AntwortenVeröffentlicht16 Quellen
HOST verändert das Training für verkörperte KI
HOST erwarb laut den Autoren aus einem einzigen 29 sekündigen menschlichen Video neue Manipulationsfähigkeiten und erreichte eine durchschnittliche Erfolgsquote von 62 Prozent. Ein Vergleichssystem auf Basis von Pi 0.5 kam nach etwa 50 Roboterdemonstrationen und vier Stunden Fine Tuning auf 38 Prozent – die Werte st...
Veröffentlicht vonBearbeitet mit GPT-5.6 LunaBilder erstellt mit GPT Image 1.5
Forschungsantwort
Wichtige Erkenntnisse
- HOST erwarb laut den Autoren aus einem einzigen 29 sekündigen menschlichen Video neue Manipulationsfähigkeiten und erreichte eine durchschnittliche Erfolgsquote von 62 Prozent.
- Ein Vergleichssystem auf Basis von Pi 0.5 kam nach etwa 50 Roboterdemonstrationen und vier Stunden Fine Tuning auf 38 Prozent – die Werte stammen jedoch aus einem spezifischen Forschungsaufbau.
- Statt menschliche Bewegungen direkt zu kopieren oder die Modellgewichte zu aktualisieren, prognostiziert HOST den Aufgabenerfolg aus der Perspektive des Roboters und leitet daraus ausführbare Aktionen ab.
- Der Ansatz könnte die Robotik von wiederholter Teleoperation und aufgabenspezifischem Nachtraining hin zu schneller Anpassung während der Ausführung verschieben.
KI-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
Die wichtigste Idee hinter HOST – kurz für Human-to-robot One-Shot Skill AcquisiTion – ist nicht, dass ein Roboter plötzlich zuverlässig den Haushalt erledigen kann. Der entscheidende Punkt ist vielmehr: Eine neue körperliche Fähigkeit wird eher wie ein Prompt behandelt als wie ein neues Trainingsprojekt. Der Roboter sieht eine menschliche Demonstration, interpretiert das angestrebte Ergebnis aus seiner eigenen Körper- und Kameraperspektive und versucht anschließend, die Aufgabe auszuführen – ohne die Gewichte des zugrunde liegenden Modells zu verändern. 18
34
In der von den Autoren berichteten Untersuchung führte eine 29-sekündige Demonstration zu einer durchschnittlichen Erfolgsquote von 62 Prozent. Ein Vergleich mit dem System Pi-0.5 erreichte demnach 38 Prozent, nachdem etwa 50 Demonstrationen mit dem Roboter gesammelt und vier Stunden Fine-Tuning durchgeführt worden waren. Diese Zahlen stammen aus dem Versuchsaufbau der Autoren und sind nicht mit einer Zuverlässigkeit im praktischen Einsatz gleichzusetzen. 18
34
Vom Nachtraining zur Anpassung während der Ausführung
Bei klassischen Verfahren des Imitationslernens müssen für jede neue Aufgabe meist zusätzliche Demonstrationen gesammelt werden. Anschließend wird das Modell optimiert oder feinjustiert. Das kostet Zeit für Teleoperation, bindet Roboterkapazitäten und kann dazu führen, dass bereits erlernte Fähigkeiten schlechter erhalten bleiben.
HOST verlagert die Anpassung an eine andere Stelle: Das vortrainierte Modell bleibt unverändert, während das Demonstrationsvideo beim Ausführen der Aufgabe als aufgabenspezifischer Kontext dient. Das ähnelt eher dem In-Context-Learning als dem dauerhaften Erlernen eines neuen Verhaltens durch Gradienten-Updates. Auch andere Forschungsarbeiten zum Roboterlernen haben untersucht, wie Modelle ihr Verhalten aus Beobachtungs- und Aktionskontext anpassen können, ohne ihre Gewichte zu aktualisieren. 20
Das praktische Versprechen lautet damit: schneller vom „Zeig dem Roboter, was er tun soll“ zum „Lass ihn es ausprobieren“. Allerdings lernt der Roboter in 29 Sekunden nicht sämtliche physikalischen Grundlagen einer Aufgabe von Grund auf. Treffender wäre die Beschreibung eines breit vortrainierten Fähigkeitenmodells, das mithilfe eines Videos eine neue Aufgabe auswählt, in der eigenen Körperlichkeit verankert und ausführt.
Warum HOST den Menschen nicht einfach nachahmt
Mensch und Roboter haben unterschiedliche Kamerapositionen, Hände, Gelenke, Reichweiten und Bewegungsgeschwindigkeiten. Eine direkte Übertragung von Bildpunkten oder Gelenkbahnen wäre deshalb anfällig für Fehler.
HOST nutzt stattdessen eine Kaskade sogenannter selbstverankerter Vorhersagen. Zunächst schätzt das Framework den Fortschritt innerhalb der demonstrierten Aufgabe. Danach sagt es voraus, wie dieser Fortschritt aus Sicht des Roboters aussehen sollte, und leitet aus den vorhergesagten Beobachtungen schließlich die Aktionen ab. 18
Die berichteten Komponenten übernehmen dabei unterschiedliche Teile der Übersetzungsarbeit:
- Visionsmodul: Es interpretiert die Aufgabe und das angestrebte Ergebnis in einem auf den Roboter ausgerichteten Wahrnehmungsrahmen.
- Aktionsgenerierung: Sie überführt das vorhergesagte Ergebnis in ausführbares Roboterverhalten.
- Dynamic Time Warping: Die Methode gleicht entsprechende Phasen ab, wenn Mensch und Roboter eine Bewegung unterschiedlich schnell ausführen.
Der Unterschied ist wesentlich: Der Roboter soll nicht die Körpermechanik des Menschen exakt reproduzieren. Er muss die bedeutende Abfolge von Zustandsänderungen erkennen und einen eigenen Weg finden, das gewünschte Ergebnis zu erreichen.
Simulation und Kognitionsforschung weisen auf ein größeres Muster hin
Das Design folgt außerdem einem zielorientierten Verständnis von Imitation. Ein Beobachter erkennt, was eine Handlung bewirken soll, und wählt anschließend einen zu seinem eigenen Körper passenden Bewegungsplan. Das ist etwas anderes, als eine Demonstration Bild für Bild als feste Trajektorie abzuspielen.
Simulationen und umfangreiches Vortraining können vor dem Einsatz für eine breite Variation sorgen. Ein kurzes Video aus der realen Welt liefert dann die aufgabenspezifischen Informationen, die im jeweiligen Moment noch fehlen. Daraus ergibt sich eine mögliche Trainingsstrategie für verkörperte KI: allgemeine physische und verhaltensbezogene Grundlagen offline lernen und neue Aufgaben anschließend durch Kontext während der Ausführung schnell spezialisieren.
Diese Richtung passt zu einem breiteren Trend hin zu offenen Roboterdatensätzen und Foundation-Modellen, die mit Daten verschiedener Roboterkörper trainiert werden. Gemeinsame Erfahrungen können dadurch zwischen unterschiedlichen Plattformen übertragen werden. 25
Warum die Veröffentlichung als Open Source wichtig ist
Die Freigabe von HOST erleichtert es anderen Forschenden und Entwicklern, den Ansatz zu prüfen, nachzubauen und unter veränderten Bedingungen zu testen. Offene Implementierungen können zeigen, wie gut die Übertragung von Video zu Aktion tatsächlich mit anderen Kameras, Greifern, Umgebungen und Aufgaben funktioniert – statt die Aussagekraft auf eine einzelne proprietäre Demonstration zu beschränken.
X Square Robot hat außerdem Code und Werkzeuge für sein WALL-Ökosystem verkörperter Modelle veröffentlicht, darunter Komponenten für Training, Inferenz, Datenaufbereitung und Evaluation. 26
27 Open Source kann für das Unternehmen deshalb zwei Ziele gleichzeitig erfüllen: externe Experimente beschleunigen und Vertrautheit mit den Modellen und der dazugehörigen Hardware schaffen.
Die offene Veröffentlichung bestätigt den Benchmark allerdings nicht automatisch. Sie macht die zentrale Hypothese lediglich besser überprüfbar: Können vortrainierte Fähigkeiten eines Roboters durch eine kompakte Demonstration angepasst werden, anstatt für jede neue Manipulationsaufgabe erneut feinjustiert zu werden?
Was das Ergebnis von 62 Prozent zeigt – und was nicht
Eine Erfolgsquote von 62 Prozent ist ein beachtliches Forschungsergebnis, insbesondere wenn man die gemeldete Verringerung bei Demonstrationen und Trainingszeit berücksichtigt. Sie steht jedoch nicht für verlässliche Autonomie. In der genannten Untersuchung scheiterten weiterhin fast zwei von fünf Versuchen.
Das Ergebnis belegt außerdem keine robuste Leistung unter allen Bedingungen, denen ein Haushaltsroboter ausgesetzt sein könnte. Dafür wären weitere Tests mit wechselnder Beleuchtung, Unordnung, unterschiedlichen Objektformen, komplexer Kontaktdynamik, Fehlerkorrektur, Sicherheitsvorgaben, längeren Aufgabenfolgen und verschiedenen Roboterkörpern nötig. Auch unabhängige Bewertungen sind wichtig, weil es sich um einen Forschungs-Preprint handelt und die Vergleiche an den jeweiligen Benchmark gebunden sind. 18
34
Die belastbare Schlussfolgerung ist daher enger – und gerade deshalb nützlicher – als die Behauptung, humanoide Roboter könnten nun nach einem einzigen Video Hausarbeiten lernen. HOST weist auf ein System für verkörperte KI hin, das breit vortrainiert wird, sich anhand menschlicher Demonstrationen schnell anpasst und auf aufgabenspezifische Aktualisierungen seiner Gewichte verzichtet. Sollte sich dieser Effekt über den Benchmark der Autoren hinaus bestätigen, könnte das Lernen von Fähigkeiten während der Ausführung zu einer ernsthaften Alternative zum teuren Kreislauf aus Teleoperation, Datensammlung und wiederholtem Fine-Tuning werden.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „HOST verändert das Training für verkörperte KI“?
HOST erwarb laut den Autoren aus einem einzigen 29 sekündigen menschlichen Video neue Manipulationsfähigkeiten und erreichte eine durchschnittliche Erfolgsquote von 62 Prozent.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
HOST erwarb laut den Autoren aus einem einzigen 29 sekündigen menschlichen Video neue Manipulationsfähigkeiten und erreichte eine durchschnittliche Erfolgsquote von 62 Prozent. Ein Vergleichssystem auf Basis von Pi 0.5 kam nach etwa 50 Roboterdemonstrationen und vier Stunden Fine Tuning auf 38 Prozent – die Werte stammen jedoch aus einem spezifischen Forschungsaufbau.
Was soll ich als nächstes in der Praxis tun?
Statt menschliche Bewegungen direkt zu kopieren oder die Modellgewichte zu aktualisieren, prognostiziert HOST den Aufgabenerfolg aus der Perspektive des Roboters und leitet daraus ausführbare Aktionen ab.
Quellen
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