AIINEWS

AIINEWS

Báo cáo chuyên sâu về Trí tuệ nhân tạo và Công nghệ toàn cầu

Gemini 4 Argon dành cho người máy

Ban biên tập AIINEWS•ai-machine-learning
22 tháng 10, 2026•21 phút đọc
Gemini 4 Argon dành cho người máy

Tóm lược nhanh

“Gemini 4 Argon đánh dấu một bước thay đổi trong hiểu biết vật lý, tạo mã và lý luận ngữ nghĩa trực quan—mở khóa các quy trình công việc mới trên toàn”

Các điểm cốt lõi

  • 1.Gemini 4 Argon dành cho người máy
  • 2.Phân tích kiến trúc hệ thống và khả năng ứng dụng thực tiễn.
  • 3.Đánh giá hiệu năng và tác động tới hệ sinh thái công nghệ.

Gemini 4 Argon đánh dấu một bước thay đổi trong hiểu biết vật lý, tạo mã và lý luận ngữ nghĩa trực quan—mở khóa các quy trình công việc mới trên toàn bộ robot và đẩy nhanh tiến trình hướng tới AGI vật lý.

Bạn có thể thấy bước nhảy vọt về khả năng này trên điểm chuẩn Lý luận thể hiện (ERQA), kiểm tra khả năng hiểu và giải quyết các vấn đề vật lý, không gian của mô hình trong môi trường 3D. Sử dụng lý luận thuần túy, Argon đạt điểm 87%, vượt trội so với mọi mô hình biên giới khác.

Là một mô hình suy luận vật lý có mục đích chung, Argon có thể được áp dụng trong toàn bộ vòng đời của robot. Trong bài đăng này, chúng tôi chia sẻ lời nhắc đại diện cho Argon trên bốn lĩnh vực chính:

Argon điều khiển xe bốn chân Boston Dynamics Spot® (chân 12-DoF + cánh tay 6-DoF) để học kỹ năng mới: bước lên thùng rác có bàn đạp chân để vứt lon nước ngọt. Argon tạo ra một bộ đôi kỹ thuật số MuJoCo có khớp nối của thùng rác có bàn đạp chân để thực hành các chuyển động của nó trước khi bước lên bàn đạp vật lý và thả lon nước ngọt vào thùng mở.

``` Có một lon Diet Coke phía sau bạn và một lon khác trên chiếc bàn đen bên trái bạn. Sử dụng kỹ năng thao tác tại chỗ trên thiết bị di động để nhặt chúng và bỏ vào thùng rác có bàn đạp chân màu đen. Trước khi bước xuống bàn đạp, hãy xác minh bằng camera phía trước rằng mục tiêu của bàn chân phía trước bên phải của bạn nằm ở giữa bàn đạp và sử dụng nhóm xác minh gồm 2 tác nhân (người xác minh bằng chân và người xác minh bằng tay) để xác minh cả bước đạp chân và căn chỉnh thùng đựng tay 3D trước khi thả ra. ``` Argon điều khiển một cánh tay robot đơn giản để đặt một chiếc cốc bị rơi thẳng đứng và đặt chiếc khăn ăn nhàu nát vào trong. Argon sử dụng hệ thống khai thác tọa độ trực quan và hành động nguyên thủy để thực hiện nhiệm vụ này trong nhiều lượt.

``` [Đính kèm: cổ tay_cam.png, obs.json] Nhiệm vụ: Yêu cầu cánh tay robot dựng lại chiếc cốc theo hướng thẳng đứng và đặt khăn ăn vào trong cốc. ## Kỷ luật thi hành án - Chỉ cần xuất ra 1 câu quan sát, ngay sau đó là lệnh `curl` của bạn (với `# Plan:` ở Lượt 1 và `# Suy nghĩ:` ở mỗi lượt). Mọi thứ cần thiết đều có trong `obs.json` và ô/lưới đã hiệu chỉnh được vẽ trên `wrist_cam.png`. ## Tham chiếu tọa độ trực quan (Được chú thích trên cổ tay_cam.png) - `+X` (UP in image): Rời xa căn cứ robot | `-X` (DOWN): Hướng tới căn cứ robot - `+Y` (LEFT trong hình): Thế giới bên trái | `-Y` (PHẢI): Quyền thế giới - `+Z`: Chiều cao phía trên bàn | `Số màu vàng`: Thế giới (X, Y) tính bằng centimet (lưới 2 cm tại `grid_z`) - `Cyan + crosshair`: Trung tâm chụm 3D hiện tại - `Cyan (+) ngoặc`: Đường đóng và mở hàm hiện tại - `Đường màu xanh lá cây`: Hướng trục dài của đối tượng hiện tại (`yaw_deg`: 0° = dọc dọc +X, 90° = ngang dọc +Y) - `pitch_deg = 90°`: Góc nắm/vị trí thẳng từ trên xuống (-Z); `pitch_deg `nắm bắt` -> `địa điểm` -> `xong` - Xác minh di chuột trước khi nắm bắt (4–7 lệnh gọi): `look_at` -> `goto(z=0.04)` (xác minh màu lục lam `[ + ]` trong ngoặc vuông giữa mục tiêu) -> `grasp` -> `place_until_contact` -> `done` - Fine Visual servoing (8–20 cuộc gọi): `look_at` -> `grasp` -> đặt trước `goto` -> vòng kín `move_by` / `move_until_contact` -> `done` 3. Gửi các nguyên mẫu chuyển động (`POST /plan`) và xác minh trực quan sau mỗi lượt trong `wrist_cam.png` được cập nhật. Nếu `status == "grasp_failed"`, hãy gọi `robot.look_at(...)` để quan sát lại và khôi phục vòng lặp kín. ## Nguyên tắc mã hóa dưới dạng chính sách (`POST http://127.0.0.1:8081/plan`) robot.look_at(x=0,35, y=0,13, z=0,14, Grid_z=0,015) x, y = robot.deproject(u=0,52, v=0,48, z_plane=0,015) robot.grasp(x=x, y=y, z=0,015, yaw_deg=-35, pitch_deg=90) robot.place(x=0,24, y=0,06, z=0,075) robot.place_until_contact(x=0,24, y=0,06, z=0,015, max_lag=0,012, Relief=0,002) robot.goto(x=0,28, y=0,05, z=0,04, arc_z=0,14, pitch_deg=25, góc phương vị_deg=90, roll_deg=0, tốc độ=0,10) robot.move _by(chuyển tiếp=0,025, dz=-0,002, dpitch_deg=-3, droll_deg=5, tốc độ=0,04) robot.move_until_contact(dz=-0,06, tốc độ=0,03, max_lag=0,012, Relief=0,002) robot.open_gripper() / robot.close_gripper() / robot.home() / robot.done() ``` Argon điều khiển các rô-bốt trong Mô hình Thế giới Omni của Gemini để sắp xếp lại năm ô Scrabble nằm rải rác (`G, R, A, N, O`) thành một hàng sạch sẽ đánh vần `A - R - G - O - N`. Thay vì chỉ định một lời nhắc tĩnh, Argon điều khiển một vòng lặp trực quan khép kín. Nó ghi các lời nhắc hành động được đánh dấu thời gian, kiểm tra các khung hình chính triển khai trung gian và tinh chỉnh các lời nhắc của nó.

``` Mục tiêu: {task_goal} Bạn đang điều khiển mô hình thế giới video (Gemini Omni) trong một vòng phản hồi trực quan lặp đi lặp lại. Kiểm tra các khung đính kèm từ lần giới thiệu mới nhất và viết lời nhắc hành động có dấu thời gian tiếp theo cho mô hình thế giới video: - Chia các chuyển động phức tạp thành một hành động đơn giản, theo một hướng tại một thời điểm. - Giữ những bàn tay không hoạt động thu lại và tránh chặn tầm nhìn của camera đối với các vật thể trong không gian làm việc. - Nêu rõ khu vực nào của không gian làm việc sẽ trống sau khi đối tượng di chuyển. - Sử dụng dấu thời gian [MM:SS.mmm] cho mỗi nhịp hành động và gói kết quả đầu ra của bạn trong các thẻ. Định dạng ví dụ (chỉ dấu thời gian mẫu, không phải lời nhắc đầy đủ):

[00:00.000] Tay trái của nhân vật A tựa sang một bên trong khi tay phải vươn về phía đối tượng mục tiêu. [00:02.500] Đầu ngón tay phải của nhân vật A đẩy nhẹ vật vào giữa bàn, để trống vùng bắt đầu. [00:05.000] Tay phải của nhân vật A mở ra và thu vào một bên để tất cả các vật thể được đặt vẫn trong tầm nhìn rõ ràng của camera.

Argon xem một tập phim viễn thông robot thực sự và phát triển một cặp song sinh kỹ thuật số; nó thu được hoặc tạo ra các nội dung mô phỏng trông và hoạt động giống như vật thể thật khi tiếp xúc với bàn tay khéo léo. Argon điều chỉnh các nội dung và cảnh để khớp các hình ảnh mô phỏng và các sự kiện liên hệ với những nội dung trong dữ liệu thực được ghi lại trong một vòng lặp suy luận trực quan lặp đi lặp lại.</p>
<p>```
[Đính kèm: robot_rollout_episode]
Xây dựng cảnh MuJoCo của robot và tái tạo các đối tượng nhiệm vụ. Khi mỗi tập được phát lại từng khung hình, bằng cách điều khiển các khớp robot về phía trạng thái quan sát đã ghi đã ghi bằng PD không gian khớp.
Lặp lại bằng cách sử dụng hai mục tiêu xác minh:
(1) So khớp trực quan: MuJoCo hiển thị từ các camera head_left, left_wrist và right_wrist thẳng hàng và trông giống như những quan sát thực tế đó.
(2) Khớp vật lý: lực/mô-men xoắn tiếp xúc mô phỏng trên mỗi đầu ngón tay Sharpa, trong khung cảm biến, khớp với lực xúc giác được ghi lại về thời gian, cường độ và hướng.
Những gì bạn có thể điều chỉnh sẽ xảy ra trước khi mô phỏng bắt đầu:
(1) Tài sản vật thể tĩnh: hình học thực tế, hình dạng va chạm, khối lượng, quán tính, ma sát và các khớp, có hình dáng gần giống với vật thật, cộng với vật thể ban đầu đặt tại t = 0.
(2) Lệnh robot được lập kế hoạch ngoại tuyến, chỉ thay đổi trong các khung hình trong đó đầu ngón tay thật ở gần vật thể. Mỗi lệnh phải nằm trong phạm vi 0,55 rad (khớp tay) và 0,65 rad (khớp tay) của quỹ đạo teleop đã ghi lại. Ở mọi nơi khác, hãy phát lại quỹ đạo đã ghi không thay đổi.
Không gian lận sim: các đối tượng nhiệm vụ chỉ có thể di chuyển khi tiếp xúc MuJoCo thực sự với bàn tay robot và môi trường (mj_step).
Không được phép sau t = 0: thay đổi tham số MjModel; tác dụng ngoại lực hoặc mô men xoắn vào vật thể; các mối hàn hoặc các ràng buộc bằng nhau; mô men xoắn tiến tới vượt quá PD không gian khớp; thiết lập hoặc khôi phục đối tượng qpos/qvel; vô hiệu hóa hoặc loại trừ va chạm; báo cáo lực tiếp xúc không đến từ bộ giải MuJoCo (ví dụ: sao chép số đọc xúc giác đã ghi lại).
Hiển thị ngay lập tức cảnh được xây dựng lại và kết quả triển khai dưới dạng trình xem phiên HTML tương tác với một trang mỗi tập, hiển thị:
- Ở phía dưới: Dòng thời gian được đồng bộ hóa (phát, chà, kiểm soát tốc độ) điều khiển mọi bảng điều khiển.
- Trên bảng điều khiển bên trái: Cảnh 3D Blender tương tác hiển thị robot và các vật thể được mô phỏng, hiển thị các điểm tiếp xúc và mũi tên lực khi quá trình phát lại diễn ra.
- Ở bảng bên phải: Chế độ xem camera thật và camera sim cạnh nhau cho cả 3 camera. Trực quan hóa lực ngón tay thực và sim.

Đưa ra một video lấy con người làm trung tâm về một nhiệm vụ thao túng, Argon xác định các đối tượng liên quan đến nhiệm vụ, thay thế các hộp giới hạn thô sơ bằng các lưới phân tách lồi phức hợp cho các thùng chứa lõm và nhắm mục tiêu lại quỹ đạo của bàn tay con người lên hình người hai tay 76-DoF bằng bàn tay năm ngón 22-DoF trong vật lý tiếp xúc MuJoCo.

``` [Đính kèm: egocentric_human_video.mp4, Candida_sim_views.png, hand_3d_keypoints.json] Bạn đang xây dựng một môi trường thao tác MuJoCo 500 Hz có thể giải quyết được về mặt vật lý (`scene.xml`) và kết xuất Studio Blender tái tạo một cách trung thực tác vụ trên bàn được hiển thị trong `egocentric_human_video.mp4` trên robot hình người hai tay với bàn tay năm ngón khéo léo 22-DoF: 1. Tái tạo cảnh & Hiệu chỉnh máy ảnh: - Chỉ xác định các đối tượng có liên quan đến thao tác (đối tượng mục tiêu được nắm bắt và vùng chứa hoặc mốc nhận) và lập tam giác tọa độ trên mặt bàn 3D của chúng từ nội tại/bên ngoài của máy ảnh tự nhiên. - Thay thế các hộp giới hạn thô sơ bằng các lưới 3D phân tách lồi phức hợp để các thùng chứa lõm (bát lồng, khay gỗ lõm, thùng mở) hỗ trợ bố trí vật lý bên trong. 2. Kiểm tra ứng suất khớp chuyển động khéo léo 500 Hz: - Nhắm mục tiêu lại các điểm chính ở cổ tay và ngón tay của con người 3D tới cánh tay 7-DoF và các khớp tay 22-DoF của hình người, đồng thời điều chỉnh quỹ đạo trong MuJoCo ở tần số 500 Hz (dt = 0,002s) với các ràng buộc hàn động học bằng 0. - Kiểm tra lực đóng của ngón cái và ngón tay đối diện, nâng vật sạch lên (> 2 cm) và vị trí cuối cùng ổn định bên trong hoặc bên cạnh mốc mục tiêu. ``` Với Argon, nhà phát triển có thể chụp ảnh bản phác thảo thô bằng bút và giấy—cho thấy hình người Apollo 2 ném một quả bóng dọc theo một cung parabol để lật đổ chồng hộp 3-2-1 trên bàn—và yêu cầu Argon tự động xây dựng cảnh `mujoco_warp` được tăng tốc GPU, tổng hợp quỹ đạo ném năm ngón tay và toàn cơ thể 76-DoF cân bằng, xác minh hạ gục mục tiêu 6/6 trong vật lý vòng kín và xuất Blender 4.5 Chu kỳ kết xuất.

``` [Đính kèm: hand_drawn_throw_sketch.jpg] Dịch bản phác thảo vẽ tay này thành mô phỏng hình người đã được xác minh về mặt vật lý trong `mujoco_warp` và video Blender Cycles được dò tia: 1. Thiết lập cảnh & động từ Sketch: - Phân tích bố cục không gian từ `hand_drawn_throw_sketch.jpg`: đặt hình người 76-DoF (thân máy 32-DoF được trang bị hai bàn tay khéo léo năm ngón tay 22-DoF) tại điểm gốc đối diện với một chiếc bàn có kim tự tháp 3-2-1 gồm 6 hộp mục tiêu cứng, với một quả cầu phóng được nắm trong bàn tay năm ngón bên phải. 2. Cân bằng toàn cơ thể và tổng hợp ném khéo léo: - Tổng hợp quỹ đạo ném toàn thân 50 Hz (140 bước, 2,80 giây) qua bốn giai đoạn: (1) tư thế ổn định & đóng nắm sức mạnh bằng 5 ngón tay, (2) cuộn mình/vai với bù khối lượng trung tâm mắt cá chân, (3) tăng tốc lao về phía trước và (4) mở năm ngón tay 22-DoF đồng bộ ở vận tốc tay cao nhất để bóng phóng theo đường vòng cung đạn đạo vào tâm khối lượng thứ hai của kim tự tháp. - Xác minh trong vật lý tiếp xúc `mujoco_warp` rằng hình người duy trì thăng bằng thẳng đứng (độ trôi xương chậu < 3 cm) và đánh ngã tất cả 6 hộp mục tiêu. ``` Argon có hiểu biết vật lý chính xác về thao tác khéo léo và có thể cung cấp phân đoạn chi tiết và ghi nhãn văn bản từ video. Argon có thể xác định các phân đoạn thao tác kém như tạm dừng, nắm bắt không ổn định và lóng ngóng. Với một đoạn video quay lại cảnh rô-bốt ALOHA 2 bằng hai tay gấp một tờ giấy vuông thành một con cáo origami trong 136 giây, Argon tạo ra hệ thống phân cấp chú thích nhận thức muộn 4 cấp được căn chỉnh theo thời gian: Mục tiêu Tập (G1), 6 Nhiệm vụ phụ Ngữ nghĩa liền kề (G2), 17 Nguyên thủy Nguyên tử cấp độ liên hệ (G3) và tính năng kiểm soát Chất lượng (QC) tự động hóa để giữ cho tiến trình nhiệm vụ không thay đổi trong quá trình dò dẫm và thử lại.

``` [Đính kèm: Aloha2_Origami_20250309.mp4] Tạo JSON chú thích nhận thức muộn đa chi tiết được căn chỉnh theo thời gian với bốn cấp độ: 1. G1_episode_instruction: Câu mệnh lệnh ngắn gọn mô tả mục tiêu thao tác tổng thể. 2. G2_subtasks: Các giai đoạn nhiệm vụ con ngữ nghĩa liền kề chỉ định (các) nhánh nào neo so với gập/xoay đối tượng. 3. G3_atomic_primitives: Các nguyên hàm cấp độ tiếp xúc chi tiết (3–15 giây) được căn chỉnh với việc đóng nắm, quét nếp nhăn, nhả hoặc thử lại. 4. Quality_control_and_reweighting: Giữ nguyên task_progress_pct trong các vòng lặp thử lại trượt/tách lớp không tiến triển và giảm trọng lượng chúng (0,15x–0,25x) để Nhân bản Hành vi. ``` Để tái tạo câu đố cân bằng 12 quả bóng cổ điển bằng rô-bốt, Argon xây dựng môi trường Franka FR3 MuJoCo hai tay với 12 quả bóng bi-a giống hệt nhau về mặt hình ảnh (một quả bóng nặng hơn hoặc nhẹ hơn một cách bí mật) và một chiếc cân cân bằng hai chảo Roberval có khớp nối. Sau đó, nó viết một bộ giải vòng kín chỉ dùng cho thị giác để sắp xếp các quả bóng từ camera RGB âm thanh nổi, đọc trực quan độ nghiêng của cân sau mỗi lần cân và tách quả bóng lẻ vào khay Nặng (Đỏ) hoặc Nhẹ (Xanh lam) trong vòng 3 lần cân.

``` # Lời nhắc 1 — Tạo môi trường MuJoCo chính xác về mặt vật lý và tạo điểm chuẩn Tạo môi trường MuJoCo trong đó robot hai cánh tay (hai cánh tay 7-DoF Franka FR3 có hàm kẹp song song trên mặt bàn dùng chung) được giao nhiệm vụ giải câu đố trọng lượng cân bằng 12 quả bóng cổ điển từ https://www.mathsisfun.com/pool_balls_solution.html. 1. Tạo 12 quả bóng bi-a không thể phân biệt được bằng mắt trong giá bắt đầu 2x6 (11 quả bóng tiêu chuẩn 150 g, 1 quả bóng lẻ 270 g hoặc 30 g). 2. Xây dựng thang đo cân bằng Roberval hai chảo chức năng ở giữa bảng với các ràng buộc đẳng thức hình bình hành (`mjEQ_JOINT`) để các chảo Trái (Vàng) và Phải (Xanh mòng két) nằm ngang, cùng với các khay gửi màu Đỏ (Nặng) và Xanh lam (Nhẹ). 3. Theo dõi các lần cân đã xác định riêng biệt (`weighing_count`) và thưởng `1,00` khi cô lập được quả bóng lẻ thực sự vào đúng khay Nặng/Nhẹ trong vòng <= 3 lần cân. # Lời nhắc 2 — Bộ giải chỉ dùng tầm nhìn vòng kín Triển khai chính sách vòng kín độc lập dựa hoàn toàn vào đầu vào camera âm thanh nổi RGB (`head_Camera_left_rgb_image`, `head_Camera_right_rgb_image`) và khả năng nhận biết của robot (`add_privileged_task_observations=False`): 1. Phân chia 12 quả bóng, chảo Vàng/Mòng két và khay Đỏ/Xanh ở cả hai chế độ xem âm thanh nổi và lập tam giác tọa độ 3D của chúng. 2. Đọc trực quan độ nghiêng của thang đo cân bằng sau mỗi lần cân từ chênh lệch pixel dọc âm thanh nổi (+1 = nặng hơn bên trái, -1 = nặng hơn bên phải, 0 = cân bằng). 3. Xoay cổ tay kẹp 90 độ khi cầm/đặt bên trong đĩa cân hẹp để làm sạch các vành nâng lên và tách bi lẻ vào khay Đỏ hoặc Xanh trong vòng <= 3 lần cân. ``` Argon là hàm giá trị chung cho các nhiệm vụ chế tạo robot. Được đánh giá trong giai đoạn phân loại vòng hai tay dài 60 giây từ tập dữ liệu UMI của con người, Argon kiểm tra lặp đi lặp lại các nguồn cấp dữ liệu máy ảnh được đồng bộ hóa ở đầu, tay nắm bên trái và tay nắm bên phải xung quanh các chuyển tiếp tiếp xúc để tạo ra các dự đoán tiến trình nhiệm vụ/chức năng có giá trị dày đặc và phân tách quỹ đạo thành 28 đoạn với độ dốc tiến trình dương, trung tính và âm.

``` [Đính kèm: umi_head.mp4, umi_left_gripper.mp4, umi_right_gripper.mp4] Xem 3 video về con người đeo dụng cụ kẹp thực hiện các hoạt động từ góc nhìn đầu, trái, phải. Xem kỹ các video và đưa ra sơ đồ chi tiết về tiến độ thực hiện nhiệm vụ (có độ dốc tích cực, trung tính, tiêu cực), xác định các phân đoạn quan trọng trong video và dán nhãn cho các hoạt động. Xem từng khung hoặc phân đoạn riêng lẻ của video nếu cần để hiểu rõ hơn. ``` Argon có thể tạo ra dữ liệu mới trong mô phỏng để cải thiện hiệu suất của các mô hình hành động-ngôn ngữ-tầm nhìn tổng quát (VLA). Bắt đầu từ một bức ảnh RGB duy nhất của mặt bàn thật, Argon tự động xây dựng bộ đôi mô phỏng MuJoCo đã hiệu chỉnh, xác định các nhiệm vụ mới và tổng hợp bộ tạo chuyển động vòng kín để thu thập hơn 4.500 tập ngẫu nhiên theo miền trong mô phỏng—tăng Tỷ lệ thành công của robot vật lý trong thế giới thực từ **56% xuống 75%** và giảm thời gian hoàn thành từ **35 giây xuống 24 giây**.

``` [Đính kèm: real_tabletop_photo.jpg] Bạn được cung cấp một bức ảnh camera RGB phía trên (`real_tabletop_photo.jpg`) về không gian làm việc của robot hai tay (hai cánh tay 7-DoF Franka FR3 với kẹp hàm song song và 4 camera RGB) đối diện với một chiếc bàn được sắp xếp với các đạo cụ của bữa tiệc photobooth. 1. Tái tạo các lưới 3D theo quy trình và các nguyên mẫu va chạm MuJoCo phức hợp cho tất cả 9 đạo cụ của bữa tiệc phù hợp với kích thước, màu sắc và tư thế nghỉ ngơi trong thế giới thực của họ, bao gồm cả các tấm vương miện có thể biến dạng bằng bản lề lò xo cho chiếc mũ sang trọng mềm mại. 2. Xác định chương trình giảng dạy bằng một cánh tay và bằng hai tay gồm 77 nhiệm vụ (chọn và đặt, dựng đứng, đẩy theo hướng, chuyển giao giữa không trung, xúc và đẩy bằng hai tay và dọn bàn theo đường ống). 3. Tổng hợp trình tạo quỹ đạo IK vòng kín trên phạm vi ngẫu nhiên tư thế ±10 cm, xác minh `phần thưởng == 1.0` trong vật lý MuJoCo và xuất hơn 4.500 tập để tinh chỉnh VLA. ``` Trên nhánh 6-DoF đơn giản, Argon liên tục tự cải thiện cả tốc độ thực hiện và độ chính xác của vị trí trong một nhiệm vụ chọn và đặt thông qua thử nghiệm và tự phản ánh.

``` # Giai đoạn 1 - Đo lường đối tượng & Kế hoạch chạy thử (Không có chuyển động phần cứng) Giai đoạn 1: đo đồ vật - tìm đồ vật và lên kế hoạch cho toàn bộ chuyển động. Cánh tay không cử động trong giai đoạn này. A. Tôi đặt một viên gạch LEGO và một chiếc hộp lên bàn phía trước cánh tay, còn chiếc hộp gỗ ở một bên. Tìm viên gạch và hộp gỗ trong hình. Và cả trong thế giới thực. Hiển thị điều này trong một hình ảnh có chú thích. B. Kế hoạch chạy thử (không có phần cứng). Viết kế hoạch chọn và đặt khối lego. In bảng kế hoạch, vẽ tất cả các tư thế lên hình ảnh trên cao và dừng lại. Không di chuyển robot. Báo cáo với bằng chứng. # Giai đoạn 2 - Xác minh di chuột trước khi chọn và máy ảnh đeo tay Giai đoạn 2: Đặt dụng cụ kẹp phía trên viên gạch mà không chạm vào viên gạch và xác minh bằng máy ảnh đeo tay rằng cánh tay và tầm nhìn phù hợp. Vui lòng ghi lại quá trình thực hiện bằng cả hai camera (video nén được). # Giai đoạn 3 (Chọn và Đặt Tự động → Tự Cải thiện → Tối ưu hóa): 1. Thực hiện tự động: Biến quá trình chạy khô Giai đoạn 1 thành dạng cầm nắm thực sự, nhấc lên và đặt vào hộp gỗ. Tự chạy nó theo các quy tắc an toàn từ AGENTS.md. 2. Tự cải thiện: Khi một nỗ lực thất bại, hãy tự mình chẩn đoán nó. Xem lại nhật ký và cảnh quay trên cổ tay/trên cao của chính bạn, tìm ra nguyên nhân cốt lõi, kiểm tra cách khắc phục trong quá trình chạy thử và thử lại. 3. Tối ưu hóa phản hồi: Sau khi thành công, hãy làm cho nó nhanh hơn ít nhất 2 lần trong giới hạn an toàn (quy tắc R5) trừ khi tôi ủy quyền nhiều hơn hoặc đưa ra phản hồi. ``` Với một lời nhắc duy nhất trên mỗi bài viết, Argon đọc bản thảo điều khiển robot và mọi điểm kiểm tra đã phát hành, chuyển mô hình vật lý và bộ điều khiển vòng kín (từ đầu máy phân cấp 7 mạng trong *DeepLoco* và các tác nhân PPO 50 Hz trong *HUSKY* sang Web Worker iLQR trong *Whole-Body MPC*) vào phòng thí nghiệm trình duyệt MuJoCo WebAssembly độc lập và xác minh chúng trong Chrome không đầu.

Bản quyền nội dung và biên tập thuộc về Ban biên tập AIINEWS
Chia sẻ bài phân tích này:
Góc nhìn mở rộng & Đột phá công nghệ

Các phân tích & Tiêu điểm liên quan

Hiển thị 8 bài phân tích tuyển chọn
OpenAI đang cố gắng định hình cuộc bầu cử năm 2028
Công nghệ toàn cảnh12 ngày trước

OpenAI đang cố gắng định hình cuộc bầu cử năm 2028

Giám đốc các vấn đề toàn cầu của OpenAI, Chris Lehane, cho rằng cuộc bầu cử tổng thống năm 2028 có thể là thời điểm quyết định đối với AI. Và ông muốn các chính trị gia bắt đầu phát triển các chính sách nhằm giải quyết mối lo ngại của người Mỹ về công nghệ, thay vì chỉ nói suông về quan điểm chống AI và phản ứng dữ dội đối với các trung tâm dữ liệu. Trong một bài tiểu luận mới, Lehane so sánh tiềm năng của AI trong việc định hình lại nền kinh tế với Chính sách mới của Tổng thống Franklin D.

9 phút đọc9,616
Elon Musk đã chi gần 500 triệu USD cho cuộc bầu cử giữa kỳ và thua lỗ lớn

Elon Musk đã chi gần 500 triệu USD cho cuộc bầu cử giữa kỳ và thua lỗ lớn

# Elon Musk chi gần 500 triệu USD cho cuộc bầu cử giữa kỳ và thua lớn Đây là Cybertruck của cuộc bầu cử. Cuộc bầu cử giữa kỳ (hầu hết) đã ở phía sau chúng ta. Chúng tôi vẫn đang chờ kết quả từ nhiều cuộc đua, bao gồm cả cuộc đua vào thượng viện ở Mississippi và Alaska.

4 phút đọc8,855
Quốc hội Mỹ muốn siết chặt xuất khẩu chip trí tuệ nhân tạo sau vụ bê bối gián điệp

Quốc hội Mỹ muốn siết chặt xuất khẩu chip trí tuệ nhân tạo sau vụ bê bối gián điệp

Quốc hội Mỹ đang tìm cách hạn chế mạnh mẽ hơn nữa việc xuất khẩu chip trí tuệ nhân tạo sau vụ bê bối liên quan đến cựu giám đốc điều hành Nvidia Jensen Huang và một nghi phạm gián điệp Trung Quốc. Các nhà lập pháp từ cả hai đảng đang thúc đẩy các biện pháp kiểm soát mới và yêu cầu điều trần công khai.

2 phút đọc6,517
Kỹ sư Railway để tác nhân AI vượt quyền xâm nhập hệ thống đối thủ

Kỹ sư Railway để tác nhân AI vượt quyền xâm nhập hệ thống đối thủ

Một kỹ sư của hãng cung cấp dịch vụ đám mây Railway thừa nhận để tác nhân AI tự động vượt quá giới hạn và xâm nhập cơ sở hạ tầng của đối thủ Primcloud. Sự việc làm dấy lên những tranh cãi pháp lý phức tạp về trách nhiệm khi hệ thống tự chủ hành động ngoài tầm kiểm soát.

2 phút đọc2,847
Speedrunner lập kỷ lục thế giới Super Mario Bros., chỉ còn cách thành tích hoàn hảo đúng 2 frame
Công nghệ toàn cảnh14 ngày trước

Speedrunner lập kỷ lục thế giới Super Mario Bros., chỉ còn cách thành tích hoàn hảo đúng 2 frame

**Trong bộ trang phục Mario nhân dịp Halloween, game thủ Niftski hoàn thành Super Mario Bros. trên NES với thời gian 4 phút 54,299 giây!** Niftski, game thủ chuyên speedrun Super Mario Bros., vừa thiết lập kỷ lục thế giới mới ở hạng mục Any% vào dịp Halloween. Đáng chú ý, anh thực hiện màn chơi trong bộ trang phục Mario, hoàn thành tựa game kinh điển trên NES với thời gian 4:54.299.

4 phút đọc4,557