Η νέα τεχνολογία οπτικού σχεδιασμού της NVIDIA μειώνει τον χρόνο επεξεργασίας έως και 80% στις πλατφόρμες Jetson Thor και DGX Spark, επιτρέποντας στα ρομπότ να προβλέπουν με μεγαλύτερη ταχύτητα και ακρίβεια τις κινήσεις τους
Σχετικά Άρθρα
Τα μικροσκοπικά ρομπότ της NVIDIA κλέβουν την παράσταση με τούμπες, παραπατήματα και αστείες πτώσεις (Interesting Engineering)
Μια σημαντική εξέλιξη στον τομέα της ρομποτικής και της φυσικής τεχνητής νοημοσύνης φέρνει η NVIDIA, παρουσιάζοντας το VFlash, μια νέα μέθοδο οπτικού σχεδιασμού που επιταχύνει έως και 12 φορές την αποκωδικοποίηση τροχιών ρομπότ, περιορίζοντας παράλληλα τα σφάλματα πρόβλεψης τρισδιάστατων κινήσεων έως και 61%. Σύμφωνα με δημοσίευμα του Neetika Walter στο μέσο τεχνολογικής ενημέρωσης, στην ενότητα AI and Robotics, η τεχνολογία υπόσχεται σημαντικά ταχύτερη απόκριση των ρομποτικών συστημάτων σε μεταβαλλόμενα περιβάλλοντα.
VFlash: Πρόβλεψη ολόκληρων τροχιών σε μία μόνο επεξεργασία
Η βασική καινοτομία του VFlash βρίσκεται στον τρόπο με τον οποίο τα μοντέλα όρασης και γλώσσας (Vision-Language Models – VLMs) προβλέπουν τις κινήσεις και τις χωρικές πληροφορίες. Μέχρι σήμερα, τα συμβατικά μοντέλα παράγουν τις συντεταγμένες μιας τροχιάς διαδοχικά, μία προς μία, διαδικασία που αυξάνει τον χρόνο επεξεργασίας όσο μεγαλώνει η πολυπλοκότητα των προβλέψεων.
Αντίθετα, το VFlash αξιοποιεί τη γνωστή γεωμετρική δομή των οπτικών προβλέψεων, ώστε να δημιουργεί ολόκληρες τροχιές και γεωμετρικά αντικείμενα σε ένα μόνο πέρασμα του μοντέλου. Για να το πετύχει, χρησιμοποιεί έναν ελαφρύ μηχανισμό πρόβλεψης βασισμένο στη μέθοδο diffusion, ο οποίος υπολογίζει από κοινού τις απαιτούμενες συντεταγμένες.
Τα αποτελέσματα στις δοκιμές ρομποτικού χειρισμού ήταν ιδιαίτερα εντυπωσιακά. Στην πλατφόρμα NVIDIA Jetson Thor, ο χρόνος επεξεργασίας μειώθηκε από 3.552,7 χιλιοστά του δευτερολέπτου σε μόλις 703,3 χιλιοστά του δευτερολέπτου. Αντίστοιχα, στο DGX Spark, η καθυστέρηση περιορίστηκε από 3.356,5 σε 649,9 χιλιοστά του δευτερολέπτου.
Παράλληλα, στις δοκιμές τρισδιάστατης πρόβλεψης τροχιών, το VFlash περιόρισε το μέσο σφάλμα μετατόπισης έως και 61%, ανάλογα με το σύνολο δεδομένων και τη διαμόρφωση εκπαίδευσης. Σε πειραματικές μετρήσεις πρόβλεψης κίνησης τρισδιάστατων σημείων, καταγράφηκε επίσης έως και 25 φορές ταχύτερη παραγωγή αποτελεσμάτων σε σύγκριση με την παραδοσιακή διαδοχική αποκωδικοποίηση.
Καλύτερες επιδόσεις στον ρομποτικό χειρισμό και στην αυτόνομη οδήγηση
Οι ερευνητές εξέτασαν επίσης κατά πόσο η ταχύτερη παραγωγή οπτικών προβλέψεων μπορεί να βελτιώσει την πραγματική απόδοση των συστημάτων ελέγχου ρομπότ. Για τον σκοπό αυτό, συνέδεσαν τις τροχιές που παράγει το VFlash με ένα μοντέλο δράσης και αξιολόγησαν τις επιδόσεις του στο MolmoSpaces, ένα σύνολο δοκιμών για ρομποτικούς χειρισμούς.
Το σύστημα πέτυχε μέσο ποσοστό επιτυχίας 70,2% σε τέσσερις κατηγορίες εργασιών, έναντι 62,6% του συμβατικού συστήματος αναφοράς. Οι μεγαλύτερες βελτιώσεις καταγράφηκαν σε εργασίες μετακίνησης και τοποθέτησης αντικειμένων (pick-and-place), καθώς και σε εργασίες κλεισίματος αντικειμένων, όπου τα ποσοστά επιτυχίας αυξήθηκαν κατά 11,6 και 12,8 ποσοστιαίες μονάδες αντίστοιχα.
Η εφαρμογή της τεχνολογίας δεν περιορίστηκε στη ρομποτική. Το VFlash δοκιμάστηκε επίσης στον τομέα της αυτόνομης οδήγησης, αξιοποιώντας τα σύνολα δεδομένων NAVSIM και Waymo. Τα αποτελέσματα έδειξαν ότι μπορεί να παράγει τροχιές οδήγησης με ανταγωνιστικές επιδόσεις στα σχετικά benchmarks, ενώ η χρήση ενισχυτικής μάθησης (Reinforcement Learning) βελτίωσε περαιτέρω τις δυνατότητες σχεδιασμού.
Η έρευνα με τίτλο «VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding», η οποία δημοσιεύθηκε τον Νοέμβριο του 2026 από ερευνητές της NVIDIA και συνεργάτες τους, αναδεικνύει τις δυνατότητες μιας νέας προσέγγισης στην παραγωγή οπτικών και χωρικών προβλέψεων. Η ταχύτερη αποκωδικοποίηση, σε συνδυασμό με τη διατήρηση υψηλής ακρίβειας, θα μπορούσε να αποτελέσει σημαντικό βήμα για την ανάπτυξη πιο ευέλικτων και αποδοτικών ρομπότ, αλλά και συστημάτων αυτόνομης οδήγησης.
www.worldenergynews.gr
