AnswersPublished16 sources
Roboti sdílejí zkušenosti z provozu. Jak funguje učení CEL
Collective Experience Learning (CEL) umožňuje robotům v provozu vylepšovat společnou řídicí strategii na základě zkušeností celé flotily, místo aby se při každé změně spoléhaly na nové ukázky od odborníků. Metoda FERT využívá kontext neúspěšného pokusu k vyhledání podobných úspěšných úseků, zatímco systém FATS má po...
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) umožňuje robotům v provozu vylepšovat společnou řídicí strategii na základě zkušeností celé flotily, místo aby se při každé změně spoléhaly na nové ukázky od odborníků.
- Metoda FERT využívá kontext neúspěšného pokusu k vyhledání podobných úspěšných úseků, zatímco systém FATS má podporovat asynchronní trénování flotily odolné vůči výpadkům.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Collective Experience Learning (CEL), proposed by Tsinghua University, Infinigence AI and AgiBot and described in an Infinigence AI–. Article summary: Collective Experience Learning (CEL) is a fleet-learning approach in which deployed robots share real-world execution experience to improve a common policy, rather than relying on fresh human demonstrations for every imp. Topic tags: general, academic, education, general web, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterm
Robot při úkolu narazí na problém. Jiný stroj už ale podobnou situaci možná zvládl — a jeho zkušenost může pomoct celé skupině. Právě na tomto principu stojí Collective Experience Learning (CEL), přístup, který umožňuje robotům sdílet zkušenosti z reálného provozu a společně vylepšovat jednu řídicí strategii. Studie spojená s Univerzitou Tsinghua, společností Infinigence AI a výrobcem AgiBot popisuje testování flotily až 96 robotů. 1
9
Proč mají roboti sdílet zkušenosti
Lidské ukázky a ruční opravy chování mohou robotům při učení pomáhat. S rostoucím počtem nasazených strojů je ale stále obtížnější poskytovat odborný dohled pro každý další pokus a každou úpravu. CEL chce část tohoto břemene přesunout na samotné roboty: zdařilý výkon jednoho stroje se může stát příkladem pro ostatní. Cílem není odstranit člověka z vývoje robotiky, ale omezit závislost na novém odborném zásahu při každém vylepšení. 1
Jak FERT využívá neúspěšné pokusy
Klíčovou součástí CEL je algoritmus FERT, zkratka pro Failure-guided Experience Retrieval Fine-tuning — dolaďování modelu pomocí vyhledávání zkušeností naváděného neúspěchem. Když se robotovi úkol nepodaří, algoritmus využije kontext dané situace k vyhledání podobných úseků v souboru úspěšných trajektorií celé flotily. Nalezený příklad pak poskytne zaznamenané akce pro další úpravu řídicí strategie. 4
13
To se hodí zejména u delších manipulačních úloh. Závěrečné označení „úspěch“ nebo „neúspěch“ samo o sobě neukáže, který krok je potřeba zlepšit. FERT nabízí způsob, jak problémovou situaci propojit s příkladem úspěšného postupu. Samotná metoda však nedokazuje, který konkrétní pohyb chybu způsobil.
Tým popisuje také FATS, systém pro asynchronní trénování s odolností vůči výpadkům, který má umožnit učení napříč roboty, i když nejsou všichni dostupní současně. V souvislosti se systémem se uvádí 30 poruch, které zasáhly 22 robotů, a ztráta 1,3 % provozního času robotů. Jde o zveřejněné údaje o fungování systému; samy o sobě nezávisle neověřují všechny podrobnosti obnovy po poruše ani způsob nahrávání zkušeností. 8
Co ukázaly zveřejněné testy
Hodnocení zahrnovalo pět manipulačních úloh: aranžování květin, skládání oblečení, nabíjení telefonu, sestavení stoličky a balení telefonu.
- Roboti, kteří se neúčastnili trénování: Dva stroje mimo tréninkovou skupinu absolvovaly 600 pokusů. Uspěly v 585 případech a 15krát selhaly, což odpovídá celkové úspěšnosti 97,5 %. Tým také uvádí, že výsledek robotů v každé z pěti úloh překonal průměr šesti lidských operátorů. Jde o srovnání v rámci těchto konkrétních úloh, nikoli o důkaz obecné převahy robotů nad lidmi.
- Balení telefonu: Uváděná úspěšnost vzrostla ze 79,2 % na 98,3 %. Popis hodnocení zmiňuje 120 testů na dvou robotech, kteří se trénování neúčastnili.
7
- Velikost flotily: Při stejném čase trénování v reálném prostředí stoupla podle zveřejněného srovnání úspěšnost z 86,7 % při zapojení 16 robotů na 98,3 % u 96 robotů. Výsledek podporuje představu, že větší flotila může za stejný čas nasbírat více zkušeností; nezaručuje však, že každá větší skupina dosáhne stejného zlepšení.
Co si z výsledků odnést — a co zatím nevíme
Základní myšlenka CEL je jednoduchá: neúspěšný pokus pomůže určit, kde je prostor ke zlepšení, a flotila pak nabídne příklady úspěšných řešení. FERT zajišťuje vyhledávání zkušeností a úpravu strategie, zatímco FATS je popisován jako systémová vrstva pro asynchronní trénování odolné vůči výpadkům. Výsledky z pěti úloh v reálném prostředí jsou slibným prvním dokladem — zahrnují i testy na robotech, kteří se trénování neúčastnili. 13
Uvedená čísla je ale třeba chápat jako výsledky zveřejněné týmem, nikoli jako nezávislou replikaci. Ukazují, jak si CEL vedlo v popsaném experimentu; zatím nepotvrzují, jak dobře se přístup přenese na jiné roboty, úkoly nebo podmínky provozu.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Roboti sdílejí zkušenosti z provozu. Jak funguje učení CEL"?
Collective Experience Learning (CEL) umožňuje robotům v provozu vylepšovat společnou řídicí strategii na základě zkušeností celé flotily, místo aby se při každé změně spoléhaly na nové ukázky od odborníků.
What are the key points to validate first?
Collective Experience Learning (CEL) umožňuje robotům v provozu vylepšovat společnou řídicí strategii na základě zkušeností celé flotily, místo aby se při každé změně spoléhaly na nové ukázky od odborníků. Metoda FERT využívá kontext neúspěšného pokusu k vyhledání podobných úspěšných úseků, zatímco systém FATS má podporovat asynchronní trénování flotily odolné vůči výpadkům.