्ण होतात किंवा प्रत्यक्ष तैनातीसाठी लागणारा डेटा कमी होतो, हेही त्यावरून दिसत नाही.

Runway 0.95 सहसंबंधाचा आकडा देखील देते; तो सिम्युलेशन आणि प्रत्यक्ष जगातील रोबोट-धोरण निकालांमधील आहे. हा आकडा तिच्या आधीच्या धोरण-मूल्यांकन संशोधनातून आला आहे; त्यात एक Franka Panda हात वापरून टेबल-टॉप कामांवरील आठ धोरणांना क्रम दिला होता. तो धोरण-मूल्यांकनाचा स्वतंत्र अभ्यास आहे, Praxis-1 च्या प्रत्यक्ष क्षेत्रीय कामगिरीचे मोजमाप नाही.

उपलब्धतेची सध्याची स्थिती

Praxis-1 वापरणाऱ्या सुरुवातीच्या भागीदारांमध्ये Noble Machines, Standard Bots आणि Ultra यांचा समावेश आहे. त्या विभागात घोषणेत द्विहस्तीय हाताळणी, सहा अंश-स्वातंत्र्याचा हात आणि चल तळ यांचा उल्लेख आहे. सर्वांसाठी उपलब्ध करण्यापूर्वी वेगवेगळ्या उपकरण-रचना आणि वातावरणांत परिणामकारकता व सुरक्षितता तपासत असल्याचे Runway सांगते; अधिक निवडक भागीदारांना तिच्या रोबोटिक्स संघाशी संपर्क साधण्याचे आमंत्रणही देते.

त्या कार्यक्रमाबाहेरील संशोधकांसाठी उपलब्ध साहित्य म्हणजे घोषणा, आलेख आणि व्हिडिओ. पानावर Praxis-1 चे सार्वजनिक वेट्स डाउनलोड, प्रकाशित एकत्रीकरण पद्धत किंवा पुन्हा चालवता येईल असे मूल्यांकन-पॅकेज दिलेले नाही. प्रवेश-शुल्क, पुढील वेट्सचा परवाना, संगणकीय गरजा किंवा सर्वांसाठी प्रकाशनाची तारीख Runway सांगत नाही. लवकर प्रवेशाचा विचार करणारा संघ स्वतःच्या हार्डवेअर व मूल्यांकनाच्या गरजांबद्दल चर्चा करण्यासाठी सार्वजनिक माहिती वापरू शकतो; पण केवळ घोषणेवरून नोंदवलेली तुलना पुन्हा करता येत नाही. BIG CHANGE ने प्रवेश मागितला नाही किंवा रोबोटची चाचणी केली नाही.

आमच्या GPT-Policy आणि HomeBody वरील आधीचे अहवाल वेगळे संशोधन-प्रश्न पाहतात. GPT-Policy प्रात्यक्षिके आणि रोबोट अभिप्रायासह स्थिर vision-language मॉडेलला सूचना देते; HomeBody मानवाकृती रोबोटच्या खोलीविषयक स्मृतीला पुन्हा वापरता येणाऱ्या कौशल्यांशी जोडते. व्यापक व्हिडिओ पूर्वप्रशिक्षणामुळे धोरणातच सुधारणा होऊ शकते का, हा Praxis-1 चा प्रश्न आहे. नोंदवलेल्या तुलनेपलीकडील कामगिरी तपासता येईल इतकी अंमलबजावणी किंवा मूल्यांकनाची माहिती Runway ने अद्याप दिलेली नाही.

स्रोत आणि पुढील वाचन