“planlama algoritmaları” için sonuçlar
7 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Robotların Kavrama Yetisi İçin Yeni Planlama Algoritmaları Geliştirildi
Araştırmacılar, robotların nesneleri daha etkili kavrayabilmesi için iki farklı algoritma geliştirdi. GET-2D-1.0 adlı sistem, tek kamerayla alınan görüntülerden yararlanarak 683 milisaniyede kavrama planı oluştururken, GET-3D-1.0 sistemi ise üç boyutlu modelleme kullanarak daha hassas sonuçlar üretiyor. Fiziksel deneyler, 2D sistemin mevcut yöntemlere kıyasla nesneleri kaldırma başarısında %40 oranında iyileşme sağladığını gösterdi. Bu gelişme, endüstriyel robotların manipülasyon kabiliyetlerini artırarak otomasyonun daha karmaşık görevlerde kullanılmasının önünü açıyor.
SYMBOLIZER: Robotları Eğitmek Artık Daha Kolay Olacak
MIT araştırmacıları, robotların karmaşık görevleri öğrenmesi için devrim niteliğinde bir sistem geliştirdi. SYMBOLIZER adlı bu yeni yaklaşım, geleneksel robot programlamanın en büyük zorluklarından birini çözüyor: Her görev için ayrı ayrı kodlama yapma gerekliliği. Sistem, görsel dil modellerinin güçlü görme yeteneklerini klasik planlama algoritmalarıyla birleştiriyor. Bu sayede robotlar, önceden programlanmamış durumlarla karşılaştıklarında bile mantıklı kararlar verebiliyor. Araştırma, robot teknolojisinde önemli bir adım teşkil ediyor çünkü her yeni görev için uzmanların aylarca süren kodlama çalışmalarına son verebilir. Özellikle endüstriyel üretimden ev robotlarına kadar geniş bir uygulama alanına sahip olan bu teknoloji, robotların daha esnek ve uyarlanabilir hale gelmesini sağlıyor.
Yapay Zeka Akıl Yürütmesinde Devrim: Adım Adım Düşünmeyi Öğreten Yeni Model
Araştırmacılar, büyük dil modellerinin akıl yürütme süreçlerini adım adım değerlendiren yenilikçi bir sistem geliştirdi. Process Reward Models (PRM) adı verilen bu yaklaşım, yapay zekanın düşünme zincirindeki her adımı ayrı ayrı puanlayarak hataları tespit edebiliyor. Çalışmada, planlama problemlerini kullanan özgün bir veri seti oluşturma yöntemi tanıtıldı. Bu metot sayesinde yaklaşık bir milyon akıl yürütme adımı içeren kapsamlı bir eğitim veri seti üretildi. Geleneksel matematik odaklı veri setlerine göre büyük avantaj sağlayan sistem, hem matematiksel hem de matematiksel olmayan problemlerde önemli performans artışları gösterdi. Bu gelişme, yapay zekanın daha güvenilir ve tutarlı akıl yürütme yetenekleri kazanması açısından büyük önem taşıyor.
Yapay Zeka Planlaması İçin Yeni Algoritma: Platypoos Ölçek Sorununu Çözüyor
Araştırmacılar, yapay zeka sistemlerinin karmaşık ortamlarda karar vermesi için geliştirilen yeni bir algoritma olan Platypoos'u tanıttı. Bu algoritma, ödül fonksiyonlarının bilinmeyen ölçek ve düzgünlüğüne kendini otomatik olarak uyarlayabiliyor. Geleneksel planlama algoritmalarının aksine, Platypoos önceden belirlenen parametrelere ihtiyaç duymadan çalışabiliyor. Algoritma, deterministik dinamiklere sahip ortamlarda stokastik ödüllerle başa çıkabilme yeteneği gösteriyor. Araştırmacılar, Platypoos'un örnek karmaşıklığı analizinde önceki çalışmalara kıyasla iyileştirmeler sağladığını ve geniş bir iskonto faktörü aralığında etkili çalıştığını kanıtladı. Bu gelişme, özellikle robotik, oyun teorisi ve otomatik karar verme sistemleri gibi alanlarda önemli uygulamalara sahip olabilir.
Robotlar İçin Yeni Planlama Sistemi: DAG-STL Çerçevesi Geliştirildi
Araştırmacılar, robotların karmaşık görevleri yerine getirebilmesi için yeni bir planlama sistemi geliştirdi. DAG-STL adlı bu hiyerarşik çerçeve, robotların daha önce hiç karşılaşmadıkları görevleri bile başarıyla tamamlayabilmesini sağlıyor. Sistem, Signal Temporal Logic (STL) denilen özel bir dil kullanarak robotlara zamana bağlı görevler veriyor. Geleneksel yöntemlerden farklı olarak, bu yaklaşım sistem dinamiklerini önceden bilmeye gerek duymadan çalışabiliyor. Araştırma, mantıksal akıl yürütme ile yörünge planlamasını birbirinden ayırarak üç aşamalı bir süreç oluşturuyor. Bu sayede robotlar, önceden öğrenilmiş görev-bağımsız veriler kullanarak yeni durumlarla baş edebiliyor. Gelişme, otonom sistemlerin daha esnek ve uyarlanabilir olmasında önemli bir adım teşkil ediyor.
Yapay zeka modelleri RPG oyunlarında uzun vadeli planlama yeteneğiyle test ediliyor
Büyük dil modelleri matematik ve kodlama gibi adım adım akıl yürütme testlerinde başarılı olsa da, gerçekçi kısıtlamalar altında uzun vadeli planlama yetenekleri henüz yeterince değerlendirilmemiş durumda. Araştırmacılar, bu eksikliği gidermek için HeroBench adlı yeni bir test sistemi geliştirdi. Bu sistem, RPG tarzı sanal dünyalarda AI modellerinin karmaşık planlama ve yapılandırılmış akıl yürütme becerilerini ölçüyor. Test, modellerin sayısal olarak uygulanabilir ekipman seçmesi, çok seviyeli üretim ve kaynak bağımlılıklarını analiz etmesi, ardından yüzlerce hatta binlerce eylemi tek bir uçtan uca plan halinde yürütmesini gerektiriyor. Bu yaklaşım, AI'ın gerçek dünya problemlerindeki planlama kapasitesini değerlendirmek için önemli bir adım.
EAGLET: Yapay Zeka Ajanları İçin Yeni Nesil Global Planlayıcı Sistemi
Araştırmacılar, büyük dil modellerine dayalı yapay zeka ajanlarının uzun vadeli görevlerde yaşadığı planlama sorunlarına çözüm getiren EAGLET adlı yeni bir sistem geliştirdi. Mevcut AI ajanları karmaşık görevlerde genellikle deneme-yanılma yöntemiyle hareket ediyor ve gerçekçi olmayan eylemler üretebiliyor. EAGLET, iki aşamalı bir eğitim süreci kullanarak bu sorunu çözüyor: İlk aşamada gelişmiş dil modellerinden yüksek kaliteli planlar sentezliyor, ikinci aşamada ise kural tabanlı pekiştirmeli öğrenme ile sistemini geliştiriyor. Bu yaklaşım, AI ajanlarının farklı zorluk seviyelerindeki görevleri daha etkili şekilde gerçekleştirmesini sağlıyor. Üç farklı uzun vadeli görevde yapılan testlerde, EAGLET ile donatılmış ajanların mevcut yöntemleri geride bıraktığı görüldü.