مدل‌های بنیادین رباتیک وارد LeRobot شدند

هوگینگ فیس اعلام کرد که نخستین مدل‌های بنیادین رباتیک، یعنی π0 و π0-FAST، اکنون در مخزن LeRobot در دسترس قرار گرفته‌اند. این دو مدل توسط Physical Intelligence توسعه یافته‌اند و هدفشان ارائه یک هوش رباتیک عمومی به اکوسیستم Hugging Face است. خبر انتشار این مدل‌ها نشان می‌دهد که مسیر متن‌بازسازی هوش مصنوعی رباتیک با سرعت بیشتری ادامه پیدا می‌کند.

π0 چیست و چه تفاوتی با مدل‌های زبانی-دیداری دارد؟

π0 یک مدل بینایی-زبان-عمل (VLA) است. برخلاف مدل‌های بینایی-زبان که فقط تصویر و متن را پردازش می‌کنند، مدل‌های VLA خروجی اکشن تولید می‌کنند؛ یعنی به ربات می‌گویند چه حرکتی انجام دهد. این تفاوت اصلی VLA و VLM است. نمایش اکشن‌ها یکی از چالش‌های اساسی در طراحی این مدل‌هاست. π0 با روش‌های تازه، این نمایش را برای کنترل عمومی ربات به‌کار می‌گیرد.

مدل π0 در LeRobot برای دو کار اصلی عرضه شده: اجرای استنتاج بر روی مدل از پیش آموزش‌دیده و فاین‌تیونینگ روی داده‌های اختصاصی. این یعنی پژوهشگران می‌توانند مدل پایه را برداشته و برای کاربردهای خاص خود تنظیم کنند.

π0-FAST؛ توجه سریع‌تر برای کنترل بی‌درنگ

نسخه بهبودیافته π0 با نام π0-FAST روی سرعت مکانیزم توجه تمرکز دارد. در معماری ترنسفورمر، عملیات توجه هزینه محاسباتی بالایی دارد و برای کنترل ربات در لحظه، نیاز به بهینه‌سازی جدی است. تیم توسعه‌دهنده در π0-FAST از ابزارهایی مانند FlexAttention در PyTorch استفاده می‌کند و ماسک‌های دوبعدی توجه را به‌گونه‌ای مدیریت می‌کند که بتوان از FlashAttention2 نیز بهره گرفت.

این پیشرفت‌ها باعث می‌شود مدل بتواند سریع‌تر و دقیق‌تر به ورودی‌های دیداری و زبانی پاسخ دهد. این نکته در رباتیک که تأخیر پاسخ می‌تواند حیاتی باشد، بسیار ارزشمند است.

از کجا شروع کنیم؟

برای استفاده از این مدل‌ها، کافی است به مخزن LeRobot در Hugging Face مراجعه کنید. اسکریپت‌های آماده برای استنتاج و فاین‌تیونینگ در اختیار توسعه‌دهندگان قرار گرفته است.

  • π0 و π0-FAST هر دو به‌صورت متن‌باز در دسترس هستند.
  • مدل‌های بنیادین رباتیک برای کنترل کلی ربات طراحی شده‌اند.
  • تفاوت میان VLA و VLM در خروجی اکشن است.
  • π0-FAST با مکانیزم توجه سریع‌تر، گزینه مناسبی برای کاربردهای بلادرنگ است.
  • محیط آزمایش LeRobot امکان تنظیم مدل را برای سناریوهای مختلف فراهم کرده است.

آینده هوش رباتیک عمومی

گام‌هایی مانند پورت π0 و π0-FAST به LeRobot، دسترسی پژوهشگران به مدل‌های پیشرفته رباتیک را بسیار ساده‌تر می‌کند. این اتفاق می‌تواند نویدبخش ظهور ربات‌های عمومی‌تری باشد که از ترکیب زبان، بینایی و عمل برای تعامل با دنیای واقعی استفاده می‌کنند. هوش مصنوعی رباتیک تازه وارد فاز متن‌باز و دموکراتیک شده است.

پرسش‌های پرتکرار

π0 چه تفاوتی با مدل‌های بینایی-زبان دارد؟

π0 یک مدل VLA است که علاوه بر درک تصویر و متن، تولید اکشن‌های کنترلی برای ربات را نیز یاد می‌گیرد؛ در حالی که VLMها صرفاً به فهم و تولید زبان/تصویر می‌پردازند.

π0-FAST چگونه کارایی بهتری ایجاد می‌کند؟

π0-FAST از مکانیزم توجه سریع‌تر استفاده می‌کند؛ به‌ویژه با بهره‌گیری از FlexAttention در PyTorch و مدیریت ماسک‌های دوبعدی توجه، سرعت استنتاج و یادگیری مدل را افزایش می‌دهد.