Всем рекомендую, особенно задачу про MARL

Пока OpenAI работает, мы тоже не сидим сложа руки и неделю назад анонсировали нашу новую базовую (foundation) модель MAPF-GPT - теперь для мультиагентных задач. Навигация агентов с частичной наблюдаемостью треубет сильных навыков предсказания поведения других агентов и умения разрешать конфликты, которых становится тем больше, чем самих агентов. Для задачи MAPF это первая в мире базовая модель, которая еще и бьет все SOTA решения, которые есть на данный момент. Для этой классической области, которая долго держалась под напором обучаемых подходов, это действительно прорыв. В работе наша базовая модель демонстрирует и zero-shot обучение на новых задачах, что открывает новые перспективы для исследователей MAPF. Со всеми фишками модели можно познакомиться на гитхабе, где есть и удобная колаб тетрадка, где можно "погонять" агентов и посмотреть своими глазами, как они разрешают конфликты, даже когда их больше 100 на карте. Там же есть и веса всех трех размеров модели и датасет для обучения.

Алабуга, 5-й уровень автономности беспилотных грузовиков 🚛 достигнут благодаря слаженной работе команды Автороботикс МАДИ - МФТИ. Конкурс ещё идёт и в ближайшие дни попытаемся преодолеть полный технологический барьер, но впечатляющий результат уже достигнут. Мы показали, что даже небольшие некоммерческие исследовательские команды могут делать такие технологические прорывы🦾

🔥Делаем наш книжный клуб по Embodied AI публичным!🔥

Так что если вам эта тема (и всё что с ней связано) интересна, переходите в канал https://yangx.top/embodied_ai_rc — там будут анонсы встреч и материалы по ним

🎓 — Семинар 5. Построение графов динамических трехмерных сцен | Дмитрий Юдин, Сергей Линок

На семинаре будет обсуждаться задача формирования представлений трехмерных динамических сцен по RGBD последовательности данных, а именно графовых представлений, которые отражают не только пространственные, но и временные особенности. Такие графы динамических сцен могут быть использованы для поиска объектов или ответов на вопросы с отсылками на прошлые состояния или взаимосвязи объектов.

В ходе доклада будет проведен обзор существующих методов, а также идей и подходов из смежных областей, связанных с представлением больших последовательностей информации. Мы планируем представить несколько вариантов решений поставленной задачи и приглашаем принять участие в дискуссии о преимуществах и недостатках предлагаемых идей.

👉🏻 Дата: 03.10.24, четверг в 17:00

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #CV #Graph

Нобелевский комитет ломает все шаблоны. Раньше математикам через экономику удавалось выходить с нобелевской речью, теперь вот посушаем спецалистов по ИИ от физики. В целом не удивительно, что современные действительно впечатляющие достижения в ИИ удостоили такой награды. Лауреатами стали известные спеицлисты, но уже серьезно в возрасте. Более молодые и чьи результаты более активно используются (как Бенджо или Шмидхубер), видимо еще будут ждать своей очереди. Но путь уже проторен, что радует. Чтобы как-то обосновать - выбрали уже мало используемые модели, но у которых есть хоть какая-то интерпретация в физике. Использовать принципи минимизации энергеии для обоснования процесса обучения - вполне корректная связка. А ниже краткий пересказ собственно достижений.

Джон Хопфилд изобрёл сеть, которая использует метод сохранения и воссоздания шаблонов. Мы можем представить узлы в виде пикселей. Сеть Хопфилда использует физические законы, описывающие характеристики материала из-за его атомного спина — свойства, которое делает каждый атом крошечным магнитом. Сеть в целом описывается способом, эквивалентным энергии в спиновой системе, описанной в физике, и обучается путём поиска значений для связей между узлами, чтобы сохранённые изображения имели низкую энергию. Когда в сеть Хопфилда поступает искажённое или неполное изображение, она методично обрабатывает узлы и обновляет их значения, чтобы энергия сети уменьшилась. Таким образом, сеть постепенно находит сохранённое изображение, наиболее похожее на то, которое было искажено.

Джеффри Хинтон использовал сеть Хопфилда в качестве основы для новой сети, использующей другой метод: машину Больцмана. С ее помощью можно научиться распознавать характерные элементы в данных данного типа. Хинтон использовал инструменты статистической физики, науки о системах, построенных из множества похожих компонентов. Машина обучается путем подачи ей примеров, которые с большой вероятностью могут возникнуть при запуске машины. Машина Больцмана может использоваться для классификации изображений или создания новых примеров типа рисунка, на котором она была обучена. Хинтон развил эту работу, помогая инициировать нынешнее бурное развитие машинного обучения.

🎓 — Семинар 6.Model-based Policy Optimization using Symbolic World Model | Андрей Городецкий

Некоторые механические системы подчиняются функциональным зависимостям с небольшим количеством параметров, однако их приближение моделью с фиксированной архитектурой, например MLP, обычно требует настройки гораздо большего числа параметров.

В докладе Андрей расскажет про задачу символьной регрессии, метод её решения с помощью трансформера, применение этого метода для получения модели динамики среды и её использование в model-based policy optimization для обучения агента управлению низкоразмерными системами.

👉🏻 Дата: 10.10.24, четверг в 17:00

📹 Трансляция Youtube

Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!

#семинары #RL #robotics