นักวิจัย DeepMind Robotics ของ Google ได้เริ่มดำเนินการวิจัยใหม่ที่ออกแบบมาเพื่อช่วยให้วิทยาการหุ่นยนต์ต่าง ๆ สามารถทำความเข้าใจในสิ่งที่มนุษย์ต้องการจากเทคโนโลยีเหล่านี้ได้มากขึ้นกว่าเดิม
- นายกดึง AWS-Microsoft-Google เข้าลงทุนในไทยกว่า 3 แสนล้านบาท
- ‘Bard’ ระบบ AI Chatbot สุดอัจฉริยะหน้าใหม่จาก Google
- RT-2 โมเดลหุ่นยนต์รุ่นใหม่ที่แปลงภาพและข้อความให้เป็นการกระทำจาก Google DeepMind
โดยปกตินั้นหุ่นยนต์จะมุ่งเน้นไปที่การทำงานเดี่ยวๆ ซ้ำๆ ไปตลอดชีวิตการทำงานของตัวเอง ซึ่งหุ่นยนต์ที่มีความเฉพาะทางเหล่านี้ก็มักจะมีความสามารถสูงในการทำงานในรูปแบบของตนเอง แต่บางครั้งหุ่นยนต์เหล่านี้ก็มักจะเจอกับปัญหาขึ้นทันทีที่เกิดการเปลี่ยนแปลงรูปแบบการทำงานหรือมีข้อผิดพลาดที่ไม่ได้ตั้งใจเกิดขึ้นมา
ทีมงานของ DeepMind จึงได้มีการออกแบบ ‘AutoRT’ มาเพื่อควบคุมโมเดลพื้นฐานขนาดใหญ่ในงานหลายประเภท โดยตัวระบบนั้นจะใช้ประโยชน์จาก Visual Language Model (VLM) เข้ามาช่วยให้หุ่นยนต์มีการรับรู้สถานการณ์ที่ดีขึ้น ทำให้ AutoRT สามารถควบคุมจัดการกับกลุ่มหุ่นยนต์ที่ทำงานควบคู่กันและสามารถรับรู้ถึงเค้าโครงของสภาพแวดล้อมและวัตถุภายในหุ่นยนต์ได้ผ่านกล้องที่ติดตั้งไว้
นอกจากนี้ AutoRT ก็ยังมีเทคโนโลยี Large Language Model (LLM) ที่สามารถช่วยแนะนำประเภทงานที่หุ่นยนต์สามารถทำได้ให้อย่างเหมาะสม ทั้งยังช่วยแนะนำอุปกรณ์ที่ปลายแขนหุ่นยนต์ (End effector) ให้ได้อีกด้วย ซึ่งเทคโนโลยีอย่าง LLM นั้นก็ถือเป็นหัวใจที่สำคัญอยู่แล้วสำหรับการพัฒนาวิทยาการหุ่นยนต์ที่เข้าใจคำสั่งภาษาธรรมชาติได้อย่างมีประสิทธิภาพและช่วยลดความจำเป็นในการ Hard-coding ลง
สำหรับในช่วง 7 เดือนที่ผ่านมานี้ AutoRT ก็ได้รับการทดสอบระบบบางส่วนแล้วและเผยว่า AutoRT สามารถประสานหุ่นยนต์ได้พร้อมกันมากถึง 20 ตัวในทีเดียวและประสานอุปกรณ์ที่แตกต่างกันได้ทั้งหมด 52 ชิ้น โดยทาง DeepMind นั้นได้ทำการทดลองไปเกือบ 77,000 ครั้ง โดยคิดเป็นงานกว่า 6,000 งาน
อีกหนึ่งในระบบใหม่ที่ทางทีมงานของ DeepMind ได้พัฒนาขึ้นก็ยังมี ‘RT-Trajectory’ ที่ช่วยให้สามารถใช้วิดีโอบน YouTube มาทำการฝึกสอนหุ่นยนต์เป็นวงกว้างได้ โดยมีความแตกต่างจากการใช้วิดีโอเพื่อฝึกสอนแบบทั่วไปด้วยการเพิ่มภาพร่างสองมิติของการเคลื่อนไหวของแขนหุ่นยนต์ลงบนวิดีโอก่อนจะนำเสนอเป็นภาพ RGB เพื่อช่วยแนะนำระบบได้เรียนรู้และปรับปรุงความสามารถในการควบคุมหุ่นยนต์
ทาง DeepMind ยังได้เปิดเผยว่าการฝึกอบรมด้วย RT-Trajectory นั้นมีอัตราความสำเร็จอยู่ที่ 63% ซึ่งถือว่ามีประสิทธิภาพเพิ่มขึ้นมากกว่า 2 เท่าเมื่อเทียบกับการฝึกอบรมด้วยระบบ RT-2 ที่มีอัตราความสำเร็จ 29%
การพัฒนาของ AutoRT และ RT-Trajectory นั้นจะช่วยกลายเป็นกำลังที่สำคัญให้กับอุตสาหกรรมการผลิตในปัจจุบันได้เป็นอย่างดีด้วยความสามารถในการการมอบความยืดหยุ่นในการทำงาน ช่วยเพิ่มประสิทธิภาพ และลดความซับซ้อนในการเขียนโปรแกรมได้เป็นอย่างดี เป็นอีกหนึ่งนวัตกรรมดี ๆ ที่จะช่วยยกระดับประสิทธิภาพของการใช้งานหุ่นยนต์ในภาคอุตสาหกรรมได้อย่างมีประสิทธิภาพ
ที่มา : DeepMind, Techcrunch
