Стенфорд дозволив штучному інтелекту для механічної руки безпосередньо керувати безпілотником: без повторного навчання може захоплювати предмети та самостійно орієнтуватися в просторі

Що сталося

Команда Стенфорда зробила цікаву річ: використала модель VLA, що навчена виключно на даних фіксованого механічного маніпулятора, щоб літати на дроні та щось захоплювати. Їхній підхід називається AirVLA, базується на π₀ VLA, додавши шар “усвідомлення навантаження” як фізичне керівництво для адаптації до аеродинаміки, а потім використовуючи 3D Gaussian Splatting для генерації синтетичних даних, щоб доповнити навігаційні зразки.

Які результати

• Успішність навігації: 100%
• Успішність захоплення/розміщення: 50%
• Успішність багатокрокових довгих завдань: 62%

Ключове: основна модель залишилася незмінною. Це важливо для реального впровадження — повне перенавчання є дорогим і повільним.

Чому модель механічного маніпулятора не може літати безпосередньо

VLA добре справляється з міжплатформеним перенесенням в частині “розуміння сцени + розуміння завдання”, але контролювати динаміку прямо не вдається:

• Дані механічного маніпулятора за замовчуванням передбачають, що середовище не дуже рухається
• Дрон є недооснащеною системою, де похибка накопичується дуже швидко, і можна впасти
• Фізичні закони та обмеження контролю з обох сторін зовсім не однакові

Як вони це вирішили

Два основних підходи:

1. Додавання фізичних обмежень під час виведення: не вбудовувати нову динаміку в модель, а на етапі виходу коригувати в режимі реального часу відповідно до фізичних законів
2. Використання Gaussian Splatting для створення навігаційних даних: не потрібно бігати по світу, збираючи дані з реальних машин

Такий підхід “додавання модулів до базової моделі, без повного перенавчання” узгоджується з напрямками AIR-VLA, DroneVLA, але з іншим підходом.

Для кого це корисно

Компанії, що займаються повітряними операціями (логістика, інспекція, рятувальні роботи), можуть зацікавитися:

• Не потрібно спеціально збирати велику кількість даних про дрони
• Гібридний підхід фізичного керівництва + ШІ є більш контрольованим у сценаріях, чутливих до безпеки, на відміну від чисто навчального контролю, що є більш абстрактним

Як оцінити цю справу

Висновок: цей напрямок ще на ранній стадії. Найбільш зацікавлені - команди, що займаються повітряними операціями — виробники роботів/дронів, дослідницькі лабораторії, постачальники рішень. Для короткострокової торгівлі це має незначне значення, але довгострокові інвестори можуть звернути увагу на подальші ключові етапи від дослідження до масштабування.