Fei-Fei Li మరియు Yunzhu Li ఇటీవల ఒక a16z పాడ్కాస్ట్లో మాట్లాడుతూ, World Labs ఒక “real-to-sim-to-real” పైప్లైన్ను అందుబాటులోకి తెస్తోంది అని చెప్పారు. ఇది రోబోట్లు భౌతిక నేలపై అడుగు పెట్టకముందే, అత్యంత ఖచ్చితమైన డిజిటల్ ట్విన్స్లో (digital twins) స్పేషియల్ టాస్క్లను (spatial tasks) నేర్చుకోవడానికి అనుమతిస్తుంది. ఈ విధానం రోబోట్ శిక్షణ డేటాను సేకరించే ఖర్చు మరియు ప్రమాదాన్ని తగ్గిస్తుంది, ఇది అనేక ఆటోమేషన్ ప్రాజెక్టులు కేవలం ల్యాబ్లకే పరిమితం కావడానికి ఒక ప్రధాన అడ్డంకిగా ఉంది.
రోబోట్లకు భాష కంటే మించి ఎందుకు అవసరం
లార్జ్ లాంగ్వేజ్ మోడల్స్ (Large language models) ఇంటర్నెట్లోని మొత్తం వచనాన్ని సేకరించగలవు, కానీ ఒక రోబోట్ కేవలం వీడియోలను చూసి అది చూసిన దానిని అనుకరించలేరు. ఒక వేర్హౌస్ గుండా కదలాలన్నా లేదా హోటల్ గదిని శుభ్రం చేయాలన్నా, రోబోట్కు త్రిమితీయ జ్యామితి (three-dimensional geometry), ఉపరితల లక్షణాలు (surface properties), మరియు నెట్టడం, ఎత్తడం మరియు పేర్చడం వంటి భౌతిక శాస్త్రం (physics) గురించి అవగాహన ఉండాలి. ఇవే “spatial intelligence” యొక్క ముఖ్య అంశాలు, మరియు వీటిని నిజ ప్రపంచంలో పెద్ద ఎత్తున సేకరించడం కష్టం.
డేటా అడ్డంకి
నిజ ప్రపంచ రోబోట్ డేటాను సేకరించడం నెమ్మదిగా, ఖరీదుగా మరియు కొన్నిసార్లు ప్రమాదకరంగా ఉంటుంది. ఒక చిన్న పొరపాటు కూడా హార్డ్వేర్ను దెబ్బతీయవచ్చు, ఉత్పత్తిని నిలిపివేయవచ్చు లేదా మానవ కార్మికుడికి గాయపడవచ్చు. దీనివల్ల, చాలా రోబోటిక్స్ బృందాలు రోజువారీ వాతావరణాల వైవిధ్యాన్ని కవర్ చేయని చిన్న, మాన్యువల్గా తయారు చేసిన డేటాసెట్లపై ఆధారపడుతున్నాయి.
World Labs, అనుసంధానిత డిజిటల్ ప్రపంచాలను (aligned digital worlds) నిర్మించడం ద్వారా ఈ అడ్డంకిని అధిగమిస్తుంది. వారి SceniX సిస్టమ్ భౌతిక స్థలాన్ని ఒక సిమ్యులేషన్గా మారుస్తుంది, ఇది జ్యామితి (గోడలు మరియు వస్తువుల ఆకారం), రూపం (టెక్స్చర్లు, రంగులు, లైటింగ్) మరియు భౌతిక శాస్త్రాన్ని (వస్తువులను నెట్టినప్పుడు అవి ఎలా కదులుతాయి) కాపాడుతుంది. రోబోట్ ఆ వర్చువల్ కాపీలో ప్రాక్టీస్ చేస్తుంది, ఆ తర్వాత అదే విధానాలు (policies) నిజమైన వాతావరణానికి వర్తింపజేయబడతాయి.
వీడియో మోడల్స్ సరిపోవు
కొంతమంది పరిశోధకులు హై-రిజల్యూషన్ వీడియో జనరేటర్లు భౌతిక సిమ్యులేషన్కు ప్రత్యామ్నాయంగా ఉండవచ్చని వాదిస్తారు. ఆ మోడల్స్ రోబోట్ యొక్క దృక్కోణం నుండి నమ్మదగిన ఫ్రేమ్లను సృష్టించగలవు, కానీ వాటిలో స్థిరమైన భౌతిక శాస్త్రం (consistent physics) ఉండదు. ఒక సిమ్యులేటెడ్ వీడియోలో కప్పును నెట్టిన తర్వాత అది మాయమైపోతే, ఆ ఫుటేజీపై శిక్షణ పొందిన రోబోట్ తప్పు కారణ-ప్రభావ సంబంధాన్ని (cause-and-effect relationship) నేర్చుకుంటుంది. World Labs యొక్క పైప్లైన్ సమయం, స్థలం మరియు పరస్పర చర్యల (interaction) అంతటా స్థిరంగా ఉండే ప్రపంచాలపై దృష్టి పెడుతుంది, తద్వారా రోబోట్ యొక్క “muscle memory” నిజ ప్రపంచ భౌతిక శాస్త్రంతో సరిపోలుతుందని నిర్ధారిస్తుంది.
సెమీ-స్ట్రక్చర్డ్ స్పేస్లను లక్ష్యంగా చేసుకోవడం
ఈ బృందం రేపు లివింగ్ రూమ్లో తిరిగే హ్యూమనాయిడ్ అసిస్టెంట్ల కోసం ప్రయత్నించడం లేదు. బదులుగా, వారు సెమీ-స్ట్రక్చర్డ్ వాతావరణాలపై దృష్టి సారిస్తున్నారు, ఇక్కడ లేఅవుట్ డిజిటల్ ట్విన్ ఖచ్చితంగా ఉండటానికి తగినంత ఊహించదగినదిగా ఉంటుంది, మరియు అదే సమయంలో నిజమైన స్పేషియల్ రీజనింగ్ (spatial reasoning) అవసరమయ్యేలా వైవిధ్యంగా ఉంటుంది. ఉదాహరణలు:
- వస్తువులు షెల్ఫ్లు మరియు ప్యాలెట్లపై నిల్వ చేయబడిన వేర్హౌస్లు
- టేబుళ్లు, కుర్చీలు మరియు కదిలే సిబ్బంది ఉన్న రెస్టారెంట్లు
- కారిడార్లు, గదులు మరియు సర్వీస్ కార్ట్లు ఉన్న హోటళ్లు
- యంత్రాలు, కన్వేయర్లు మరియు సేఫ్టీ బారియర్లు ఉన్న పారిశ్రామిక ప్రాంతాలు
వ్యాపారాలు ఇప్పటికే ఆటోమేషన్ కోసం అడుగుతున్నవి ఇవే. పాడ్కాస్ట్లో పేర్కొన్న ఇటీవలి సర్వే ప్రకారం, అభ్యర్థించబడిన రోబోట్ పనులలో మూడవ వంతు శుభ్రం చేయడం (cleaning) వంటి పనులకు సంబంధించినవి—ఇవి మనుషులు యంత్రాలకు అప్పగించడానికి ఇష్టపడే పునరావృతమైన, అసౌకర్యమైన పనులు.
విజయం ఎలా ఉంటుంది
World Labs యొక్క రోడ్మ్యాప్ రాబోయే రెండేళ్లలో నిర్దిష్ట పరిశ్రమలలో ఈ పైప్లైన్ను నిరూపించడంపై ఆధారపడి ఉంది. ఒక రోబోట్ సిమ్యులేటెడ్ వేర్హౌస్లో ప్యాలెట్ను పదేపదే కదిలించగలిగి, శిక్షణ అవసరం లేకుండానే నిజమైన ఫెసిలిటీలో అదే పనిని చేయగలిగితే, ఆ మోడల్ “నమ్మదగిన సిమ్యులేషన్ నమ్మదగిన రోబోట్లకు దారి తీస్తుంది” అని నిరూపించినట్లు అవుతుంది. ఆ విశ్వసనీయత పెద్ద కాంట్రాక్టులను పొందడానికి మరియు డిజిటల్ ట్విన్ సృష్టిలో ముందుగా చేసే పెట్టుబడిని సమర్థించడానికి సహాయపడుతుంది.
తదుపరి ఏం గమనించాలి
- ఇండస్ట్రీ పైలట్లు (Industry pilots) – వేర్హౌస్లు లేదా హోటళ్లలో మొదటి కొన్ని మోడల్స్ను అమలు చేయడం ద్వారా, ఈ పైప్లైన్ కేవలం పని ప్రదేశంలో మాత్రమే కనిపించే క్లిష్టమైన పరిస్థితులను (edge cases) ఎదుర్కోగలదో లేదో తెలుస్తుంది.
దీని ప్రధాన ఆలోచన సరళమైనది: రోబోట్లు స్టేజ్ మీదకు రాకముందే వాటికి ఒక పరిపూర్ణమైన రిహార్సల్ స్పేస్ను ఇవ్వడం. World Labs ఆ రిహార్సల్ను స్థిరమైన ప్రదర్శనగా మార్చగలిగితే, రోబోటిక్స్లో అత్యంత కష్టమైన సమస్య—యంత్రాలకు భౌతిక ప్రపంచాన్ని అర్థం చేసుకోవడం మరియు అందులో పనిచేయడం నేర్పించడం—చివరకు ఒక ఆచరణాత్మక పరిష్కారాన్ని పొందవచ్చు.