Сбер представил ИИ-модель GreenWAM для управления роботами

Модель формирует команды для робота и прогнозирует, как изменится окружающая сцена после его движений. В испытаниях на человекоподобном роботе Грине успешность выполнения задач достигла 95,6%, сообщили в Сбере.

Также модель объединяет две способности – моделирование происходящего и управление действиями. По данным Сбера, эти навыки усиливают друг друга: чем точнее модель представляет изменения сцены, тем лучше справляется с заданиями в незнакомых условиях.

GreenWAM обучили на данных 20 семейств роботов – от двуруких манипуляторов до антропоморфных машин. Действия всех роботов привели к единому представлению, а в архитектуру добавили отдельный модуль, отвечающий за выбор действий.

Модель прошла три серии испытаний. По заданным движениям робота GreenWAM способна предсказать до минуты видео: в международном тесте WorldArena 1.0 она заняла второе место среди 128 моделей рейтинга по сходству прогноза с реальной записью, точнее конкурентов воспроизведя геометрию сцены.

В управлении GreenWAM опережает большинство мировых аналогов, включая π0.5 от Physical Intelligence. В тесте RoboTwin 2.0 успешность выполнения задач составила 67,5% против 58,4% у π0.5, в знакомых условиях – 87%. В тесте LIBERO-plus, где меняют освещение, положение камер, фон и формулировку команды, модель без дополнительного обучения выполнила 86,8% задач.

По сравнению с NVIDIA Cosmos 3 Edge, обученной на тех же данных, успешность задач на реальном роботе Грине в знакомых условиях выросла с 88,9% до 95,6%, в новых – с 80% до 84%.

Для работы в реальном времени создали ускоренную версию: она в 12,3 раза быстрее исходной, при этом успешность задач снизилась лишь с 95,6% до 91,1%. Это важно, когда робот должен быстро реагировать на изменения обстановки, отметили в Сбере.

Андрей Белевцев, старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка:

Для практического применения роботов искусственный интеллект должен распознавать окружающие объекты, выполнять команды и прогнозировать последствия своих действий. Особенно это важно в меняющихся условиях, когда роботу нужно оценивать новую обстановку и корректировать свои движения. В GreenWAM мы объединили эти возможности в одной модели. Дополнительное обучение на робототехнических данных помогло улучшить и прогнозирование, и качество управления. Результаты испытаний показывают, что такой подход эффективен не только в виртуальной среде, но и при управлении реальным роботом.