Край Будущего

Оно находится на юго-западной границе созвездия Волка, удаленное от нас на 3548 световых лет. Возраст его звезд — 27 миллионов лет, а протяженность составляет 11,7 световых лет, что немного превышает расстояние от Солнца до красного карлика DX Рака, который в тысячи раз активнее нашего светила. Чтобы добраться до него, потребуется 11,68 световых лет.

Согласно необработанным данным, полученным с помощью космического телескопа TESS, у DX Рака были обнаружены пять экзопланет размером от Урана до чуть меньше Сатурна, которые расположены почти вплотную к звезде. Однако с высокой вероятностью, что это лишь неправильно интерпретированные данные, которые на самом деле являются мощными вспышками от этой звезды.

Скопление Cr 287 содержит не менее 256 молодых звезд. Среди них есть как горячие голубые и белые гиганты, так и оранжевые и красные гиганты. Но есть и более удивительные объекты.

Многие звезды в этом скоплении являются двойными. Однако особое внимание привлекает HD 130152 — система, состоящая из голубого гиганта и обычной голубой звезды главной последовательности. Расстояние между ними составляет сотни астрономических единиц. Возможно, вокруг главной звезды вращается коричневый карлик, который в 57,21 раз массивнее Юпитера и находится почти на таком же расстоянии от нее, что и Юпитер от Солнца.

Также заслуживает внимания белая звезда CL 25, относящаяся к классу пульсирующих переменных. Этот класс звезд характеризуется изменением своей светимости из-за поочередного расширения и сжатия внешних слоев, что приводит к изменению их температуры. CL 25 не только пульсирует, но и проявляет свойства Альфераца — ярчайшей звезды Гончих Псов. Магнитное поле CL 25 в десятки раз сильнее магнитосферы Солнца.

Экзопланет в скоплении Cr 287 пока не обнаружено ни наземными, ни космическими телескопами. Может их пока там и нет, а может стоит провести более детальный анализ этих светил.

Возвращаемся к хайтеку. Инженеры из Калифорнийского университета в Беркли создали уникальную технологию RoVi-Aug, которая открывает перед роботами новые горизонты автономного обучения. В основе этого метода лежит принцип обучения модели выявлять и использовать причинно-следственные связи между действиями робота и выполняемыми задачами.

Система генерирует синтетические данные, адаптируясь к различным типам роботов и углам обзора камер, что значительно снижает потребность в сборе реальных данных и упрощает процесс обучения. Благодаря этому роботы могут быстрее адаптироваться к новым задачам, а их успешность выполнения возрастает на 30%.

Увеличение количества данных, доступных для обучения роботов, играет ключевую роль в освоении универсальных навыков. Однако, объемы информации, используемые для обучения, значительно меньше по сравнению с огромными датасетами, применяемыми в передовых моделях искусственного интеллекта для задач компьютерного зрения и обработки естественного языка. Сбор разнообразных и релевантных данных из реального мира для обучения и адаптации роботов представляет собой длительный и трудоемкий процесс.

Существует несколько подходов к решению этой проблемы. Проект Open-X Embodiment объединяет информацию с 60 роботов, позволяя им учиться друг у друга. Однако этот метод имеет существенный недостаток: в данных содержится слишком много информации о конкретных роботах, а углы обзора камеры ограничены. В результате устройства запоминают лишь ограниченный набор сведений и испытывают трудности с новыми задачами, если им демонстрируют примеры с роботами другого типа или меняют положение камеры.

Другой алгоритм, Mirage, адаптирует неизвестных роботов с помощью «перекрестной окраски», делая их похожими на модели из обучающей выборки. Однако Mirage не поддерживает тонкую настройку, а значительные изменения камеры могут сбить алгоритм с толку.

Исследователи из Калифорнийского университета в Беркли представили метод RoVi-Aug, который направлен на преодоление этих ограничений. В отличие от традиционных подходов, которые объединяют данные различных роботов, RoVi-Aug фокусируется на обучении моделей пониманию взаимосвязи между действиями робота и выполняемыми задачами.

Новая архитектура генерирует синтетические визуальные демонстрации, варьирующиеся по типу робота и углу обзора камеры, что значительно повышает универсальность процесса обучения. Технология состоит из двух компонентов:

1. Модуль дополнения данных о роботе (Ro-Aug) создает демонстрации с различными роботизированными системами.
2. Модуль дополнения данных о точке зрения (Vi-Aug) имитирует демонстрации с разных ракурсов камеры.

Сочетание этих модулей создает более разнообразный датасет для обучения роботов, позволяя им тренироваться на большем количестве сценариев. В результате устройства становятся более гибкими и могут переносить свои навыки между различными задачами и моделями.

При этом значительно сокращается необходимость в сборе больших объемов данных из реального мира.

В отличие от таких методов, как Mirage, RoVi-Aug не требует знания матриц камер и поддерживает тонкую настройку модели, что значительно повышает производительность в сложных задачах. RoVi-Aug также помогает обучать модели для нескольких роботов и задач, используя как исходные, так и дополненные данные.

RoVi-Aug требует доработки в нескольких направлениях. Необходимо повысить устойчивость к изменениям окружения, улучшить качество синтетических данных, унифицировать модели для разных роботов и устранить искажения. Перспективным является расширение метода на более сложные манипуляторы, такие как многопалые руки.