“görme-dil-eylem modelleri” için sonuçlar
4 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
FASTER: Robotların Çevre Değişikliklerine Tepki Süresini Hızlandıran Yeni Sistem
Araştırmacılar, görme-dil-eylem modellerinin fiziksel dünyada tepki verme hızını artıran FASTER adlı yeni bir sistem geliştirdi. Mevcut robotik sistemler hareket başlatmadan önce tüm örnekleme adımlarını tamamlamak zorunda kalıyor ve bu durum tepki gecikmesinde darboğaz oluşturuyor. FASTER, Horizon-Aware Schedule tekniği kullanarak bu sorunu çözüyor ve robotların çevresel değişikliklere daha hızlı tepki vermesini sağlıyor. Sistem, tepki süresinin İlk Eyleme Kadar Geçen Süre ve yürütme ufku tarafından belirlenen düzgün bir dağılım izlediğini ortaya koyuyor.
Robotlar Artık Neden Hareket Ettiklerini Açıklayabilecek
Araştırmacılar, robotların sadece komutları yerine getirmekle kalmayıp, eylemlerinin mantığını da açıklayabileceği yeni bir yapay zeka modeli geliştirdi. ReFineVLA adı verilen bu sistem, görme-dil-eylem modellerini, uzman öğretmen modellerden öğrendikleri mantıksal gerekçelerle zenginleştiriyor. Geleneksel robot sistemleri genellikle doğrudan girdi-eylem eşleşmeleri öğrenir ve karmaşık görevlerde neden belirli bir hareket yaptıklarını açıklayamazlar. Yeni yaklaşım ise robotlara mantıksal düşünme yetisi kazandırarak, hem performansı artırıyor hem de şeffaflık sağlıyor. Bu gelişme, özellikle uzun süreli ve karmaşık manipülasyon görevlerinde robotların daha güvenilir ve anlaşılabilir olmasının yolunu açıyor.
Yapay Zeka Robotlarının Çevresel Değişikliklere Adaptasyonu İyileştiriliyor
Görme-Dil-Eylem modellerinde (VLA) yaşanan çevresel değişikliklere karşı kırılganlık sorunu çözüm buluyor. Araştırmacılar, robotların küçük nesne pozisyon değişikliklerinde bile başarısız olma problemini 'yörünge aşırı öğrenme' olarak tanımlıyor. Bu durumda robotlar, eylemler ve nesneler arasındaki sahte korelasyonlara odaklanarak ezberledikleri kalıpları tekrarlıyor. Yeni geliştirilen PDF (Perturbation learning with Delayed Feedback) yöntemi, temel modelde ince ayar yapmadan test zamanında adaptasyon sağlıyor. Bu yaklaşım, belirsizlik tabanlı veri artırma ve eylem oylama ile sahte korelasyonları azaltırken, adaptif bir zamanlayıcı performans-verimlilik dengesini koruyor. Hafif bir pertürbasyon modülü de gecikmeli geri bildirimle eylem güvenilirliğini retrospektif olarak ayarlıyor.
Robot güvenliği devrim: Yapay zeka robotları artık güvenlik kurallarını öğrenebiliyor
Bilim insanları, görme-dil-eylem modellerini (VLA) kullanan robotları daha güvenli hale getirmek için SafeVLA adlı yeni bir yaklaşım geliştirdi. Bu sistem, robotların çevreye, kendilerine ve insanlara zarar verme riskini büyük ölçüde azaltıyor. Geleneksel robot eğitiminin aksine, SafeVLA güvenlik kısıtlamalarını öğrenme sürecinin merkezine koyarak robotların tehlikeli davranışları önceden tespit etmesini sağlıyor. Kısıtlı Markov karar süreci paradigmasını kullanan bu yöntem, güvenlik ihlallerini %83,58 oranında azaltmayı başardı. Araştırma, yapay zeka destekli robotların gerçek dünyada güvenle kullanılabilmesi için kritik bir adım olarak değerlendiriliyor.