प्राइमसिम एक सामान्यवादी विश्व मॉडल सिम्युलेटर है जो बड़े पैमाने पर क्रॉस-इम्बेडमेंट प्रदर्शनों से बनाया गया है
प्राइमसिम एक मल्टीव्यू robot विश्व मॉडल है जिसे 22 प्लेटफार्मों पर 30,110 घंटे में प्रशिक्षित किया गया। यह तेजी से चलता है, ईडब्ल्यूएमबेंच का नेतृत्व करता है और नीति प्रशिक्षण का समर्थन करता है।
मुख्य जानकारी
- प्राइमसिम एक एक्शन-कंडीशंड, मल्टीव्यू वर्ल्ड मॉडल और robot सिम्युलेटर है जिसे 22 प्लेटफार्मों में 30,110 घंटे पर प्रशिक्षित किया गया है, जो 10 से अधिक भविष्य के कैमरा दृश्य उत्पन्न करता है।
- यह एक पूर्व प्रशिक्षित वीडियो जनरेटर से बनाया गया है, फिर मध्य-प्रशिक्षित और पोस्टट्रेन किया जाता है।
- प्राइमसिम ईडब्ल्यूएमबेंच पर कुल मिलाकर पहले स्थान पर है और पांच वर्ल्डसिम्प्रोब सूट में से चार का नेतृत्व करता है, जिसमें सुसंगत रोलआउट और 100 200 200 ग्रेडिएंट चरणों में आयोजित प्लेटफार्मों के लिए तेजी से अनुकूलन होता है।
- reinforcement learning प्रयोगों में, प्राइमसिम के भीतर जीआरपीओ पोस्ट-ट्रेनिंग लिबेरो सफलता को 61.7% से बढ़ाकर 73.2% कर देता है और इसकी सफलता की भविष्यवाणियां भौतिकी सिमुलेटर के करीब robot नीतियों को रैंक कर सकती हैं।
- भार और कोड 6 नवंबर को जारी करने के लिए निर्धारित हैं, जबकि बंद-लूप hardware की तैनाती भविष्य का काम है और सभी रिपोर्ट किए गए परिणाम सिमुलेशन आधारित हैं।
मेटा विवरण: प्राइमसिम एक एक्शन-कंडीशनेबल, मल्टीव्यू वर्ल्ड मॉडल और robot सिम्युलेटर है जो 22 प्लेटफार्मों में 30,110 घंटे पर प्रशिक्षित किया गया है, जिसमें 10 से अधिक FPS अनुमान हैं।

टैगः प्राइमसिम, विश्व मॉडल, robot सिम्युलेटर, reinforcement learning, EWMBench
विशेष रुप से प्रदर्शित छवि: सिमुलेशन ग्रिड से जुड़े तीन कैमरा दृश्यों का अमूर्त अनुकूल चित्रण, कोई वास्तविक लोग नहीं हैं, कोई लोगो नहीं है, कोई पाठ नहीं है
प्राइमसिम शोधकर्ताओं को एक मल्टीव्यू सिम्युलेटर देता है
रोबोटिक्स शोधकर्ताओं और reinforcement learning डेवलपर्स के लिए, प्राइमसिम robot सिम्युलेटर सिमुलेशन में भविष्य की दृश्य पूर्वानुमान और नीति प्रशिक्षण का अध्ययन करने का एक तरीका प्रदान करता है। प्राइमसीम एक एक्शन-कंडीशनिंग, मल्टीव्यू वर्ल्ड मॉडल हैः यह क्रियाओं और वर्तमान अवलोकनों को लेता है, फिर कई कैमरा विचारों से संभावित भावी फ्रेम उत्पन्न करता है. स्रोत बताता है कि सभी प्रयोग AgiBot G2, लिबेरो, रोबोट्विन पर सिमुलेट में चलाए गए थे, और कोई भौतिक robot का उपयोग नहीं किया गया था।
मॉडल को कैसे प्रशिक्षित किया गया था
प्राइमसिम एक पूर्व-प्रशिक्षित वीडियो जनरेटर से शुरू होता है। परियोजना इसे 22 प्लेटफार्मों में 30,110 घंटे पर मिडट्रेन करती है। उसके बाद, यह कारण के कुछ चरण जनरेٹر में पोस्टट्रेंड किया जाता है, जिसका अर्थ है कि यह भविष्य के फ्रेम को कदम दर कदम उत्पन्न करता है और जो पहले ही उत्पन्न हो चुका है उससे पीढ़ी जारी रख सकता है।
पोस्टट्रेनिंग चरण दो विचारों को जोड़ता है। पहला, स्व-रोलआउट प्रशिक्षण मॉडल को केवल वास्तविक फ्रेमों के बजाय अपने स्वयं के उत्पन्न इतिहास से सीखने की अनुमति देता है। दूसरा, एक चयनित KV-कैश मेमोरी chunks में संदर्भ ले जाती है। सादे शब्दों में, मॉडल पहले उत्पन्न खंडों से उपयोगी ध्यान जानकारी रखता है, इसलिए बाद के खंड जो पहले आए थे उसके साथ संगत रह सकते हैं।
गति और बेंचमार्क परिणाम
सिम्युलेटर सभी तीन कैमरा दृश्यों के साथ 10 FPS से अधिक पर निष्कर्षण चलाता है। यह गति मूल्यांकन लूप के लिए मायने रखती है, क्योंकि मॉडल एक मल्टीव्यू सेटिंग को संरक्षित करते हुए तेजी से अवलोकन उत्पन्न कर सकता है।
बेंचमार्क परिणामों में, प्राइमसिम ईडब्ल्यूएमबेन्च पर समग्र रूप से पहले स्कोर करता है। यह अत्याधुनिक आधार रेखाओं के खिलाफ पांच वर्ल्डसिम्प्रोब सूट में से चार का नेतृत्व भी करता है । स्रोत का कहना है कि रोलआउट लंबे क्षितिज पर सुसंगत रहते हैं, जो सिमुलेटर के रूप में उपयोग किए जाने वाले वीडियो विश्व मॉडल के लिए कठिन समस्याओं में से एक है। मॉडल 100-200 ग्रेडिएंट चरणों के भीतर आयोजित प्लेटफार्मों को भी स्थानांतरित कर सकता है, जिससे पता चलता है कि यह नए प्लेटफॉर्म के अनुकूल हो सकता है।
प्राइमसिम के अंदर reinforcement learning
टीम प्राइमसिम का उपयोग न केवल एक वीडियो सिम्युलेटर के रूप में करती है, बल्कि reinforcement learning के लिए भी वातावरण बनाती है। प्राइमसीम के भीतर जीआरपीओ पोस्ट-प्रशिक्षण के बाद, लिबेरो पर सफलता 61.7% से बढ़कर 73.2% हो जाती है। मॉडल की सफलता भविष्यवाणियां नीति को रैंक करने के लिए भौतिकी सिमुलेटर को काफी बारीकी से ट्रैक करती हैं। यह सबसे प्रत्यक्ष संकेत है कि सिमुलेशन robot नीतियों की तुलना के लिए उपयोगी हो सकता है, हालांकि स्रोत अभी भी इसे अनुकरण साक्ष्य तक सीमित करता है।
रिलीज़ समय और खुले प्रश्न
वजन और कोड 6 नवंबर को जारी किया जाएगा। परियोजना पृष्ठ https://primebottech.github.io/PrimeSim-website/ है।
अगला मील का पत्थर बंद लूप hardware की तैनाती है, जिसे स्रोत भविष्य के काम के रूप में सूचीबद्ध करता है। पाठकों के लिए, वर्तमान मूल्य एक प्रशिक्षित मल्टीव्यू वर्ल्ड मॉडल है जिसमें रिपोर्ट किए गए बेंचमार्क जीत, एक तेज अनुमान प्रोफ़ाइल और सिमुलेशन में reinforcement learning साक्ष्य हैं, न कि भौतिक robot परिनियोजन परिणाम।
Comments (0)