AnswersPublished16 sources
HOST kan ændre måden, robotter trænes på
HOST opnåede ifølge forskerne en gennemsnitlig succesrate på 62 procent efter en enkelt menneskelig demonstration på 29 sekunder. I stedet for at kopiere menneskets bevægelser eller opdatere modellens parametre forudsiger HOST opgavens resultat fra robottens eget perspektiv og genererer handlinger, der kan nå det.
Udgivet afRedigeret med GPT-5.6 LunaBilleder genereret med GPT Image 1.5
Research answer
Key takeaways
- HOST opnåede ifølge forskerne en gennemsnitlig succesrate på 62 procent efter en enkelt menneskelig demonstration på 29 sekunder.
- I stedet for at kopiere menneskets bevægelser eller opdatere modellens parametre forudsiger HOST opgavens resultat fra robottens eget perspektiv og genererer handlinger, der kan nå det.
- Tilgangen kan flytte embodied AI i retning af bredt fortrænede modeller, der tilpasser sig ved brug i stedet for at kræve ny teleoperation og særskilt træning for hver opgave.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How does X Square Robot’s open-sourced HOST framework change embodied-AI training by enabling a humanoid robot to watch a 29-second human de. Article summary: HOST’s important shift is from task-specific retraining to inference-time skill acquisition: rather than gathering a new teleoperation dataset and updating model weights, the robot conditions on one human video, translat. Topic tags: general, general web, user generated, academic. 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, watermarks, char
Det mest interessante ved HOST – en forkortelse for Human-to-robot One-Shot Skill AcquisiTion – er ikke, at en robot pludselig kan klare alle huslige pligter. Pointen er snarere, at en ny fysisk færdighed kan behandles mere som en instruktion end som et helt nyt træningsprojekt: Vis robotten én menneskelig demonstration, lad den fortolke målet fra sit eget kamera- og kropsperspektiv, og lad den derefter forsøge opgaven uden at ændre modellens grundlæggende parametre. 18
34
I den rapporterede evaluering gav en 29 sekunder lang demonstration en gennemsnitlig succesrate på 62 procent. En sammenligning baseret på Pi-0.5-systemet nåede angiveligt 38 procent efter cirka 50 robotdemonstrationer og fire timers finjustering. Tallene stammer fra forskernes eget forsøgssetup og bør ikke læses som dokumentation for driftssikkerhed i virkelige hjem. 18
34
Fra genoptræning til tilpasning i øjeblikket
Traditionelle metoder inden for imitation learning kræver som regel, at man indsamler nye demonstrationer for hver opgave og derefter optimerer eller finjusterer modellen. Det kræver tid med en menneskelig operatør, beslaglægger robotter og kan gøre det sværere at bevare allerede indlærte færdigheder.
HOST flytter i stedet tilpasningen. Den fortrænede model forbliver uændret, mens demonstrationsvideoen bliver opgavespecifik kontekst, som modellen får ved inferenstidspunktet. Det minder mere om in-context learning end om at lære en permanent ny adfærd gennem gradientopdateringer. Forskning i robotlæring har tidligere undersøgt den bredere mulighed for, at modeller kan tilpasse deres adfærd ud fra konteksten med observationer og handlinger uden at ændre deres vægte. 20
Det praktiske løfte er en kortere vej fra »vis robotten, hvad den skal gøre« til »lad robotten prøve«. Robotten lærer dog ikke alle fysiske principper fra bunden på 29 sekunder. En mere præcis beskrivelse er, at en bredt fortrænet model bruger én video til at vælge, forankre og udføre en ny opgave.
Derfor kopierer HOST ikke bare mennesket
Et menneske og en robot har ikke samme kameravinkel, håndform, led, rækkevidde eller bevægelseshastighed. En direkte overførsel af billedpunkter eller ledbevægelser ville derfor hurtigt blive skrøbelig.
I stedet bruger HOST en kæde af selvforankrede forudsigelser. Først vurderer frameworket, hvor langt robotten er nået i den viste opgave. Derefter forudsiger det, hvordan den videre udvikling bør se ud fra robottens eget synspunkt, og til sidst udleder det handlinger fra disse forudsagte observationer. 18
De rapporterede dele af systemet løser forskellige aspekter af oversættelsen:
- Synsmodulet fortolker opgaven og det ønskede resultat i en robotcentreret perceptuel ramme.
- Handlingsmodulet omsætter det forudsagte resultat til udførbar robotadfærd.
- Dynamic time warping hjælper med at matche tilsvarende faser, når mennesket og robotten udfører dem i forskelligt tempo.
Forskellen er vigtig. Robotten skal ikke gengive demonstratorens kropsmekanik nøjagtigt. Den skal forstå den meningsfulde rækkefølge af ændringer i situationen og finde sin egen måde at skabe det ønskede resultat på.
En bredere opskrift for embodied AI
Designet afspejler også et målrettet syn på imitation: En observatør forsøger at forstå, hvad en handling skal opnå, og vælger derefter en motorisk plan, der passer til dens egen krop. Det er noget andet end at behandle en demonstration som en bevægelsesbane, der skal afspilles billede for billede.
Simulation og omfattende fortræning kan give modellen variation og generelle færdigheder, før robotten tages i brug. En kort video fra den virkelige verden leverer så den opgavespecifikke information, som mangler i øjeblikket. Det peger på en mulig træningsopskrift for embodied AI: Lær brede fysiske og adfærdsmæssige grundmønstre offline, og specialisér derefter hurtigt gennem kontekst ved inferenstidspunktet.
Retningen passer ind i en bredere bevægelse mod åbne robotdatasæt og foundation-modeller, der trænes på tværs af flere robottyper. Her kan erfaring fra én platform i princippet overføres til andre. 25
Hvorfor åben kildekode betyder noget
X Square Robots udgivelse gør det lettere for andre forskere og udviklere at inspicere, genskabe og afprøve metoden. Åbne implementeringer kan vise, hvor godt video-til-handling-overførsel fungerer på tværs af kameraer, robotarme, miljøer og opgaver – i stedet for at lade påstanden være bundet til én proprietær demonstration.
Virksomheden har også udgivet kode og værktøjer til sit WALL-økosystem for embodied-modeller, blandt andet komponenter til træning, inferens, dataforberedelse og evaluering. 26
27 For X Square kan åben kildekode dermed tjene to formål: at sætte fart på eksperimenter uden for virksomheden og at skabe kendskab til de modeller og den hardware, der knytter sig til frameworket.
Åben kildekode bekræfter dog ikke i sig selv HOSTs benchmarkresultat. Den gør blot den centrale hypotese lettere at efterprøve: at robotters fortrænede evner kan tilpasses gennem en kompakt demonstration i stedet for gentagen finjustering til hver ny manipulationsopgave.
Hvad viser resultatet på 62 procent – og hvad viser det ikke?
En succesrate på 62 procent er et relevant forskningsresultat, især når den ledsages af den rapporterede reduktion i antal demonstrationer og træningstid. Det er ikke det samme som pålidelig autonomi. I den beskrevne evaluering mislykkedes næsten to ud af fem forsøg stadig.
Resultatet dokumenterer heller ikke robust funktion under alle de forhold, en husholdningsrobot vil møde. Der er behov for yderligere test med ændringer i belysning, rod, genstandes udseende, kontakt og friktion, fejlhåndtering, sikkerhedskrav, længere opgavesekvenser og andre robotkroppe. Uafhængig evaluering er også vigtig, fordi artiklen er et forskningspreprint, og sammenligningerne er knyttet til et bestemt benchmark. 18
34
Den mest holdbare konklusion er derfor smallere – og mere interessant – end påstanden om, at humanoide robotter nu kan lære husarbejde fra én video. HOST peger mod embodied-AI-systemer, der fortrænes bredt, tilpasser sig hurtigt ud fra menneskelige demonstrationer og undgår opgavespecifikke ændringer af modellens vægte. Hvis resultatet kan generaliseres uden for forskernes benchmark, kan færdighedstilegnelse ved inferenstidspunktet blive et seriøst alternativ til den dyre cyklus med teleoperation, dataindsamling og gentagen finjustering.
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 "HOST kan ændre måden, robotter trænes på"?
HOST opnåede ifølge forskerne en gennemsnitlig succesrate på 62 procent efter en enkelt menneskelig demonstration på 29 sekunder.
What are the key points to validate first?
HOST opnåede ifølge forskerne en gennemsnitlig succesrate på 62 procent efter en enkelt menneskelig demonstration på 29 sekunder. I stedet for at kopiere menneskets bevægelser eller opdatere modellens parametre forudsiger HOST opgavens resultat fra robottens eget perspektiv og genererer handlinger, der kan nå det.
What should I do next in practice?
Tilgangen kan flytte embodied AI i retning af bredt fortrænede modeller, der tilpasser sig ved brug i stedet for at kræve ny teleoperation og særskilt træning for hver opgave.
Sources
arxiv.orgHOST: Robots Acquire Manipulation Skills in Seconds from ...
letsdatascience.comHOST Paper Reports Robot Skill Learning from One Video in 29 Seconds
robotics-transformer-x.github.ioOpen X-Embodiment: Robotic Learning Datasets and RT-X Models
github.comREADME.md - X-Square-Robot/wall-x