最近、米国のロボット工学の分野にある革新的な企業である図AIは、主要なブレークスルーをリリースしました。ヘリックスと呼ばれる汎用視覚言語アクション（VLA）モデルです。このモデルは、ヒューマノイドロボットの完全な上半身の高速連続制御を初めて実現し、知覚、言語理解、および学習制御を完全に統合します。
ヘリックスモデルの出現は、ヒューマノイドロボットの運用上の柔軟性における重要な前進を示しています。単純な自然言語コマンドを使用すると、ロボットは、以前のデモやカスタムプログラミングなしで、トレーニング中に触れたことがないものでさえ、ほぼすべての小さな家庭用オブジェクトを簡単に把握できます。この機能は、ヘリックスモデルの強力な一般化能力によるものです。
図AIは、ヘリックスモデルが多くの業界初のものを作成したことを強調しました。手首、胴体、頭、各指の柔軟な制御を含む、ヒューマノイドロボットの上半身全体の高速連続制御が初めて可能になります。テストでは、ロボットは、ガラス製品やおもちゃから道具や衣服まで、混乱して混乱して散らかった数千の新しいアイテムを、事前のデモやプログラミングなしに成功裏に処理しました。
さらに驚くべきことは、Helixモデルにマルチロボットコラボレーション機能も備えていることです。テストでは、2つのロボットが長期的な複雑なタスクで協力して、馴染みのない食料品を一緒に整理するなど、これまでにないアイテムで一緒に連携することができました。この機能は、家庭環境でのロボットの実際のアプリケーションの可能性を高めます。
ヘリックスモデルは、優れたシーンの理解とセマンティックな解析機能も示しています。 「砂漠のオブジェクトを拾う」ように促されると、ロボットはおもちゃのサボテンがこの抽象的な概念に適合していることを認識できるだけでなく、最寄りの手を選択し、正確な把握アクションを実行することもできます。言語から動きまで、この普遍的な把握機能は、構造化されていない環境でのヒューマノイドロボットの展開にもっと利便性を提供します。
ヘリックスモデルは、画期的なデュアルシステムアーキテクチャのおかげで、これらのブレークスルーを達成することができました。アーキテクチャは、システム1とシステム2で構成されており、それぞれ高速正確な制御、シーンの理解、セマンティック解析を担当しています。システム2は、7Bパラメーターを備えたオープンソースVLMに基づいており、7-9 Hzの周波数で動作して、オブジェクトとシナリオ全体の一般化を確保します。システム1は、システム2のセマンティック表現を200Hzの周波数で連続アクション命令に変換して、ミリ秒レベルのリアルタイム応答を実現する80mのパラメーター視覚モーター戦略モデルです。この分離されたアーキテクチャにより、2つのシステムがそれぞれの機能を実行し、協力して効率的なヒューマノイドロボット制御を実現できます。
ヘリックスモデルは、トレーニング中に非常に少ないリソースを使用します。チームは、約500時間の高品質の監視データを使用して、オブジェクトの堅牢な一般化を達成することができました。このデータは、以前に収集されたVLAデータセットのサイズの5％未満を表しており、マルチボットエンティティコレクションまたはマルチステージトレーニングに依存していません。この成果は、ヘリックスモデルの効率を実証するだけでなく、将来のヒューマノイドロボットの開発により多くの可能性を提供します。