World Labs ra mắt công cụ mô phỏng R2S2R: Biến một tác vụ thực tế thành hàng nghìn kịch bản huấn luyện robot

Theo World Labs, nút thắt chính trong việc triển khai robot không nằm ở kiến trúc mô hình, mà là ở khối lượng trải nghiệm khổng lồ mà một robot cần có để vận hành một cách đáng tin cậy. Dữ liệu thực tế rất đắt đỏ và khó kiểm soát, ngay cả các video trực tuyến cũng không bao quát một cách hệ thống toàn bộ các loại vật thể, điều kiện vật lý và các trạng thái lỗi.

Một tác vụ thực tế biến thành hàng ngàn biến thể có kiểm soát

Công cụ này ghi lại robot, cảm biến, môi trường và các bản demo tác vụ, sau đó tái tạo chúng thành một thế giới ảo tương tác không chỉ trông giống như bản gốc mà còn có hành vi vật lý tương tự. World Labs đạt được điều này bằng cách kết hợp các mô hình thế giới tạo sinh (generative world models) với mô phỏng robot định hướng tác vụ.

Từ một tác vụ thực tế duy nhất, hệ thống tạo ra hàng ngàn biến thể bằng cách thay đổi ánh sáng, vị trí và số lượng vật thể, môi trường xung quanh, các đặc tính vật lý như ma sát và góc máy quay. Để kiểm tra độ chính xác, World Labs chạy cùng một chuỗi hành động trong mô phỏng và thực tế song song với nhau, sau đó so sánh các quan sát, chuyển động của vật thể và kết quả đầu ra.

Các ví dụ được trình bày bao gồm các vật thể cứng, có thể di chuyển và có thể biến dạng như đi dây cáp, chèn đầu cáp đàn hồi vào lỗ và đóng gói hộp bằng cả hai tay.

Các mô hình điều khiển chưa từng được huấn luyện trên phần cứng thực tế

Các mô hình điều khiển được huấn luyện trong môi trường mô phỏng rồi mới chuyển sang robot thực tế. Một trong những nền tảng thử nghiệm là ALOHA, một thiết kế hai cánh tay mã nguồn mở từ Stanford, được vận hành thông qua phương pháp điều khiển từ xa (puppeteering) bằng hai cánh tay điều khiển nhỏ hơn. Thiết lập này có chi phí chỉ bằng một phần nhỏ so với các hệ thống thương mại và tất cả bản thiết kế đều được công khai, biến ALOHA thành nền tảng tham chiếu phổ biến trong nghiên cứu robot.

Theo World Labs, mỗi mô hình đã chạy trong một giờ trên bốn nền tảng robot bổ sung mà không cần bất kỳ sự can thiệp nào của con người. Các tác vụ trải dài từ việc quấn dây nguồn quanh tủ lạnh bằng cả hai tay đến việc định vị chính xác các ống nghiệm và tách các vật thể mỏng như bút đánh dấu hoặc bút chì ra khỏi một đống hỗn độn.

Công ty cho biết hệ thống này không bị ràng buộc với một mô hình điều khiển hay loại robot cụ thể nào, vì vậy một thế giới đã được tái tạo một lần có thể được tái sử dụng sau đó cho các mô hình mới và các robot khác nhau.

Mô phỏng có thể thay thế phần cứng trong quá trình đánh giá chính sách

World Labs lập luận rằng sự phát triển của robot đang tụt hậu xa so với các mô hình ngôn ngữ vì việc đánh giá các mô hình điều khiển hầu như đòi hỏi phải thử nghiệm trên phần cứng thực tế. Một mô phỏng vững chắc không cần phải mang lại tỷ lệ thành công giống hệt như thực tế. Điều quan trọng là liệu nó có trả lời được các câu hỏi tương tự hay không: Mô hình thất bại ở đâu, phiên bản nào tốt hơn và liệu các cải tiến có được chuyển đổi sang robot vật lý hay không?

Nhóm đã thử nghiệm điều này với tác vụ chuyển khối lập phương giữa hai tay của robot ALOHA. Theo World Labs, mô phỏng đã tái tạo được cả những trường hợp biên khi robot chỉ vừa chạm vào cạnh khối lập phương và cả những lần thất bại tương ứng. Trên các loại mô hình khác nhau, bao gồm GR00T N1.6 và π₀.₅, cũng như các giai đoạn huấn luyện, thứ hạng của các mô hình trong mô phỏng và thực tế vẫn giữ nguyên. Điều này đúng với cả các vị trí khối lập phương đã biết và những vị trí chưa từng thấy trước đó. Mỗi điểm kiểm tra (checkpoint) được đánh giá bằng 2.000 lượt chạy mô phỏng và 100 lượt chạy thực tế.

Các nhóm phát triển có thể lọc bỏ các phiên bản mô hình yếu trong mô phỏng và tiết kiệm các bài kiểm tra phần cứng đắt đỏ cho những ứng viên hứa hẹn nhất.

Trình mô phỏng là trung tâm trong chiến lược rộng lớn hơn của World Labs

World Labs liên kết các kết quả này với hệ thống phân loại mô hình thế giới của họ. Trong khuôn khổ đó, trình mô phỏng là thành phần trung tâm vì nó biến thế giới thành một nơi mà các tác nhân phần mềm có thể hành động, học hỏi và được thử nghiệm. Công ty đưa ra những điểm tương đồng với xe tự lái, nơi một số hệ thống Cấp độ 3 và Cấp độ 4 thành công được huấn luyện trên sự kết hợp giữa dữ liệu thực và dữ liệu mô phỏng.

World Labs định hình mục tiêu dài hạn của mình như sau: để mở rộng quy mô trí tuệ của robot, bạn phải mở rộng quy mô các thế giới mà chúng học tập. Mức độ chuyển đổi các kết quả này sang các môi trường phức tạp hơn, các loại robot khác và các tình huống đời thường ít được kiểm soát hơn vẫn là một câu hỏi mở.

World Labs được thành lập vào năm 2024 bởi nhà nghiên cứu AI Fei-Fei Li để xây dựng các mô hình có trí tuệ không gian, hiểu được thế giới vật lý ba chiều. Một hệ thống ban đầu đã tạo ra các môi trường 3D có thể đi bộ từ những bức ảnh đơn lẻ. Gần đây hơn, công ty đã huy động được một tỷ đô la vốn đầu tư mạo hiểm để mở rộng các mô hình thế giới của mình sang lĩnh vực robot và khoa học. Công cụ R2S2R là ứng dụng cụ thể đầu tiên của tầm nhìn đó trong ngành robot.

Nghiên cứu này đóng góp vào một cuộc tranh luận rộng lớn hơn về vai trò của các mô hình thế giới trong lĩnh vực robot. Một nhóm nghiên cứu quốc tế gần đây đã cố gắng xác định một định nghĩa thống nhất về mô hình thế giới thực sự là gì, vạch ra ranh giới rõ ràng giữa mô hình thế giới và các trình tạo video thuần túy.

Một lĩnh vực liên quan là World Action Models (Mô hình hành động thế giới), liên kết các dự đoán về tương lai gần trực tiếp với các lệnh điều khiển. Điều đó khác với cách tiếp cận của World Labs, nơi mô phỏng và chính sách được giữ tách biệt. Một phương pháp khác có tên là Orca đến từ Trung Quốc, cho phép robot học các tác vụ hoàn toàn bằng cách xem video mà không cần dữ liệu chuyển động thực trong quá trình huấn luyện.