பிரெஞ்சு AI நிறுவனமான Mistral AI ஆனது Robostral Navigate உடன் ரோபோடிக்ஸ் துறையில் நுழைந்துள்ளது, இது 8 பில்லியன் அளவுருக்கள் மாதிரியான ஒரு சாதாரண RGB கேமராவைத் தவிர வேறு எதையும் பயன்படுத்தி சிக்கலான சூழல்களில் தன்னியக்கமாக செல்ல ரோபோக்களை செயல்படுத்துகிறது. ஜூலை 8, 2026 அன்று அறிவிக்கப்பட்ட மாடல், AI மற்றும் இயற்பியல் ரோபாட்டிக்ஸ் ஆகியவற்றில் மிஸ்ட்ரலின் முதல் நகர்வைக் குறிக்கிறது.
ரோபோஸ்ட்ரல் நேவிகேட் RGB படங்கள் மற்றும் ஒரு எளிய மொழி அறிவுறுத்தலை எடுத்து அலுவலகம், குடியிருப்பு கட்டிடம் அல்லது வெளிப்புற இடம் போன்ற சூழலில் ரோபோவை நகர்த்துகிறது. அதன் வன்பொருள் மினிமலிசத்தை வேறுபடுத்துவது: போட்டியிடும் மாடல்கள் பொதுவாக டெப்த் சென்சார்கள், லைடார் அல்லது பல கேமராக்களில் வேலை செய்யும் போது, ரோபோஸ்ட்ரல் நேவிகேட் ஒரு நிலையான RGB கேமராவை மட்டுமே பயன்படுத்துகிறது மற்றும் ஆழம் சென்சார்கள் எதுவும் இல்லை. வளர்ந்து வரும் AI மாடல் வெளியீடுகளின் விரிவான கவரேஜுக்கு, வாசகர்கள் எங்கள் முகப்புப் பக்கத்தில் சமீபத்திய AI மேம்பாடுகளைப் பின்பற்றலாம்.
R2R-CE இல் அதிநவீன செயல்திறன்
அதன் ஒற்றை-கேமரா அணுகுமுறை இருந்தபோதிலும், ரோபோஸ்ட்ரல் நேவிகேட் R2R-CE இல் 76.6% வெற்றி விகிதத்தை அடைகிறது (தொடர்ச்சியான சூழல்களில் அறைக்கு அறை) சரிபார்ப்பு, பயிற்சியின் போது நடைபெறும் சூழல்களில் வழிகாட்டுதல்களைப் பின்பற்றுவதற்கான நிலையான சோதனை. இந்த முடிவு சிறந்த முந்தைய ஒற்றை-கேமரா அணுகுமுறையை 9.7 சதவீத புள்ளிகளால் முறியடித்து, டெப்த் சென்சார்கள் அல்லது பல கேமராக்களைப் பயன்படுத்தும் சிறந்த சிஸ்டத்தை 4.5 புள்ளிகள் அதிகமாகப் பயன்படுத்தினாலும், இரண்டையும் பயன்படுத்தவில்லை.
சரிபார்த்தலின் போது, மாடல் 79.4% வெற்றி விகிதத்தை அடைகிறது. மிஸ்ட்ராலின் கூற்றுப்படி, இந்த மாதிரியானது ரோபோ வகைகளில் பொதுமைப்படுத்துகிறது, சக்கரங்கள், கால்கள் மற்றும் பறக்கும் ரோபோக்களில் இயங்குகிறது, மேலும் மீண்டும் பயிற்சி இல்லாமல் ரோபோ அளவுகளுக்கு ஏற்றது.
முழுக்க முழுக்க சிமுலேஷனில் கட்டப்பட்டது
ரோபோஸ்ட்ரல் நேவிகேட்டின் மிகவும் குறிப்பிடத்தக்க அம்சங்களில் ஒன்று, இது முழுக்க முழுக்க உள்நாட்டிலேயே கட்டப்பட்டது மற்றும் உருவகப்படுத்துதலில் பிரத்தியேகமாக பயிற்சி பெற்றது. 6,000 உருவகப்படுத்தப்பட்ட காட்சிகளில் சேகரிக்கப்பட்ட தோராயமாக 400,000 பாதைகளின் தரவுத்தொகுப்பை உருவாக்கிய திறமையான தரவு உருவாக்கக் குழாய்த்திட்டத்தை மிஸ்ட்ரல் உருவாக்கினார். இந்த உருவகப்படுத்துதல்-முதல் அணுகுமுறை, நிஜ-உலக தரவு சேகரிப்பின் செலவு மற்றும் தளவாட சவால்கள் இல்லாமல் விரைவான மறு செய்கையை செயல்படுத்தியது.
இந்த மாதிரியானது மிஸ்ட்ரலின் சொந்த பார்வை-மொழி மாதிரியிலிருந்து தொடங்கப்பட்டது, இது சுட்டி, எண்ணுதல் மற்றும் பொருள் உள்ளூர்மயமாக்கல் போன்ற அடிப்படை பணிகளுக்கு நிபுணத்துவம் பெற்றது. வழிசெலுத்தல் இந்த திறன்களின் இயற்கையான நீட்டிப்பாக வெளிப்படுகிறது: ஒரு படத்தில் விஷயங்கள் எங்குள்ளது என்பதை மாதிரி புரிந்துகொண்டவுடன், அவற்றை எவ்வாறு நோக்கி நகர்த்துவது என்பதைக் கற்றுக்கொள்கிறது. குறிப்பிடத்தக்க வகையில், ரோபோஸ்ட்ரல் நேவிகேட் தற்போதுள்ள திறந்த மூல பார்வை-மொழி மாதிரிகள் எதையும் நம்பவில்லை.
சுட்டி-அடிப்படையிலான ஊடுருவல் மற்றும் வலுவூட்டல் கற்றல்
Robostral Navigate ஒரு பாயிண்டிங் அடிப்படையிலான வழிசெலுத்தல் பொறிமுறையைப் பயன்படுத்துகிறது. ஒரு பணி மற்றும் அவதானிப்புகளின் வரலாற்றைக் கொண்டு, ரோபோவின் தற்போதைய கேமரா பார்வையில் இலக்கு இருப்பிடத்தின் பட ஒருங்கிணைப்புகளை ஊகித்து, வந்தவுடன் விரும்பிய நோக்குநிலையுடன் ரோபோ அடுத்ததாக எங்கு நகர வேண்டும் என்பதை மாதிரி கணித்துள்ளது. இந்த சுட்டி அணுகுமுறையானது, மெட்ரிக் இடப்பெயர்ச்சிகளை நம்பியிருக்கும் கட்டளைகளைப் போலல்லாமல், கேமரா இன்ட்ரின்சிக்ஸ் மற்றும் உலக அளவில் ஏற்படும் மாற்றங்களுக்கு இயல்பாகவே கொள்கையை வலுவாக்குகிறது.
இலக்கு இருப்பிடம் தற்போதைய காட்சிப் புலத்திற்கு வெளியே இருக்கும் போது மற்றும் சுட்டிக்காட்டுதல் பொருந்தாதபோது, மாதிரியானது ரோபோவின் உள்ளூர் ஒருங்கிணைப்பு சட்டத்தில் உள்ள இடப்பெயர்வுகளுக்குத் திரும்பும். மேற்பார்வையிடப்பட்ட பயிற்சிக்குப் பிறகு, Mistral அதன் CISPO அல்காரிதத்தைப் பயன்படுத்தி ஆன்லைன் வலுவூட்டல் கற்றலைப் பயன்படுத்தியது, இது மாதிரி சோதனை மற்றும் பிழையிலிருந்து கற்றுக்கொள்ளவும், தோல்விகளில் இருந்து மீளவும் மற்றும் ஆய்வு நடத்தைகளைப் பெறவும் உதவியது. இந்த வலுவூட்டல் கற்றல் நிலை மட்டுமே வெற்றி விகிதத்தை 3.2 சதவீத புள்ளிகளால் மேம்படுத்தியுள்ளது, மேலும் பீடபூமியின் அறிகுறிகள் இல்லாமல் செயல்திறன் இன்னும் உயர்ந்து வருவதாக மிஸ்ட்ரல் தெரிவிக்கிறது.
முன்னொட்டு-கேச்சிங் மூலம் திறமையான பயிற்சி
ஒரு முக்கிய தொழில்நுட்ப கண்டுபிடிப்பு என்பது முன்னொட்டு-கேச்சிங் அடிப்படையிலான திறமையான பயிற்சி அல்காரிதம் ஆகும். மரம் சார்ந்த கவனத்தை மறைக்கும் உத்தியைப் பயன்படுத்தி, மிஸ்ட்ரலின் முறையானது ஒரு முழு அத்தியாயத்தையும் ஒரே வரிசையாக சுருக்கி, ஒரே முன்னோக்கிப் பயணத்தில் அனைத்து நேர படிகளிலும் பயிற்சியை செயல்படுத்துகிறது, அதே நேரத்தில் நேர படிகளுக்கு இடையே தகவல் கசிவைத் தடுக்கிறது. ஒரு நேர படிக்கு ஒரு மாதிரியுடன் பயிற்சியுடன் ஒப்பிடும்போது, இந்த அணுகுமுறை அனைத்து கற்றல் சமிக்ஞைகளையும் பாதுகாக்கும் போது பயிற்சி டோக்கன்களின் எண்ணிக்கையை 22 மடங்கு குறைக்கிறது. நடைமுறையில், இது பல மாதங்கள் எடுக்கும் பயிற்சி ஓட்டங்களை நாட்களில் முடிக்கும் ஓட்டங்களாக மாற்றுகிறது என்று நிறுவனம் கூறுகிறது.
பயன்பாடுகள் மற்றும் அடுத்து என்ன
Mistral நிலைகள் Robostral Navigate இன்று அதன் வாடிக்கையாளர்களுக்கு மிகவும் தேவைப்படும் திறன்களில் ஒன்றாக உள்ளது. தொழில்நுட்பமானது உற்பத்தி, விநியோகம், தளவாடங்கள் மற்றும் விருந்தோம்பல் ஆகியவற்றில் பயன்பாடுகளைத் திறக்கிறது. மாதிரிக்கு ஒரு அறிவுறுத்தலைக் கொடுங்கள், அது முழுப் பணியையும் தன்னிச்சையாக முடிக்கிறது, பயிற்சியின் போது அது காட்டப்படாத மக்கள் மற்றும் தடைகள் நிறைந்த நேரடி இடங்கள் வழியாக நகர்கிறது.
நிறுவனம் இந்த வெளியீட்டை ஒரு ஒருங்கிணைந்த முகவரை நோக்கிய முதல் படி என்று விவரிக்கிறது. மிஸ்ட்ரல் தனது ரோபாட்டிக்ஸ் குழுவை தீவிரமாக விரிவுபடுத்தி ஆராய்ச்சி விஞ்ஞானிகள் மற்றும் பொறியாளர்களைத் தேடுகிறது. இந்த அறிமுகமானது பாரிஸை தளமாகக் கொண்ட தொடக்கத்திற்கான குறிப்பிடத்தக்க மூலோபாய விரிவாக்கத்தைக் குறிக்கிறது.
ரோபாட்டிக்ஸ் நோக்கிய நகர்வு, பரந்த AI தொழிற்துறை பெருகிய முறையில் பொதிந்த AI இல் முதலீடு செய்வதால், மொழி மாதிரித் திறன்களை இயற்பியல் உலகத் தொடர்புக்கு எவ்வாறு விரிவுபடுத்தலாம் என்பதை நிறுவனங்கள் ஆராய்கின்றன. மிஸ்ட்ரலின் உருவகப்படுத்துதல்-முதல், ஒற்றை-கேமரா அணுகுமுறை தன்னாட்சி வழிசெலுத்தல் அமைப்புகளை பயன்படுத்துவதற்கான தடையை குறைக்கலாம், குறிப்பாக பல-சென்சார் அமைப்புகள் நடைமுறைக்கு மாறான செலவு உணர்திறன் வணிக பயன்பாடுகளில்.
AIக்கு முன்னால் இருங்கள்
Robostral Navigate இப்போது Mistral வாடிக்கையாளர்களுக்குக் கிடைக்கிறது. மேலும் AI செய்திகள் மற்றும் பகுப்பாய்வுகளுக்கு, AI Buzz Wire ஐப் பார்வையிடவும்.
மேலும் AI செய்திகளைப் படிக்கவும் →
