उत्तरप्रकाशित18 स्रोत
HERON-CRA: रोबोट को काम याद रखने और गलती सुधारने में कैसे मदद मिल सकती है?
HERON CRA का लक्ष्य रोबोट को पिछले कदमों का संदर्भ याद रखने, कार्रवाई में सुधार करने और सीखे हुए कौशल को अलग बनावट वाले रोबोटों पर इस्तेमाल करने में मदद देना है। [6][9] मोज़े मोड़ने के परीक्षण में सफलता 38.5% से 97.8% होने का आंकड़ा रिपोर्ट किया गया है, लेकिन इसे हर तरह के काम में रोबोट की सफलता दर नहीं मानना चाहिए।...
प्रकाशितकर्ताGPT-6 Sol से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- HERON CRA का लक्ष्य रोबोट को पिछले कदमों का संदर्भ याद रखने, कार्रवाई में सुधार करने और सीखे हुए कौशल को अलग बनावट वाले रोबोटों पर इस्तेमाल करने में मदद देना है। [6][9]
- मोज़े मोड़ने के परीक्षण में सफलता 38.5% से 97.8% होने का आंकड़ा रिपोर्ट किया गया है, लेकिन इसे हर तरह के काम में रोबोट की सफलता दर नहीं मानना चाहिए। [12]
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: How does Songyan Dynamics’ Scalabot HERON-CRA, released as the second model in the HERON stack after HERON-World Model, combine 4D spatiotem. Article summary: Songyan Dynamics presents HERON-CRA, the second HERON model after HERON-World Model, as a way to give robots task memory, finer corrective control, and skills that carry across robot bodies. Its demonstrations are promis. Topic tags: general, general web, academic, education. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
किसी रोबोट के लिए लंबा काम पूरा करना सिर्फ अगली चीज़ पहचानने का सवाल नहीं है। उसे यह भी ध्यान रखना होता है कि पहले क्या हुआ, कोई कदम बिगड़े तो आगे क्या बदले, और क्या सीखा हुआ तरीका दूसरे रोबोट पर भी काम आएगा। Songyan Dynamics के Scalabot ने इसी समस्या के लिए HERON-CRA पेश किया है। यह HERON-World Model के बाद HERON शृंखला का दूसरा मॉडल है। इसका डिज़ाइन इन क्षमताओं को जोड़ता है; इसकी विश्वसनीयता पर किए गए दावों को फिलहाल स्वतंत्र रूप से प्रमाणित नतीजे नहीं समझना चाहिए। 6
14
15
याददाश्त, सुधार और कौशल का इस्तेमाल: तीन हिस्सों की भूमिका
Context Expert काम का पिछला संदर्भ संभालता है। मॉडल केवल ताज़ा तस्वीर पर निर्भर रहने के बजाय पहले के स्थान-संबंधी और अर्थ-संबंधी संकेतों को क्रमबद्ध ‘कॉन्टेक्स्ट टोकन’ में बदलता है। यहां ‘4D’ का मतलब है तीन आयामों में स्थान की जानकारी और समय के साथ उसमें हुए बदलाव। मकसद यह है कि रोबोट अगला कदम चुनते समय काम का अब तक का क्रम भी ध्यान में रखे। 6
9
RL Engine कार्रवाई में सुधार सीखता है। रिपोर्टिंग के अनुसार, यह हल्का ‘रेज़िडुअल एक्टर–क्रिटिक’ रीइन्फोर्समेंट लर्निंग घटक है। आसान शब्दों में, यह रोबोट की मूल कार्य-नीति को पूरी तरह बदलने के बजाय उसमें सुधारात्मक बदलाव सीखता है। एक वैल्यू मॉडल समय के साथ काम की प्रगति का आकलन करता है। उद्देश्य अधिक सटीक नियंत्रण और भटकी हुई कार्रवाई को संभालना है, हालांकि उपलब्ध सामग्री यह अलग से नहीं दिखाती कि सुधार में इस घटक का कितना योगदान है। 5
9
अलग रोबोटों से सीखना और कल्पित अभ्यास। ‘क्रॉस-एम्बॉडिमेंट प्रीट्रेनिंग’ का उद्देश्य एक तरह की शारीरिक बनावट वाले रोबोट से सीखे कौशल को दूसरी बनावट वाले रोबोट पर इस्तेमाल करने में मदद देना है। इसके अलावा, असली दुनिया में मिले सफल और असफल अनुभवों की स्थितियों को HERON-World Model के लिए शुरुआती बिंदु बनाया जा सकता है, ताकि वह संभावित आगे की कार्रवाई के ‘कल्पित रास्ते’ तैयार करे। यह अतिरिक्त सीखने का प्रस्तावित तरीका है—इस बात का प्रमाण नहीं कि कल्पित नतीजे भौतिक रोबोट पर हमेशा सही निकलेंगे। 7
14
15
प्रदर्शनों से क्या पता चलता है?
Scalabot के परीक्षण में मोज़े मोड़ने की सफलता दर 38.5% से बढ़कर 97.8% होने की रिपोर्ट है। यह उस खास काम पर बड़ा बताया गया सुधार है, रोबोट के हर तरह के काम की सामान्य सफलता दर नहीं। उपलब्ध सामग्री से परीक्षणों की संख्या, परिस्थितियों और तुलना के आधार की स्वतंत्र पुष्टि स्थापित नहीं होती। 12
कॉफी बनाने का बताया गया प्रदर्शन कई कदमों वाले काम में पिछले संदर्भ की अहमियत दिखाता है। अलग रोबोट पर कौशल इस्तेमाल करने और काम में बाधा आने पर कार्रवाई बदलने के प्रदर्शन भी मॉडल के लक्ष्यों को समझाते हैं। लेकिन केवल इन उदाहरणों से यह नहीं पता चलता कि अनजान जगहों, दूसरे रोबोटों या तरह-तरह की बाधाओं में सफलता कितनी बार दोहराई जा सकेगी। 4
6
15
निष्कर्ष: HERON-CRA का डिज़ाइन लंबी अवधि के रोबोट कार्यों की एक वास्तविक चुनौती को संबोधित करता है। इसकी व्यावहारिक विश्वसनीयता जानने के लिए स्वतंत्र, तुलना योग्य परीक्षण चाहिए—और ऐसे परीक्षण भी, जो याददाश्त, सुधार सीखने, प्रीट्रेनिंग तथा कल्पित अभ्यास का योगदान अलग-अलग मापें। 4
14
15
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"HERON-CRA: रोबोट को काम याद रखने और गलती सुधारने में कैसे मदद मिल सकती है?" का संक्षिप्त उत्तर क्या है?
HERON CRA का लक्ष्य रोबोट को पिछले कदमों का संदर्भ याद रखने, कार्रवाई में सुधार करने और सीखे हुए कौशल को अलग बनावट वाले रोबोटों पर इस्तेमाल करने में मदद देना है। [6][9]
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
HERON CRA का लक्ष्य रोबोट को पिछले कदमों का संदर्भ याद रखने, कार्रवाई में सुधार करने और सीखे हुए कौशल को अलग बनावट वाले रोबोटों पर इस्तेमाल करने में मदद देना है। [6][9] मोज़े मोड़ने के परीक्षण में सफलता 38.5% से 97.8% होने का आंकड़ा रिपोर्ट किया गया है, लेकिन इसे हर तरह के काम में रोबोट की सफलता दर नहीं मानना चाहिए। [12]