رباتیک
STAR تلاش می‌کند اتصال بازنمایی‌های ربات به تصویر را هنگام استنتاج تقویت کند
پیش‌چاپی در arXiv روشی بدون آموزش مجدد برای هدایت بازنمایی‌های مدل‌های بینایی‌ـ‌زبان‌ـ‌کنش معرفی می‌کند؛ جزئیات چکیدهٔ در دسترس دربارهٔ سازگاری آن با وضعیت ربات ناتمام است.
مدل‌های بینایی‌ـ‌زبان‌ـ‌کنش (VLA) دستورهای زبانی و مشاهدات تصویری را به کنش‌های ربات تبدیل می‌کنند. پژوهشگران در یک آزمایشِ بررسی بازنمایی‌ها می‌گویند لایه‌های نزدیک به خروجی کنش، اطلاعات بصریِ مرتبط با وظیفه را به‌طور کامل حفظ نمی‌کنند؛ شکافی که آن را انگیزهٔ طراحی STAR دانسته‌اند.
STAR سرنام STeering Action Representations است و هنگام استنتاج، میانگین متحرک نماییِ به‌روزرسانی‌های باقی‌مانده در لایه‌های پایانی را به کار می‌گیرد. هدف این است که بازنمایی‌های متأخر کنش، جهت‌های به‌روزرسانیِ آگاه از اشیا را از لایه‌های پیشین به ارث ببرند. بنا بر چکیده، این روش به به‌روزرسانی مدل یا تغییر معماری نیاز ندارد.
چکیده همچنین به استفاده از وضعیت‌های اخیر حسگرهای عمقی و حرکتی ربات برای سازگارکردن روش اشاره می‌کند، اما متن منبع در میانهٔ توضیح این بخش پایان می‌یابد. بنابراین اطلاعات موجود دربارهٔ نحوهٔ سازگارسازی یا نتایج ارزیابی STAR کافی نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده