โมเดล AI ตัวใหม่ชื่อว่า Robostral Navigate กำลังท้าทายสมมติฐานที่มีมานานในด้านหุ่นยนต์ว่า การนำทางอัตโนมัติที่เชื่อถือได้จำเป็นต้องใช้ฮาร์ดแวร์ราคาแพงที่มีเซนเซอร์จำนวนมาก โมเดลขนาด 8B ที่พัฒนาโดยทีมงานที่ AI Science Robotics สามารถทำการนำทางหุ่นยนต์ด้วยกล้องตัวเดียวได้ในระดับล้ำสมัย โดยใช้เพียงกล้อง RGB ทั่วไปและคำสั่งภาษาธรรมดาเท่านั้น — ไม่ต้องใช้ LiDAR ไม่ต้องใช้เซนเซอร์วัดความลึก และไม่ต้องใช้ชุดกล้องหลายตัว
Summary
ประเด็นสำคัญ
- Robostral Navigate เป็นโมเดล AI ขนาด 8B ที่นำทางหุ่นยนต์โดยใช้เพียงกล้อง RGB ตัวเดียวและคำสั่งภาษาธรรมชาติ
- โมเดลนี้ทำได้ อัตราความสำเร็จ 76.6% บนชุดทดสอบ R2R-CE validation unseen ซึ่งดีกว่าวิธีที่ใช้กล้องตัวเดียวที่ดีที่สุดเดิมอยู่ 9.7 คะแนน และดีกว่าระบบที่ใช้เซนเซอร์ความลึก/หลายกล้องอยู่ 4.5 คะแนน
- โมเดลใช้แนวทางแบบชี้ตำแหน่ง (pointing-based) เพื่อทำนายตำแหน่งเป้าหมายจากพิกัดในภาพ โดยมีโหมดสำรองเป็นการเลื่อนตำแหน่งในกรอบพิกัดเฉพาะที่เมื่อเป้าหมายอยู่นอกมุมมอง
- เทคนิคการฝึกแบบ prefix-caching ช่วยลดจำนวนโทเคนที่ใช้ฝึกได้ถึง 22 เท่า ทำให้การฝึกที่ปกติใช้เวลาหลายเดือนถูกบีบอัดเหลือเพียงไม่กี่วัน
- การเรียนรู้แบบเสริมกำลังหลังการฝึกด้วยอัลกอริทึม CISPO ช่วยเพิ่มอัตราความสำเร็จของโมเดลได้อีก 3.2%
Robostral Navigate ยกระดับการนำทางหุ่นยนต์ด้วยกล้องตัวเดียว
Robostral Navigate มองใหม่ว่า โมเดลนำทางจำเป็นต้องมีอะไรบ้างจึงจะทำงานได้ ขณะที่ระบบคู่แข่งพึ่งพาเซนเซอร์ความลึกหรือชุดกล้องหลายตัวเพื่อสร้างแผนที่สภาพแวดล้อม โมเดลนี้ประมวลผลสตรีมภาพ RGB มาตรฐานควบคู่กับคำสั่งข้อความ — และเคลื่อนที่ผ่านพื้นที่ตามนั้น ทีมผู้อยู่เบื้องหลัง ซึ่งรวมถึงนักวิจัย Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh และ Olivier Duchenne ที่ AI Science Robotics ได้สร้างโมเดลทั้งหมดขึ้นเองภายในองค์กรโดยไม่พึ่งพาโมเดล vision-language แบบโอเพ่นซอร์ซที่มีอยู่ก่อน
ทางเลือกด้านการออกแบบนี้ส่งผลจริงต่อการนำไปใช้งาน ข้อกำหนดด้านเซนเซอร์ที่เรียบง่ายกว่าหมายถึงต้นทุนฮาร์ดแวร์ที่ต่ำลง การผสานรวมกับหุ่นยนต์หลายประเภทได้ง่ายขึ้น และจุดล้มเหลวในสแต็กการรับรู้สภาพแวดล้อมที่น้อยลง
แนวทางการนำทางผ่านการชี้ตำแหน่งและการเลื่อนตำแหน่งแบบสำรอง
นวัตกรรมหลักคือสิ่งที่ทีมเรียกว่า การนำทางแบบชี้ตำแหน่ง (pointing-based navigation) แทนที่จะส่งคำสั่งเลื่อนตำแหน่งแบบมีหน่วยวัด เช่น “เดินไปข้างหน้า 0.5 เมตร” Robostral Navigate จะอนุมานพิกัดภาพของตำแหน่งเป้าหมายภายในมุมมองกล้องปัจจุบันของหุ่นยนต์ — เปรียบเสมือนการชี้ไปยังจุดที่ต้องการไป — พร้อมกับทิศทางการหันเมื่อไปถึง
แนวทางนี้ทำให้ policy มีความทนทานโดยธรรมชาติต่อการเปลี่ยนแปลงของคุณสมบัติภายในของกล้อง (camera intrinsics) และความแตกต่างของสเกลโลก เนื่องจากมันให้เหตุผลเกี่ยวกับจุดหมายในเชิงภาพแทนที่จะใช้หน่วยวัดคงที่ ตัวอย่างคำสั่งที่โมเดลสามารถทำตามได้: “ออกจากล็อบบี้ เดินผ่านทางเดิน เข้าไปในห้องเก็บของ และหยุดหันหน้าไปที่ชั้นวางของชั้นที่สอง”
เมื่อเป้าหมายอยู่นอกขอบเขตมุมมองปัจจุบันของกล้อง การชี้ตำแหน่งก็ใช้ไม่ได้ ในกรณีนั้น โมเดลจะสลับไปใช้ การเลื่อนตำแหน่งในกรอบพิกัดเฉพาะที่ — คำสั่งอย่างเช่น “เดินไปข้างหน้า 2 เมตร ไปทางซ้าย 1.5 เมตร และหมุนซ้าย 25 องศา” การออกแบบแบบสองโหมดนี้ทำให้โมเดลสามารถรับมือกับสถานการณ์การนำทางจริงที่หลากหลายได้โดยไม่ต้องเพิ่มเซนเซอร์
ประสิทธิภาพระดับผู้นำบนชุดทดสอบ R2R-CE validation
ตัวเลขคือจุดที่ Robostral Navigate แสดงศักยภาพได้ชัดที่สุด บนชุดทดสอบ R2R-CE (Room-to-Room in Continuous Environments) — มาตรฐานสำหรับการทดสอบการทำตามคำสั่งนำทางในสภาพแวดล้อมที่ไม่ถูกใช้ในการฝึก — โมเดลทำได้ อัตราความสำเร็จ 76.6% บน validation unseen และ 79.4% บน validation seen
เหนือกว่าระบบกล้องตัวเดียวและระบบหลายเซนเซอร์
ผลลัพธ์เหล่านี้ทำให้มันอยู่เหนือทุกระบบที่เทียบเคียงได้ซึ่งอยู่บนชุดทดสอบเดียวกัน Robostral Navigate ทำได้ดีกว่าวิธีที่ใช้กล้องตัวเดียวที่ดีที่สุดเดิมอยู่ 9.7 คะแนน และดีกว่าระบบที่ใช้เซนเซอร์ความลึกหรือกล้องหลายตัวที่ดีที่สุดอยู่ 4.5 คะแนน — ทั้งที่มันไม่ได้ใช้สิ่งเหล่านั้นเลย
ส่วนต่างเมื่อเทียบกับระบบหลายเซนเซอร์เป็นสิ่งที่ควรให้ความสนใจเป็นพิเศษ กล้องวัดความลึกและชุด LiDAR เป็นการลงทุนด้านฮาร์ดแวร์ที่มีนัยสำคัญ โมเดลที่ทำได้ดีกว่าระบบเหล่านั้นโดยใช้เพียงฟีดภาพ RGB เดียวไม่เพียงแค่ชนะบนชุดทดสอบ แต่ยังเปลี่ยนภาพของฮาร์ดแวร์ขั้นต่ำที่จำเป็นสำหรับการนำหุ่นยนต์ไปใช้งานเชิงพาณิชย์ด้วย
เทคนิคการฝึกและการเรียนรู้แบบเสริมกำลังที่ล้ำสมัย
การไปถึงตัวเลขเหล่านั้นต้องอาศัยการแก้ปัญหาด้านประสิทธิภาพการฝึก โมเดลนำทางเรียนรู้จากประวัติการสังเกตแบบลำดับเวลา — ตอน (episode) ยาวๆ ที่ประกอบด้วยภาพ การกระทำ และผลลัพธ์ — ซึ่งโดยทั่วไปต้องใช้ทรัพยากรคอมพิวต์จำนวนมากในการประมวลผล ทีมของ Robostral Navigate แก้ปัญหานี้ด้วย อัลกอริทึมการฝึกแบบ prefix-caching ที่สร้างบนกลยุทธ์การมาสก์ attention แบบต้นไม้ (tree-based)
การฝึกแบบกำกับที่มีประสิทธิภาพด้วย prefix-caching
วิธีนี้บีบอัดตอนการนำทางทั้งตอนให้เป็นลำดับเดียว ทำให้สามารถฝึกได้ครอบคลุมทุกช่วงเวลาในการคำนวณแบบ forward pass ครั้งเดียว ขณะเดียวกันก็ป้องกันไม่ให้ข้อมูลรั่วไหลระหว่างช่วงเวลา เมื่อเทียบกับการฝึกหนึ่งตัวอย่างต่อหนึ่งช่วงเวลา วิธีนี้ช่วยลดจำนวนโทเคนที่ใช้ฝึกลง 22 เท่า โดยยังคงสัญญาณการเรียนรู้ทั้งหมดไว้ ในทางปฏิบัติ มันเปลี่ยนการรันการฝึกที่ปกติจะใช้เวลาหลายเดือนให้เหลือเพียงไม่กี่วัน — เป็นข้อได้เปรียบเชิงปฏิบัติการที่มีนัยสำคัญสำหรับการพัฒนา AI ด้านหุ่นยนต์ในสเกลใหญ่
ข้อมูลฝึกเองถูกสร้างขึ้นทั้งหมดในสภาพแวดล้อมจำลอง จากเส้นทางประมาณ 400,000 เส้นทาง ที่เก็บจาก 6,000 ฉาก ทำให้สามารถวนรอบการพัฒนาได้อย่างรวดเร็วโดยไม่ต้องแบกรับต้นทุนและความซับซ้อนของการเก็บข้อมูลจากโลกจริง
เพิ่มประสิทธิภาพด้วยการเรียนรู้แบบเสริมกำลังออนไลน์ด้วย CISPO
หลังการฝึกแบบกำกับ ทีมงานได้นำ CISPO ซึ่งเป็นอัลกอริทึม การเรียนรู้แบบเสริมกำลัง ออนไลน์ มาใช้เพื่อดันประสิทธิภาพให้สูงขึ้นไปอีก ขณะที่การลอกเลียนพฤติกรรม (behavior cloning) แบบมาตรฐานอาจประสบปัญหา distribution shift — โมเดลพบสถานการณ์ในการใช้งานจริงที่ต่างจากข้อมูลฝึก — CISPO ช่วยให้โมเดลเรียนรู้จากการลองผิดลองถูก ฟื้นตัวจากความล้มเหลว และพัฒนาพฤติกรรมการสำรวจ
ขั้นตอนการฝึกครั้งที่สองนี้ช่วยเพิ่มอัตราความสำเร็จได้อีก 3.2% ทีมงานระบุว่ายังไม่เห็นสัญญาณของการอิ่มตัวของประสิทธิภาพ ซึ่งบ่งชี้ว่าการรันการฝึกเพิ่มเติมน่าจะดันตัวเลขให้สูงขึ้นได้อีก การประยุกต์ใช้เทคนิค RL หลังการฝึกที่คุ้นเคยจากการพัฒนาโมเดลภาษาขนาดใหญ่กับ AI ด้านการนำทางแบบมีร่างกาย (embodied navigation) ถือเป็นก้าวที่มีความสำคัญเชิงกลยุทธ์ — มันส่งสัญญาณว่าคู่มือวิศวกรรมที่ถูกขัดเกลามาสำหรับ LLM สามารถถ่ายทอดมาใช้กับการควบคุมหุ่นยนต์ในโลกจริงได้แล้ว
การทำให้ทั่วไปข้ามประเภทหุ่นยนต์และการพัฒนาในอนาคต
Robostral Navigate ทำงานได้กับหุ่นยนต์ล้อ หุ่นยนต์ขา และหุ่นยนต์บิน และสามารถทำให้ทั่วไปได้ข้ามขนาดหุ่นยนต์และการจัดวางกล้องที่แตกต่างกัน โมเดลยังมีความทนทานต่อความแตกต่างของคุณสมบัติภายในของกล้อง หมายความว่าไม่จำเป็นต้องปรับเทียบใหม่สำหรับฮาร์ดแวร์แต่ละชุด — ซึ่งเป็นข้อกำหนดเชิงปฏิบัติสำหรับระบบใดๆ ที่มุ่งเป้าการใช้งานเชิงพาณิชย์ในวงกว้าง
การใช้งานเป้าหมายครอบคลุมตั้งแต่การผลิต การส่งของ โลจิสติกส์ ไปจนถึงการบริการ ทีมงานมองว่าการนำทางเป็นความสามารถพื้นฐานสำหรับหุ่นยนต์อเนกประสงค์ และวางตำแหน่ง Robostral Navigate ให้เป็นก้าวแรกสู่เอเจนต์ที่มีร่างกายแบบรวมศูนย์ แทนที่จะเป็นผลิตภัณฑ์ที่เสร็จสมบูรณ์แล้ว
AI Science Robotics กำลังขยายทีมด้านหุ่นยนต์อย่างต่อเนื่องและเปิดรับนักวิทยาศาสตร์วิจัยและวิศวกรที่มุ่งเน้น AI ด้านการนำทางแบบมีร่างกาย ซึ่งเป็นสัญญาณว่าโรดแมปการพัฒนาจะไปไกลกว่าการเปิดตัวครั้งแรกนี้มาก
คำถามที่พบบ่อย
Robostral Navigate ใช้เซนเซอร์อะไรสำหรับการนำทางหุ่นยนต์?
Robostral Navigate ใช้เพียงกล้อง RGB ตัวเดียวและไม่พึ่งพา LiDAR หรือเซนเซอร์วัดความลึก
Robostral Navigate ทำงานได้ดีแค่ไหนเมื่อเทียบกับโมเดลนำทางอื่น?
โมเดลนี้ทำได้อัตราความสำเร็จ 76.6% บนชุดทดสอบ R2R-CE validation unseen ซึ่งดีกว่าวิธีที่ใช้กล้องตัวเดียวที่ดีที่สุดเดิมอยู่ 9.7 คะแนน และดีกว่าระบบที่ใช้เซนเซอร์ความลึก/หลายกล้องอยู่ 4.5 คะแนน
Robostral Navigate จัดการงานนำทางอย่างไรเมื่อเป้าหมายมองไม่เห็นในมุมมองกล้อง?
เมื่อเป้าหมายอยู่นอกมุมมองปัจจุบันของกล้อง โมเดลจะใช้คำสั่งเลื่อนตำแหน่งในกรอบพิกัดเฉพาะที่ของหุ่นยนต์เป็นวิธีนำทางสำรอง
เทคนิคการฝึกแบบใดที่ช่วยปรับปรุงประสิทธิภาพการนำทางของ Robostral Navigate?
โมเดลใช้วิธีการฝึกแบบกำกับที่มีประสิทธิภาพด้วย prefix-caching ซึ่งช่วยลดจำนวนโทเคนที่ใช้ฝึกลง 22 เท่า และยังได้รับการปรับปรุงเพิ่มเติมด้วยการเรียนรู้แบบเสริมกำลังออนไลน์ผ่านอัลกอริทึม CISPO ซึ่งช่วยเพิ่มอัตราความสำเร็จได้อีก 3.2%
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Robostral Navigate ใช้เซนเซอร์อะไรสำหรับการนำทางหุ่นยนต์?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Robostral Navigate ใช้เพียงกล้อง RGB ตัวเดียวและไม่พึ่งพา LiDAR หรือเซนเซอร์วัดความลึก”}},{“@type”:”Question”,”name”:”Robostral Navigate ทำงานได้ดีแค่ไหนเมื่อเทียบกับโมเดลนำทางอื่น?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”โมเดลนี้ทำได้อัตราความสำเร็จ 76.6% บนชุดทดสอบ R2R-CE validation unseen ซึ่งดีกว่าวิธีที่ใช้กล้องตัวเดียวที่ดีที่สุดเดิมอยู่ 9.7 คะแนน และดีกว่าระบบที่ใช้เซนเซอร์ความลึก/หลายกล้องอยู่ 4.5 คะแนน”}},{“@type”:”Question”,”name”:”Robostral Navigate จัดการงานนำทางอย่างไรเมื่อเป้าหมายมองไม่เห็นในมุมมองกล้อง?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”เมื่อเป้าหมายอยู่นอกมุมมองปัจจุบันของกล้อง โมเดลจะใช้คำสั่งเลื่อนตำแหน่งในกรอบพิกัดเฉพาะที่ของหุ่นยนต์เป็นวิธีนำทางสำรอง”}},{“@type”:”Question”,”name”:”เทคนิคการฝึกแบบใดที่ช่วยปรับปรุงประสิทธิภาพการนำทางของ Robostral Navigate?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”โมเดลใช้วิธีการฝึกแบบกำกับที่มีประสิทธิภาพด้วย prefix-caching ซึ่งช่วยลดจำนวนโทเคนที่ใช้ฝึกลง 22 เท่า และยังได้รับการปรับปรุงเพิ่มเติมด้วยการเรียนรู้แบบเสริมกำลังออนไลน์ผ่านอัลกอริทึม CISPO ซึ่งช่วยเพิ่มอัตราความสำเร็จได้อีก 3.2%.”}}]}
บทความนี้จัดทำขึ้นด้วยความช่วยเหลือของปัญญาประดิษฐ์และผ่านการตรวจทานโดยทีมบรรณาธิการแล้ว
