丰田研究院亮出机器人AI大招,无须人工编码,利用触觉高效学习新技能

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

丰田研究院亮出机器人ai大招,无须人工编码,利用触觉高效学习新技能

需要重新写作的是:智能设备

需要重写的内容是:编译 | 陈佳慧

需要重写的内容是:编辑 | 徐珊

需要重新写作的是:智能设备9月21日消息,据The Verge报道,丰田研究院(TRI)成功研发出一种突破性的生成式AI技术即机器人行为模型,在“机器人幼儿园”中教导机器人各种灵巧的技能。该机器人行为模型基于AI的扩散策略,可以在数十次新技能的演示后学习新技能。

使用这个机器人行为模型,可以使机器人产生一致性强、可重复和高性能的结果。此外,机器人学习和产出的速度非常快,不再需要人工编码和修复编码错误,提高了机器人的实用性,并在构建机器人大型行为模型(LBM)方面迈出了一步

机器人也能上学,通过模仿机器人行为模型,掌握超过60项具有挑战性的技能

据TOYOTA官网公告,以前,教机器人新行为的技术进展缓慢、效率较低,而且一般在执行任务时有很多限制性条件,所执行的任务也是非常具体和细节的。机器人专家需要花费大量时间编写复杂的代码,可能还要不断修改代码错误,以此为机器人添加新行为。

现在,有了机器人行为模型。研究员认为,触觉是这个机器人行为模型的关键要素。他们给机器人提供了一种大拇指般大小的触觉传感器,能够让机器人通过触觉来感知和学习,从而像人类一样更轻松地执行各种复杂任务。据The Verge报道,研究人员就曾在“机器人幼儿园”教机器人如何做早餐。

“机器人幼儿园”的运作方式是,首先由一位“老师”展示一套技能,然后机器人的模型在后台学习几个小时,最后机器人成功形成新的工作行为。丰田研究院的灵巧操纵实验室经理Ben Burchfiel说,他们经常是在下午教机器人,让它学习一晚上,第二天早上就可以来看到它的新行为了。

到目前为止,研究人员已经使用机器人行为模型,成功培训机器人获得了超过60项具有挑战性的技能,例如倒液体、使用工具以及操控可变形物体等。并且他们希望在2024年底前将这个数字增加到1000项。

丰田研究院亮出机器人AI大招,无须人工编码,利用触觉高效学习新技能

Giiso写作机器人 Giiso写作机器人

Giiso写作机器人,让写作更简单

Giiso写作机器人 56 查看详情 Giiso写作机器人

▲机器人搅拌液体(图源:TOYOTA官网)

二、自主观察学习新技能,机器人大型行为模型正在创建

丰田研究院的研究人员在研发出现在的机器人行为模型后,还试图为机器人创建大型行为模型。丰田研究院机器人研究副总裁Russ Tedrake说,大型行为模型与大语言模型类似,是通过观察来学习,然后能够执行从没有教过的新技能。

谷歌在其AI学习模型机器人变压器RT-2的研发中,其实也在研究类似的技术。与丰田研究人员的方法类似,他们的机器人利用自己获得的经验来推断如何执行任务。从理论上讲,经过AI训练的机器人最终可以实现,只给出一个大致方向,而不需要任何具体的行动指令就可以完成任务,例如“清理那个溢出的东西”。

根据纽约时报的报道,谷歌在机器人研发方面还有很多工作要做。同时,泰晤士报也指出,研究工作通常是“缓慢而费力的”,提供足够的训练数据比从互联网下载数据来训练AI模型更加困难

结语:机器人获得触觉提升技能学习速度,未来或能实现机器人自主拓展新技能

丰田研究院的机器人行为模型让机器人获得了触觉,相比于从前训练机器人的人工编码和错误查找,新模型不仅减少了人力付出,也提高了机器人学习新技能的速度,让机器人能够帮助人们更快、更好地完成更多任务。

丰田研究院的研究人员表示,他们正在建立机器人的大型行为模型,而谷歌也一直在尝试开发类似的技术。随着研究院和科技公司的不断探索,未来可能会实现机器人的大型行为模型,使机器人能够通过观察并自主拓展新的技能

重写的内容是:来源:The Verge

以上就是丰田研究院亮出机器人AI大招,无须人工编码,利用触觉高效学习新技能的详细内容,更多请关注创想鸟其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/491575.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2025年11月8日 15:56:33
下一篇 2025年11月8日 15:57:50

相关推荐

  • 使用 Pydantic v2 实现条件性必填字段

    本文介绍了如何在 Pydantic v2 模型中实现条件性必填字段。通过自定义验证器,可以根据模型中其他字段的值来动态地控制某些字段是否为必填项,从而满足 API 交互中数据验证的复杂需求。本文提供了一个具体的示例,展示了如何确保模型中至少有一个字段被赋值。 在 Pydantic v2 中,虽然没有…

    2025年12月14日
    000
  • Pydantic v2 模型中实现条件必填字段

    本文介绍了在 Pydantic v2 模型中实现条件必填字段的方法。通过自定义模型验证器,可以在模型初始化后检查字段是否满足特定条件,从而灵活地控制字段的必填性,以适应不同的应用场景,例如 API 数据解析和对象创建。 在使用 Pydantic 构建数据模型时,经常会遇到这样的需求:某些字段在特定条…

    2025年12月14日
    000
  • Python 多进程:AsyncResult 与回调函数获取结果的比较与选择

    本文深入探讨了 Python 多进程中 multiprocessing.Pool 的 apply_async() 方法,对比了使用 AsyncResult 对象和回调函数两种方式获取异步执行结果的优劣。重点分析了在处理大量任务、结果顺序要求以及异常处理等不同场景下的适用性,并提供了相应的代码示例和注…

    2025年12月14日
    000
  • Python多进程:AsyncResult与回调函数获取结果的比较与选择

    本文深入探讨了Python多进程中multiprocessing.Pool的apply_async()方法获取结果的两种主要方式:使用AsyncResult对象和使用回调函数。通过对比它们的优缺点,以及处理异常情况的方法,帮助开发者选择最适合自己应用场景的方式,提升多进程编程的效率和可靠性。 在使用…

    2025年12月14日
    000
  • 利用 Altair 和 Jupyter Chart 实现滑块控制坐标轴分箱

    本文将介绍如何使用 Altair 和 Jupyter Chart 实现滑块控制坐标轴分箱的功能。 正如摘要中所述,Altair 5.1+ 版本引入的 JupyterChart 功能为我们提供了强大的交互能力。通过结合 ipywidgets 和 link 函数,我们可以轻松地将滑块控件与图表的参数绑定…

    2025年12月14日
    000
  • Python 多进程:AsyncResult 与回调函数,哪种方式更优?

    本文深入探讨了 Python 多进程 multiprocessing.Pool 中 apply_async() 方法的两种结果获取方式:AsyncResult.get() 和回调函数。分析了它们在处理大量任务时的优缺点,包括结果顺序、异常处理、内存占用等方面,并提供了相应的代码示例和注意事项,帮助开…

    2025年12月14日
    000
  • 并行计算中AsyncResult与回调函数的选择:性能与异常处理

    本文深入探讨了Python多进程库multiprocessing.Pool中apply_async()方法的使用,对比了通过AsyncResult对象获取结果和使用回调函数处理结果两种方式的优劣。重点分析了在大规模任务提交场景下的内存占用、结果顺序以及异常处理等方面的差异,并提供了相应的代码示例和注…

    2025年12月14日
    000
  • 利用 Altair 和 Jupyter Notebook 实现交互式坐标轴控制

    本文将探讨如何在 Jupyter Notebook 中,利用 Altair 和 ipywidgets 实现更高级的交互式数据可视化,即通过滑块控件动态控制 Altair 图表的坐标轴参数。Altair 5.1 版本引入的 JupyterChart 功能为我们提供了实现这一目标的可能性。 使用 Jup…

    2025年12月14日
    000
  • 如何准确查看Spark Core版本:解决PySpark版本混淆问题

    本文旨在解决在PySpark环境中难以准确获取底层Spark Core版本的问题。针对pyspark.__version__等常见方法无法反映真实Spark Core版本的情况,文章详细介绍了两种可靠的查询方法:利用Spark SQL的version()函数(适用于Spark 3.0及更高版本)以及…

    2025年12月14日
    000
  • 获取Spark Core版本:分布式环境下精准识别与验证

    在分布式Spark环境中,PySpark客户端版本与实际运行的Spark Core版本可能存在差异。本文旨在提供可靠的方法,帮助用户准确识别集群上部署的Spark Core版本,而非仅限于客户端的PySpark版本信息。核心策略是利用Spark SQL的version()函数或PySpark 3.5…

    2025年12月14日
    000
  • Python函数中传递包含特殊字符(如点号)的关键字参数

    Python函数在接受关键字参数时,要求参数名必须是合法的Python标识符,这意味着不能直接使用包含点号等特殊字符的名称。本文将详细介绍如何通过字典解包(**kwargs)的方式,优雅地将带有特殊字符的字符串作为参数键传递给函数,并结合示例代码展示其用法,确保参数传递的灵活性和代码的健壮性。 理解…

    2025年12月14日
    000
  • Python函数关键字参数命名限制与包含特殊字符键的解决方案

    本文探讨Python函数在处理关键字参数时,当参数名包含点号等非法字符时遇到的语法错误。我们将深入解析这一限制的原因,并提供一种利用字典解包(**操作符)的有效策略,以成功将任意字符串作为键传递给接受**kwargs的函数,从而克服命名约束。 理解Python关键字参数的命名规则 在Python中,…

    2025年12月14日
    000
  • Python函数参数深度解析:解决带点号关键字参数传递问题

    本文深入探讨了在Python中向函数传递包含点号(.)的关键字参数的有效方法。由于Python的关键字参数必须是合法的标识符,直接使用带点号的名称会导致语法错误。教程将详细介绍如何利用字典解包(**kwargs)这一强大特性,以字符串形式传递这类特殊键值对,并演示如何将其与其他标准关键字参数结合使用…

    2025年12月14日
    000
  • Python函数中传递包含特殊字符的关键字参数

    本文探讨了在Python函数中,当关键字参数名称包含点号(.)等非法字符时如何正确传递数据。由于Python的标识符命名规则限制,直接传递此类参数会导致语法错误。解决方案是利用字典解包(**kwargs)机制,将包含特殊字符的键作为字典的键,从而实现灵活的参数传递,并可与其他标准关键字参数结合使用。…

    2025年12月14日
    000
  • Python函数参数传递:处理包含点号的关键字

    在Python函数调用中,直接使用包含点号(.)的字符串作为关键字参数会导致语法错误,因为关键字参数名必须是合法的Python标识符。本文将详细阐述这一限制的原因,并提供一个通用的解决方案:通过字典解包(**kwargs)的方式传递这类特殊命名的参数,从而允许函数接收任意字符串作为键,有效解决了参数…

    2025年12月14日
    000
  • PyTorch中冻结中间层参数的深度解析与实践

    本教程深入探讨了在PyTorch中冻结神经网络特定中间层参数的两种常见方法:torch.no_grad()上下文管理器和设置参数的requires_grad = False属性。文章通过代码示例详细阐述了两种方法的原理、效果及适用场景,并明确指出requires_grad = False是实现精确中…

    2025年12月14日
    000
  • PyTorch中精确冻结中间层参数的策略与实践

    本教程深入探讨了在PyTorch模型训练中冻结特定中间层参数的两种常见方法:使用torch.no_grad()上下文管理器和直接设置参数的requires_grad属性。通过实验对比,我们揭示了torch.no_grad()可能对上游层产生意外影响,而requires_grad = False是实现…

    2025年12月14日
    000
  • 如何使用Scikit-learn计算随机森林的AUC并理解不同函数结果的差异

    本文旨在解释使用Scikit-learn计算随机森林模型AUC(Area Under the Curve)时,为何使用不同函数可能得到不同的结果。核心在于理解predict和predict_proba的区别,以及roc_auc_score函数如何处理模型的输出,并提供正确的计算AUC的方法。 理解A…

    2025年12月14日
    000
  • 如何使用 Scikit-learn 计算随机森林的 AUC 并避免差异

    本文旨在解释在使用 Scikit-learn 计算随机森林的 AUC 时,为何使用不同的函数可能会得到不同的结果,并提供正确的计算方法。核心在于理解 predict_proba 方法在 AUC 计算中的作用。 在 Scikit-learn 中,计算随机森林模型的 AUC 时,经常会遇到使用 RocC…

    2025年12月14日
    000
  • 使用 Scikit-learn 计算随机森林 AUC 的正确方法

    本文旨在阐明在使用 Scikit-learn 计算随机森林模型的 AUC(Area Under the Curve)时,roc_auc_score 函数和 RocCurveDisplay 对象可能出现结果差异的原因。我们将深入探讨 predict 和 predict_proba 方法的区别,并提供正…

    2025年12月14日
    000

发表回复

登录后才能评论
关注微信