uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

AIxiv-sarake on sarake, jossa Machine Heart julkaisee akateemista ja teknistä sisältöä. Viime vuosina Heart of the Machine AIxiv -kolumni on saanut yli 2 000 raporttia, jotka kattavat tärkeimpien yliopistojen ja yritysten huippulaboratoriot ympäri maailmaa ja edistävät tehokkaasti akateemista vaihtoa ja levittämistä. Jos sinulla on erinomaista työtä, jonka haluat jakaa, ole hyvä ja osallistu tai ota meihin yhteyttä raportoidaksesi. Lähetyssähköposti: [email protected]; [email protected]

Ruumiillinen älykkyys on ainoa tapa saavuttaa yleinen tekoäly Sen ydin on suorittaa monimutkaisia ​​tehtäviä älykkäiden agenttien vuorovaikutuksessa digitaalisen tilan ja fyysisen maailman kanssa. Viime vuosina multimodaaliset suuret mallit ja robotiikkateknologia ovat edistyneet suuresti, ja ruumiillisesta älykkyydestä on tullut globaalin teknologian ja teollisen kilpailun uusi painopiste. Tällä hetkellä kuitenkin puuttuu katsaus, joka voisi kattavasti analysoida ruumiillistuneen älyn kehityksen nykytilaa. siksi,Pengcheng Laboratoryn Multi-Agent and Embodied Intelligence -instituutti tekee yhteistyötä Sun Yat-senin yliopiston HCP-laboratorion tutkijoiden kanssa, kattava analyysi ruumiillistuneen älyn viimeisimmästä kehityksestä,Julkaisi maailman ensimmäisen katsauksen ruumiillisesta älykkyydestä multimodaalisten suurten mallien aikakaudella.

Tässä katsauksessa tutkittiin lähes 400 asiakirjaa ja tehtiin kattava analyysi ruumiillistuneen älyn tutkimuksesta useista ulottuvuuksista.Tämä arvostelu esittelee ensin muutaman edustajanEmbodied Robots ja Embodied Simulation Platforms , tarjoaa syvällisen analyysin tutkimuksen painopisteistä ja rajoituksista. Sitten analysoidaan perusteellisesti neljä pääasiallista tutkimussisältöä: 1)ruumiillistuva havainto，2)ruumiillistuva vuorovaikutus，3)ruumiillistuneesta älykkyydestäja 4)Siirtyminen virtuaalisesta todellisuuteen , nämä tutkimussisällöt kattavat uusimmat menetelmät, perusparadigmat ja kattavat tietojoukot. Lisäksi katsauksessa tarkastellaan ruumiillistuneiden agenttien haasteita digitaalisissa tiloissa ja fyysisissä maailmoissa ja korostetaan niiden merkitystä aktiivisessa vuorovaikutuksessa dynaamisissa digitaalisissa ja fyysisissä ympäristöissä. Lopuksi katsauksessa tehdään yhteenveto ruumiillistuneen älyn haasteista ja rajoituksista sekä pohditaan sen mahdollisia tulevaisuuden suuntauksia. Tämän katsauksen tarkoituksena on tarjota perusviittaus ruumiillistuneen älykkyyden tutkimukselle ja edistää siihen liittyvää teknologista innovaatiota. Lisäksi tämä arvostelu on myös julkaissut Githubissa ilmeisen tiedustelupaperiluettelon. Aiheeseen liittyviä papereita ja koodivarastoja päivitetään jatkuvasti, joten kiinnitä huomiota.

Paperiosoite: https://arxiv.org/pdf/2407.06886

Embodied Intelligence Paper List: https://github.com/HCPLab-SYSU/Embodied_AI_Paper_List

1. Ruumiillistuneen älyn mennyt ja nykyinen elämä

Alan Turing ehdotti ensimmäisenä ruumiillistuneen älykkyyden käsitteen vuonna 1950 perustetussa Embodied Turing -testissä määrittämään, pystyykö agentti osoittamaan älykkyyttä (älyä), joka ei rajoitu abstraktien ongelmien ratkaisemiseen virtuaalisessa ympäristössä (digitaalinen tila). Keho on ruumiillistuneen älykkyyden perusta, joka on olemassa sekä digitaalisessa tilassa että fyysisessä maailmassa, ja se on ruumiillistunut erilaisten entiteettien muodossa, mukaan lukien robottien lisäksi myös muut laitteet, ja jotka kykenevät selviytymään fyysisen maailman monimutkaisuudesta ja käsittämättömyydestä. Siksi ruumiillistuneen älyn kehittämistä pidetään perustavana saavuttaa yleinen tekoäly. On erityisen tärkeää syventyä ruumiillistuneen älykkyyden monimutkaisuuteen, arvioida sen nykyistä kehitystä ja pohtia sen tulevaa kehityskulkua.Nykyään ruumiillinen älykkyys kattaa monia keskeisiä teknologioita, kuten tietokonenäön, luonnollisen kielen käsittelyn ja robotiikan, joista edustavin onRuumiillinen havainto, ruumiillinen vuorovaikutus, ruumiillinen älykkyys ja siirto virtuaalisesta todellisuuteen . Kehittyneissä tehtävissä ruumiillistuneiden agenttien on ymmärrettävä täysin ihmisen aikomukset kieliohjeissa, proaktiivisesti tutkittava ympäröivää ympäristöä, havaittava kattavasti multimodaalisia elementtejä virtuaalisista ja fyysisistä ympäristöistä ja suoritettava asianmukaiset toiminnot monimutkaisten tehtävien suorittamiseksi. Multimodaalisten mallien nopea kehitys osoittaa suurempaa monimuotoisuutta, joustavuutta ja yleistyskykyä kuin perinteiset syvävahvistusmenetelmät monimutkaisissa ympäristöissä. Huippuluokan visuaalisilla koodereilla esiopetetut visuaaliset esitykset tarjoavat tarkkoja arvioita kohdeluokista, asennoista ja geometrioista, mikä mahdollistaa sisäisten mallien havaitsemisen monimutkaisissa ja dynaamisissa ympäristöissä. Tehokkaat suuret kielimallit antavat roboteille mahdollisuuden ymmärtää paremmin ihmisten kielen ohjeita ja tarjoavat toteuttamiskelpoisen tavan kohdistaa visuaaliset ja kielelliset esitykset ruumiillistuneille roboteille. Maailmanmallit osoittavat merkittäviä simulointiominaisuuksia ja hyvää fysiikan lakien ymmärtämistä, mikä mahdollistaa ruumiillistuneiden mallien täydellisen ymmärtämisen fysiikasta ja todellisista ympäristöistä. Nämä edistysaskeleet antavat ruumiillistuneen älyn hahmottaa kokonaisvaltaisesti monimutkaisia ​​ympäristöjä, olla vuorovaikutuksessa luonnollisesti ihmisten kanssa ja suorittaa tehtäviä luotettavasti. Alla oleva kuva esittää tyypillisen ilmentymäagentin arkkitehtuurin.

Embodied Intelligence Framework

Tässä katsauksessa annamme kattavan yleiskatsauksen ruumiillistuneen älykkyyden nykyisestä edistymisestä, mukaan lukien: (1)ruumiillistuva robotti-- Laitteistoratkaisut ruumiillistuneelle älylle fyysisessä maailmassa (2)Embodied Simulation Platform——Digitaalinen tila ruumiillistuneiden agenttien kouluttamiseen tehokkaasti ja turvallisesti (3)ruumiillistuva havainto-- Havaitsee aktiivisesti 3D-avaruutta ja integroi useita aistimodaliteetteja (4)ruumiillistuva vuorovaikutus——Vuorovaikutus ympäristön kanssa tehokkaasti ja järkevästi ja jopa muuttaa ympäristöä määrättyjen tehtävien suorittamiseksi (5)ruumiillistuneesta älykkyydestä——Käytä multimodaalisia suuria malleja abstraktien ohjeiden ymmärtämiseen ja jakaa ne osatehtäviin ja suorita ne sitten vaihe vaiheelta (6)Siirtyminen virtuaalisesta todellisuuteen ——Siirrä ja yleistä digitaalisessa tilassa opittuja taitoja fyysiseen maailmaan. Alla oleva kuva esittää ruumiillistuneen älyn järjestelmäkehystä digitaalisesta avaruudesta fyysiseen maailmaan. Tämän katsauksen tavoitteena on tarjota kattava taustatieto, tutkimustrendit ja tekninen näkemys ruumiillisesta älykkyydestä.

Tämän katsauksen yleinen rakenne

2. Kehittyneet robotit

Kehollinen älykkyys on aktiivisesti vuorovaikutuksessa fyysisen ympäristön kanssa ja kattaa laajan valikoiman ruumiillistuneita muotoja, mukaan lukien robotit, älykkäät kodinkoneet, älylasit ja autonomiset ajoneuvot. Niistä robotit yhtenä näkyvimmistä ruumiillisista muodoista ovat herättäneet paljon huomiota. Eri sovellusskenaarioiden mukaan robotit on suunniteltu eri muodoissa hyödyntämään laitteistonsa ominaisuuksia täysimääräisesti tiettyjen tehtävien suorittamiseen. Kuten alla olevasta kuvasta näkyy, rakenteelliset robotit voidaan yleensä jakaa: (1) kiinteäpohjaisiin robotteihin, kuten robottikäsivarsiin, joita käytetään usein laboratorioautomaation synteesissä, koulutuksessa, teollisuudessa ja muilla aloilla (2) pyörärobotit; ovat erittäin tehokkaita. Kuuluisa liikkuvuudestaan, sitä käytetään laajasti logistiikassa, varastoinnissa ja turvatarkastuksissa (3) Telakkarobotit, joilla on vahvat maasto-ominaisuudet ja liikkuvuus, ovat osoittaneet potentiaalia maataloudessa, rakentamisessa ja katastrofitilanteissa. Nelijalkaiset Vakaudestaan ​​ja sopeutumiskyvystään tunnettu robotti on ihanteellinen havaitsemiseen monimutkaisessa maastossa, pelastustehtävissä ja sotilassovelluksissa. (5) Humanoidirobotteja, joiden taitavat kädet ovat avaimena, käytetään laajasti palveluteollisuudessa, terveydenhuollossa ja yhteistyöympäristöissä. (6) Bionic robotit suorittavat tehtäviä monimutkaisissa ja dynaamisissa ympäristöissä simuloimalla luonnollisten organismien tehokkaita liikkeitä ja toimintoja.

Erilaisia ​​ruumiillistuneiden robottien muotoja

3. Sisältynyt älykäs simulointialusta

Ruumiillistuneen älykkyyden simulointialustat ovat kriittisiä ruumiillistuneelle älylle, koska ne tarjoavat kustannustehokkaita kokeilukeinoja, kyvyn varmistaa turvallisuus simuloimalla mahdollisesti vaarallisia skenaarioita, skaalautuvuuden testaamiseen erilaisissa ympäristöissä ja kyvyn luoda nopeasti prototyyppejä suunnitteluominaisuuksia, jotka helpottavat laajempaa tutkimusyhteisö, tarjota valvottu ympäristö tarkalle tutkimukselle, tuottaa dataa koulutusta ja arviointia varten ja tarjota standardoitu vertailukohta algoritmien vertailulle. Jotta agentti voisi olla vuorovaikutuksessa ympäristön kanssa, on rakennettava realistinen simuloitu ympäristö. Tämä edellyttää ympäristön fyysisten ominaisuuksien, esineiden ominaisuuksien ja niiden vuorovaikutusten huomioon ottamista. Kuten alla olevasta kuvasta näkyy, tässä katsauksessa analysoidaan kahta simulaatioalustaa: yleinen alusta, joka perustuu taustalla olevaan simulaatioon, ja simulaatioalusta, joka perustuu todellisiin skenaarioihin.

Universaali simulointialusta

Simulaatioalusta perustuu todellisiin skenaarioihin

4. Ruumiillinen havainto

Tulevaisuuden visuaalisen havainnon ”pohjoinen tähti” on ruumiillistumakeskeinen visuaalinen päättely ja sosiaalinen älykkyys. Kuten alla olevasta kuvasta näkyy, ruumiillistuneen havainnon omaavien agenttien tulee liikkua fyysisessä maailmassa ja olla vuorovaikutuksessa ympäristön kanssa sen sijaan, että ne tunnistaisivat vain kohteet kuvista, mikä edellyttää kolmiulotteisen tilan ja dynaamisten ympäristöjen perusteellisempaa ymmärtämistä. Ruumiillinen havainto edellyttää visuaalista havaintoa ja päättelykykyä, kolmiulotteisten suhteiden ymmärtämistä kohtauksessa sekä monimutkaisten tehtävien ennustamista ja suorittamista visuaalisen tiedon perusteella. Tämä katsaus esittelee aktiivisen visuaalisen havainnon, 3D-visuaalisen lokalisoinnin, visuaalisen kielen navigoinnin, ei-visuaalisen havainnon (tuntoanturit) jne.

Aktiivinen visuaalinen havaintokehys

5. Ruumiillinen vuorovaikutus

Ruumiillinen vuorovaikutus viittaa skenaarioihin, joissa agentti on vuorovaikutuksessa ihmisten ja ympäristön kanssa fyysisessä tai simuloidussa tilassa. Tyypillisiä ruumiillistuneita vuorovaikutustehtäviä ovat ruumiillistuva kysymys vastaaminen ja ruumiillinen tarttuminen. Kuten alla olevasta kuvasta näkyy, ruumiillistuneessa kysymys ja vastaus -tehtävässä agentin on tutkittava ympäristöä ensimmäisen persoonan näkökulmasta kerätäkseen kysymykseen vastaamiseen tarvittavat tiedot. Agentin, jolla on itsenäiset etsintä- ja päätöksentekokyvyt, ei tarvitse vain harkita, mitä toimia ympäristön tutkimiseksi tehdä, vaan myös päättää, milloin hän lopettaa tutkimisen vastatakseen kysymyksiin, kuten alla olevassa kuvassa näkyy.

Embodied Q&A Framework

Ihmisten kanssa tehtävän kysymys-vastaus-vuorovaikutuksen lisäksi ruumiillistuneeseen vuorovaikutukseen kuuluu myös ihmisen ohjeisiin perustuvien toimintojen suorittaminen, kuten esineiden tarttuminen ja sijoittaminen, jolloin saadaan valmiiksi vuorovaikutus tekijöiden, ihmisten ja esineiden välillä. Kuten näkyy, ruumiillistuminen vaatii kattavaa semanttista ymmärrystä, kohtaustietoisuutta, päätöksentekoa ja vankkaa ohjaussuunnittelua. Sisällöity tartuntamenetelmä yhdistää perinteisen robotin kinemaattisen tarttumisen suuriin malleihin (kuten suuret kielimallit ja visuaalisen kielen perusmallit), jolloin agentit voivat suorittaa tartuntatehtäviä moniaistiisessa havainnoinnissa, mukaan lukien visuaalinen aktiivinen havainto, kielen ymmärtäminen ja päättely.

Kieliohjattu interaktiivinen indeksointikehys

6. Ruumiillinen älykkyys

Agentti määritellään itsenäiseksi kokonaisuudeksi, joka pystyy aistimaan ympäristön ja ryhtymään toimiin tiettyjen tavoitteiden saavuttamiseksi. Viimeaikaiset edistysaskeleet multimodaalisissa suurissa malleissa ovat entisestään laajentaneet agenttien käyttöä tosielämän skenaarioissa. Kun nämä multimodaaliset suuret mallipohjaiset agentit ruumiillistuvat fyysisiksi kokonaisuuksiksi, ne pystyvät tehokkaasti siirtämään kykyjään virtuaalitilasta fyysiseen maailmaan, jolloin niistä tulee ruumiillistuneita agentteja. Jotta ruumiillistuneet agentit voisivat toimia informaatiorikkaassa ja monimutkaisessa todellisessa maailmassa, niille on kehitetty tehokkaat multimodaaliset havainto-, vuorovaikutus- ja suunnitteluominaisuudet. Kuten alla olevasta kuvasta näkyy, tehtävän suorittamiseksi sisäinen agentti sisältää yleensä seuraavat prosessit:

(1) Jaa abstraktit ja monimutkaiset tehtävät erityisiksi osatehtäviksi eli korkean tason tehtävien suunnitteluun.

(2) Toteuta nämä osatehtävät asteittain hyödyntämällä tehokkaasti ruumiillistuneen havainnon ja ruumiillistuneen vuorovaikutuksen malleja tai hyödyntämällä perusmallin strategisia toimintoja, jota kutsutaan matalan tason ruumiillistuneeksi toimintasuunnitteluksi.

On syytä huomata, että tehtävän suunnitteluun kuuluu ajattelua ennen toimimista ja siksi sitä harkitaan usein digitaalisessa tilassa. Sitä vastoin toiminnan suunnittelussa on otettava huomioon tehokas vuorovaikutus ympäristön kanssa ja syötettävä tämä tieto takaisin tehtäväsuunnittelijalle tehtävän suunnittelua varten. Siksi on ratkaisevan tärkeää, että ruumiillistuneet agentit linjaavat ja yleistävät kykynsä digitaalisesta avaruudesta fyysiseen maailmaan.

Ruumiillinen agenttikehys, joka perustuu multimodaalisiin suuriin malleihin

7. Siirtyminen virtuaalisesta todellisuuteen

Sim-to-Real-sopeutuminen ruumiillisessa älykkyydessä viittaa prosessiin, jossa simuloidussa ympäristössä (digitaalissa avaruudessa) opittuja kykyjä tai käyttäytymismalleja siirretään todelliseen maailmaan (fyysiseen maailmaan). Prosessi sisältää simuloinnilla kehitettyjen algoritmien, mallien ja ohjausstrategioiden validoinnin ja tehokkuuden parantamisen sen varmistamiseksi, että ne toimivat vakaasti ja luotettavasti fyysisessä ympäristössä. Simulaatiosta todellisuuteen sopeutumisen saavuttamiseksi ruumiillistetut maailmanmallit, tiedonkeruu- ja koulutusmenetelmät sekä sisäistetut ohjausalgoritmit ovat kolme avainelementtiä Alla olevassa kuvassa on viisi erilaista Sim-to-Real-paradigmaa.

Viisi virtuaalista todellisuuteen siirtymisvaihtoehtoa

8. Haasteet ja tulevaisuuden kehityssuunnat

Vaikka ruumiillistuva äly kehittyy nopeasti, se kohtaa useita haasteita ja tarjoaa jännittäviä tulevaisuudensuuntia:

（1）Laadukas robottitietosarja . Riittävän todellisen robottidatan saaminen on edelleen merkittävä haaste. Näiden tietojen kerääminen on aikaa vievää ja resursseja. Pelkästään simuloituun dataan luottaminen pahentaa simulaation ja todellisuuden välistä eroa. Monipuolisten reaalimaailman robotiikkatietosarjojen luominen edellyttää tiivistä ja laajaa yhteistyötä eri instituutioiden välillä. Lisäksi realistisempien ja tehokkaampien simulaattoreiden kehittäminen on ratkaisevan tärkeää simulaatiodatan laadun parantamiseksi. Jotta voidaan rakentaa universaali ilmentymämalli, jolla voidaan saavuttaa skenaarioiden ja tehtävien välisiä sovelluksia robotiikan alalla, on välttämätöntä rakentaa laajamittaisia ​​tietojoukkoja ja käyttää korkealaatuista simuloitua ympäristödataa auttamaan todellista dataa.

（2）Ihmisten demonstraatiotietojen tehokas käyttö . Ihmisten esittelytietojen tehokas hyödyntäminen edellyttää ihmisten osoittamien toimien ja käyttäytymisen hyödyntämistä robottijärjestelmien kouluttamisessa ja parantamisessa. Tässä prosessissa kerätään, käsitellään ja opitaan laajamittaisista, laadukkaista tietokokonaisuuksista, jolloin ihmiset suorittavat tehtäviä, jotka robotin on opittava. Siksi on tärkeää hyödyntää tehokkaasti suuria määriä jäsentämätöntä, monimerkkistä ja multimodaalista ihmisen demonstraatiodataa yhdistettynä toimintamerkkitietoihin sellaisten ruumiillistuneiden mallien kouluttamiseksi, jotka voivat oppia erilaisia ​​tehtäviä suhteellisen lyhyessä ajassa. Hyödyntämällä tehokkaasti ihmisen esittelydataa, robottijärjestelmät voivat saavuttaa korkeamman suorituskyvyn ja mukautumiskyvyn, jolloin ne pystyvät paremmin suorittamaan monimutkaisia ​​tehtäviä dynaamisissa ympäristöissä.

（3）Monimutkainen ympäristökognitio . Monimutkainen ympäristökognitio viittaa ruumiillistuneiden agenttien kykyyn havaita, ymmärtää ja navigoida monimutkaisissa reaalimaailman ympäristöissä fyysisessä tai virtuaalisessa ympäristössä. Strukturoimattomissa avoimissa ympäristöissä nykyinen työ perustuu yleensä esikoulutetun LLM:n tehtävänhajotusmekanismiin, jossa käytetään laajaa maalaisjärkeä tietämystä yksinkertaiseen tehtäväsuunnitteluun, mutta siitä puuttuu erityinen kohtauksen ymmärtäminen. Tiedon siirron ja yleistämisen tehostaminen monimutkaisissa ympäristöissä on kriittistä. Todella monipuolisen robottijärjestelmän pitäisi pystyä ymmärtämään ja toteuttamaan luonnollisen kielen ohjeita useissa erilaisissa ja näkymättömissä skenaarioissa. Tämä edellyttää mukautuvien ja skaalautuvien sisäisten agenttiarkkitehtuurien kehittämistä.

（4）Pitkän kantaman tehtävien suorittaminen . Yhden komennon suorittaminen edellyttää yleensä, että robotti suorittaa pitkän kantaman tehtävän, kuten komennon, kuten "siivoa keittiö", joka sisältää tavaroiden uudelleenjärjestelyn, lattian lakaisun, pöytien pyyhkimisen ja muita toimintoja. Näiden tehtävien onnistunut suorittaminen edellyttää, että robotti pystyy suunnittelemaan ja toteuttamaan sarjan matalan tason toimia pitkän ajan kuluessa. Vaikka nykyiset korkean tason tehtäväsuunnittelijat ovat osoittaneet alkuvaiheen menestystä, he epäonnistuvat usein erilaisissa skenaarioissa, koska ne eivät ole mukautuneet sisäisiin tehtäviin. Tähän haasteeseen vastaaminen edellyttää tehokkaiden suunnittelijoiden kehittämistä, joilla on vahva havaintokyky ja laaja järkeä tunteva tieto.

（5）Syy-havainto . Olemassa olevat datapohjaiset ruumiillistuneet agentit tekevät päätöksiä tietojen korrelaatioiden perusteella. Tämä mallinnusmenetelmä ei kuitenkaan voi mahdollistaa mallin aidosti ymmärtävän tiedon, käyttäytymisen ja ympäristön välistä syy-suhdetta, mikä johtaa puolueellisiin strategioihin. Tämä tekee niistä vaikeaa toimia tulkittavalla, kestävällä ja luotettavalla tavalla todellisissa ympäristöissä. Siksi ruumiillistuneen älyn on ohjattava maailman tietämystä, ja sillä on oltava itsenäiset kausaaliset päättelykyvyt.

（6）Jatkuva oppiminen . Robotiikan sovelluksissa jatkuva oppiminen on ratkaisevan tärkeää robottioppimisstrategioiden käyttöönotossa erilaisissa ympäristöissä, mutta tämä alue on edelleen alitutkittua. Vaikka joissakin viimeaikaisissa tutkimuksissa on tutkittu jatkuvan oppimisen ala-aiheita, kuten inkrementaalinen oppiminen, nopean liikkeen mukauttaminen ja ihmisen ja tietokoneen välisen vuorovaikutuksen oppiminen, nämä ratkaisut on yleensä suunniteltu yhdelle tehtävälle tai alustalle, eikä niissä ole vielä otettu huomioon taustalla olevaa mallia. Avoimia tutkimuskysymyksiä ja mahdollisia lähestymistapoja ovat: 1) aiempien datajakaumien eri suhteiden yhdistäminen uusimpien tietojen hienosäädössä katastrofaalisen unohtamisen vähentämiseksi, 2) tehokkaiden prototyyppien kehittäminen aikaisemmista jakeluista tai kursseista uusiin tehtäviin päätellä oppimista, 3) parantaa koulutuksen vakaus ja online-oppimisalgoritmien näytetehokkuus, 4) tunnistaa periaatteelliset menetelmät suurikapasiteettisten mallien integroimiseksi saumattomasti ohjauskehyksiin, mahdollisesti hierarkkisen oppimisen tai hitaan nopean ohjauksen avulla reaaliaikaisen päättelyn saavuttamiseksi.

（7）Yhtenäinen arvioinnin benchmark . Vaikka matalan tason ohjausstrategioiden arvioinnissa on monia vertailukohtia, niiden arviointitaidot eroavat usein merkittävästi. Lisäksi näihin vertailuarvoihin sisältyvät esineet ja kohtaukset ovat usein simulaattorirajoitettuja. Ruumiillisten mallien täydelliseen arvioimiseen tarvitaan vertailuarvoja, jotka kattavat useita taitoja realistisia simulaattoreita käyttäen. Korkean tason tehtäväsuunnittelun kannalta monet benchmarkit arvioivat suunnittelukykyjä kysymys-vastaustehtävien kautta. Ihanteellisempi lähestymistapa olisi kuitenkin arvioida kattavasti korkean tason tehtäväsuunnittelijoiden ja matalan tason ohjausstrategioiden suorituskykyä, erityisesti pitkäaikaisten tehtävien suorittamisessa ja onnistumisasteiden mittaamisessa, sen sijaan, että luottaisi pelkästään suunnittelijoiden arviointiin. Tämä kokonaisvaltainen lähestymistapa mahdollistaa sisäisten älykkäiden järjestelmien kykyjen kattavamman arvioinnin.

Lyhyesti sanottuna ruumiillistuneen älyn avulla älykkäät agentit voivat havaita, tunnistaa ja olla vuorovaikutuksessa digitaalisen tilan ja fyysisen maailman eri kohteiden kanssa, mikä osoittaa sen tärkeyden yleisen tekoälyn toteuttamisessa. Tämä katsaus tarjoaa kattavan katsauksen ruumiillistuneista roboteista, ruumiillistuneista simulaatioalustoista, ruumiillistuneesta havainnosta, ruumiillistuneesta vuorovaikutuksesta, ruumiillistuneista agenteista, virtuaalitodellisuudesta robottien ohjauksesta ja tulevista tutkimussuunnista, jotka ovat arvokkaita ruumiillistuneen älykkyyden kehittämisen edistämisessä.

Tietoja Pengcheng Laboratory Institute of Multi-Agent and Embodied Intelligence -instituutista

Institute of Multi-Agent and Embodied Intelligence, joka on osa Pengcheng Laboratorya, kokoaa yhteen kymmeniä älykkään tieteen ja robotiikan alan huippututkijoita. Se luottaa riippumattomaan ja hallittavaan tekoälyinfrastruktuuriin, kuten Pengcheng Cloud Brain ja China Computing Network. sitoutunut rakentamaan universaaleja perusalustoja, kuten monen agentin yhteistyö- ja simulointikoulutusalustoja ja pilvipohjaisia ​​yhteistoiminnallisia, multimodaalisia suuria malleja, jotka mahdollistavat suuria sovellustarpeita, kuten teollista Internetiä, sosiaalista hallintoa ja palveluita.