रोबोटिक्स के विकास में, अनुकरणीय वातावरण और वास्तविक दुनिया के बीच का अंतर हमेशा एक बड़ा चुनौती रहा है। हाल ही में, NVIDIA का GEAR प्रयोगशाला और कार्नेगी मेलन विश्वविद्यालय की शोध टीम ने ASAP (Aligning Simulation and Real Physics) नामक एक नया ढांचा संयुक्त रूप से विकसित किया है, जिसका उद्देश्य इस अंतर को कम करना है। यह प्रणाली रोबोट के अनुकरण और वास्तविक गति में त्रुटियों को कम करने में महत्वपूर्ण प्रगति प्राप्त कर चुकी है, जिससे लगभग 53% गति की त्रुटि में कमी आ सकती है, जो मौजूदा तरीकों की तुलना में बेहतर है।

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी (MIT) ने इस सप्ताह एक पूरी तरह से नए रोबोट प्रशिक्षण मॉडल का प्रदर्शन किया, जिसने पूर्व के विशिष्ट डेटा सेट पर केंद्रित प्रशिक्षण विधियों को छोड़ दिया है और बड़े भाषा मॉडल (LLMs) के प्रशिक्षण में उपयोग की जाने वाली विशाल जानकारी को अपनाया है। शोधकर्ताओं ने指出 किया कि अनुकरणीय शिक्षण - यानी एजेंटों द्वारा कार्यों को पूरा करने वाली व्यक्तियों की नकल करके सीखना - छोटे चुनौतियों का सामना करते समय विफल हो सकता है। ये चुनौतियाँ विभिन्न प्रकाशन स्थितियों, विभिन्न पर्यावरण सेटिंग्स या नए बाधाओं जैसे कारकों को शामिल कर सकती हैं। इन परिस्थितियों में, रोबोट के पास इन परिवर्तनों के अनुकूलन के लिए पर्याप्त डेटा नहीं होता है।

हम हमेशा से एक ऐसे स्मार्ट रोबोट का सपना देखते रहे हैं जो मानव की तरह हो, हमारे लिए घरेलू काम कर सके, हमारे साथ बातचीत कर सके, और यहां तक कि जैसे आयरन मैन का जार्विस सभी कुछ कर सके। लेकिन, आदर्श बहुत आकर्षक हैं, जबकि वास्तविकता बहुत कठिन है। रोबोट को काम सिखाना केवल सिर पर थपथपाने से नहीं होता, इसका अनुभव ठीक वैसा ही है जैसे अपनी प्रेमिका को समझाना, मेहनत तो करनी पड़ती है और यह हमेशा प्रभावी नहीं होता। ऐसा क्यों है? क्योंकि वास्तविक दुनिया बहुत जटिल है, जिसमें विविधता और परिवर्तन भरे हुए हैं। सोचिए, एक साधारण बात को अपनी प्रेमिका को सिखाने के लिए भी आपको कितनी मेहनत करनी पड़ती है, फिर एक ऐसे प्राणी को सिखाना जो मानव सोच नहीं रखता।

नॉर्वे की स्टार्टअप कंपनी 1X Technologies ने हाल ही में दावा किया है कि उन्होंने रोबोटों के लिए कृत्रिम बुद्धिमत्ता आधारित विश्व मॉडल विकसित करने में महत्वपूर्ण प्रगति की है। सरल शब्दों में कहें, तो ये मॉडल रोबोटों के लिए जैसे वर्चुअल परीक्षण मैदान हैं, जो उन्हें विभिन्न परिदृश्यों में परीक्षण और सुधार करने की अनुमति देते हैं, बिना किसी वास्तविक दुनिया के परीक्षण की आवश्यकता के। 1X का मानना है कि यह 'रोबोट बाधा' को हल करने की कुंजी है - यानी कैसे लगातार बदलते वातावरण में विभिन्न कार्यों के लिए प्रशिक्षण प्राप्त रोबोटों का विश्वसनीय मूल्यांकन किया जाए। एक रोबोट जो

अ研究 दिखाता है कि MimicGen प्रणाली बड़े पैमाने पर रोबोट प्रशिक्षण डेटा उत्पन्न कर सकती है। डिजिटल ट्विन प्रौद्योगिकी के माध्यम से, मानव संचालन डेटा का अनुकरण वातावरण में अनुकरण किया जाता है। 200 से कम मानव प्रदर्शनों का उपयोग करते हुए, 50,000 प्रशिक्षण डेटा को स्वायत्त रूप से उत्पन्न किया गया। कृत्रिम डेटा और अनुकरण AI विकास के लिए अत्यंत महत्वपूर्ण हैं, जो अंतहीन प्रशिक्षण डेटा प्राप्त कर सकते हैं। MimicGen लंबी अनुक्रम कार्यों और उच्च सटीकता कार्यों, जैसे कि पकड़ना, डालना, और असेंबलिंग के लिए उपयुक्त है।