Vision‑Language‑Action (VLA) මොඩලයන්හි දෘශ්ය දත්ත සහ රොබෝ කාර්යයන් අතර ඇති “ෆ්රේම් ගැටලුව” නව පෝයින්ට්මැප් තාක්ෂණයෙන් විසඳා ඇත.
සාම්ප්රදායික VLA මොඩලයන් කැමරාවකින් ලැබෙන RGB පින්තූර භාවිතා කරන අතර, එම පින්තූරය රොබෝගේ 3D සම්මුඛ කෝඨාශයට පරිවර්තනය කිරීමේදී සංකීර්ණ ගණිත සම්බන්ධතා අවශ්ය වේ. කැමරාව ස්ථිරව තිබේ නම් මොඩලය එම සම්බන්ධතාවය මතක තබාගෙන කාර්යය ඉටු කරයි, නමුත් කැමරාවේ ස්ථානය වෙනස් වූ විට එය අසාර්ථක වේ.
රොබෝ‑කේන්ද්රිත පෝයින්ට්මැප්ස් යනු, දෘශ්ය ආදානය 3D කෝඨාශ ග්රිඩ් එකකට පරිවර්තනය කිරීමයි. එක් එක් පින්තූර පික්සලයෙහි (x, y, z) නිරූපණයක් රොබෝගේ බේස් හෝ එන්ඩ්‑එෆෙක්ටරය සම්බන්ධයෙන් ගණනය කරයි. මේ නිසා කැමරාවේ ස්ථානය කුමක් වුවත්, VLA මොඩලයට එකම “රොබෝ‑කේන්ද්රිත” දෘශ්යය ලැබේ.
මෙම pointmap එක H × W ග්රිඩ් ආකෘතිය රැකගෙන, Vision Transformers (ViT) වැනි නවීන 2D විෂන් එන්කෝඩර් සමඟ සෘජුවම භාවිතා කළ හැක. එමනිසා පරණ ආකෘතියේ ඉන්පුට් ලේයර් වෙනස් කිරීම අවශ්ය නොවේ; මොඩලය පින්තූරයක් ලෙස pointmap එක සැලකීමෙන්, රොබෝගේ කිනෙමැටික්ස් භාෂාවට පරිවර්තනය කරයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ AI සහ රොබොට් සංවර්ධකයන්ට මෙය විශාල අවස්ථාවකි. දැන් දත්ත වර්ධනය සඳහා කැමරාව වෙනස්‑වෙනස් කරමින් අතිරේක අගුළු තබා ගැනීමට අවශ්ය නොවෙයි; pointmap එක භාවිතා කරමින් නව දත්ත එකතු කිරීම සරල වේ. එමෙන්ම, සීමිත ගණනක GPU සමඟත්, පූර්ව‑පුහුණු Vision Backbone ගොඩක් භාවිතා කරමින් පිරිසිදු පරිසරයකට මොඩලය අනුගත කළ හැක.
කැමරා කැල්බ්රේෂන් සහ ගැඹුරු අගය ගැනීමේ නිරවද්යතාවය ප්රධාන අවශ්යතාවයක් වුවද, රියල්‑ටයිම් ද්රව්ය සංවේදක තාක්ෂණය වර්ධනය වෙමින්, එය වඩාත් ලාභදායී වේ.
එසේම, ශ්රී ලංකාවේ විශ්වවිද්යාල සහ ආරම්භක සමාගම් මේ තාක්ෂණය භාවිතා කරමින්, රොබෝ‑කේන්ද්රිත AI යෙදුම්, ගබඩා ස්වයංක්රිය කිරීම, වෛද්ය රොබොට් ආදිය වැනි නව ක්ෂේත්රවලට ප්රවේශය ලැබේ.
අවසන් වශයෙන්, රොබෝ‑කේන්ද්රිත pointmap තාක්ෂණය VLA මොඩලයන්ගේ දෘශ්ය‑ක්රියා ගැටලුව නිරවද්ය ලෙස විසඳා, ශ්රී ලංකාවේ තාක්ෂණික නව්යතා සඳහා නව දොරටුවක් විවර කරයි.
