谷歌和DeepMind基于三种工具创建了

papre12

在为期七个月的时间里，AutoRT系统在

真实环境中进行了评估，尤其是在多栋办公楼中。测试涉及同时安全地协调多达20台机器人，总共多达52台不同的机器人。这些机器人配备了摄像头和末端执行器，并被部署执行了涵盖6650项独特任务的77000次机器人测试。这种方法使系统能够收集到多样化且有意义的数据集，从而展示了AutoRT在全新环境中管理多台机器人并有效执行各种任务的能力。

该系统将机器人变形（RT）模型转换为更高效的版本，用于提高RT模型的速度和精度。

可以将 SARA-RT（机器人自适应鲁棒注意力机制）理解为增强机器人快速思  больше баз данных  考能力的一种技术。在做决策时，由于需要处理的信息量庞大，机器人有时会变得反应迟钝。SARA -RT 可以帮助它们更快、更准确地思考。

SARA-RT 与现有的 RT-2 型号进行了对比测试，结果表明，在接收一段简短的图像历史记录后， SARA-RT的准确度比 RT-2 型号高 10.6%，速度快 14% 。

正如DeepMind解释的那样，“我们设计的系统易于使用，希望众多研究人员和从业者能够将其应用于机器人及其他领域。由于SARA提供了一种通用的Transformer加速方案，无需耗费大量计算资源的预训练，因此该方法有望大幅扩展Transformer技术的应用范围。它无需编写任何额外的代码，因为可以使用多个开源的线性变体。”

该工具专注于提升机器人动作的泛化能力。

它通过可视化呈现运动轨迹，帮助机器人理解并执行特定任务，这些运动轨迹旨在解决现实世界中机器人交互的不同方面。

这就像舞蹈老师在训练视频中添加机器人动作的视觉“图示”一样。这样，机器人不仅能学习做什么，还能学习如何高效地完成任务。该系统的，甚至可以接受手绘草图。而且，它还可以轻松适配不同的机器人平台。

该模型使 现有RT模型的成功率提高了一倍。与RT-2相比，由RT-Trajectory控制的机械臂的成功率达到了63%，而RT-2的成功率仅为29%