پانچ یونیورسٹیوں کی ٹیم ڈیجیٹل انسانوں کے لیے ویژول گائیڈڈ 3D نیویگیشن فریم ورک تیار کرتی ہے

ME خبر کے مطابق، 14 اپریل (UTC+8) کو، 1M AI خبر کی نگرانی کے مطابق، پکینگ یونیورسٹی، کارنیگی میلون یونیورسٹی، ٹونجی یونیورسٹی، کیلیفورنیا یونیورسٹی، لاس اینجلس اور میشیگن یونیورسٹی کا ملٹی انسٹیٹیوشنل ٹیم نے arXiv پر VGHuman شائع کیا ہے، جو ایک ایسا جسمانی AI فریم ورک ہے جو ڈیجیٹل انسان کو صرف بصری حس کے ذریعے ناپید 3D ماحول میں خود مختار طور پر حرکت کرنے کی اجازت دیتا ہے۔ پہلے ڈیجیٹل انسان سسٹم عام طور پر پہلے سے طے شدہ اسکرپٹس یا خصوصی حالت کی معلومات پر منحصر تھے، جبکہ VGHuman کا مقصد ڈیجیٹل انسان کو حقیقی آنکھیں دینا تھا تاکہ وہ خود راستہ دیکھ سکے، منصوبہ بندی کر سکے اور حرکت کر سکے۔ فریم ورک دو لیرز پر مشتمل ہے۔ ورلڈ لیر سینگل فریم ویڈیو سے سمندرانوں کے ساتھ سینٹک اینوٹیشن اور کالیژن میش والے 3D گاسین سین کو دوبارہ تعمیر کرتا ہے، جس کا انسداد رکاوٹ ڈیزائن اسے پیچیدہ باہر کے ماحول میں بھی چھپائے گئے چھوٹے اشیاء کو شناخت کرنے کی اجازت دे�تا ہے۔ اجینٹ لیر نے ڈیجیٹل انسان کو فرسٹ پرسپیکٹ RGB-D (رنگین + گہرائی) حس فراہم کیا ہے، جو فضائی حس بصری حوالہ جات اور تکراری استدلال کے ذریعے منصوبہ بندی پیدا کرتا ہے، جسے آخر میں ڈفیوژن ماڈل سے جسمانہ حرکت سلسلہ میں تبدیل کر دیا جاتا ہے۔ 200 ٹيسٹ سینز کے نیوگیشن بینچ مارک میں، آسان راستہ، رکاوٹوں سے گزرنے اور حرکت کرتے ہوئے پیدل مسافروں جیسے تین مشکل سطحوں میں، VGHuman کامیابی کا شرح NaVILA، NaVid، Uni-NaVid جیسے بہترین بنچ مارکس سے تقریباً 30 فصد زائد تھا، جبکہ تصادم کا شرح برابر یا کم تھا۔ فریم ورک رننگ، جھپٹنا اور دوسرے متعدد حرکت اندازوں کو بھی سپورٹ کرتا ہے، اور متعدد متصل مقاصد تک لمبے فاصلے کی منصوبہ بندی کو بھی سپورٹ کرتا ہے۔ کوڈ اور ماڈل جلد آزاد شائع کئے جائینگے، اور GitHub رپوزٹری پہلے سے قائم ہوچکا ہے۔ (ذرائع: BlockBeats)