AntwortenVeröffentlicht16 Quellen
Roboter teilen ihre Erfahrungen – und verbessern gemeinsam ihre Arbeit
Collective Experience Learning (CEL) soll Robotern ermöglichen, eine gemeinsame Steuerungsstrategie anhand der Erfahrungen einer ganzen Flotte zu verbessern – statt für jede Anpassung neue Expertendemos zu benötigen. FERT nutzt den Kontext gescheiterter Versuche, um ähnliche erfolgreiche Abläufe für das Training zu...
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Collective Experience Learning (CEL) soll Robotern ermöglichen, eine gemeinsame Steuerungsstrategie anhand der Erfahrungen einer ganzen Flotte zu verbessern – statt für jede Anpassung neue Expertendemos zu benötigen.
- FERT nutzt den Kontext gescheiterter Versuche, um ähnliche erfolgreiche Abläufe für das Training zu finden.
- In Tests mit fünf Aufgaben erreichten zwei Roboter, die nicht am Training teilgenommen hatten, laut Team 97,5 Prozent Erfolgsquote.
KI-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
Roboter lernen bislang oft durch menschliche Vorführungen oder indem Fachleute ihre Fehler korrigieren. Doch wenn immer mehr Maschinen im Einsatz sind, lässt sich diese Betreuung nicht beliebig ausweiten. Ein Ansatz namens Collective Experience Learning (CEL) setzt deshalb auf die Erfahrungen der Roboter selbst: Was einer Maschine gelingt, kann der ganzen Flotte beim Lernen helfen. Ein Forschungsteam aus Tsinghua-Universität, Infinigence AI und AgiBot berichtet über Versuche mit bis zu 96 Robotern. 1
9
Wenn ein Roboter aus den Erfolgen anderer lernt
CEL soll den Bedarf an neuen menschlichen Demonstrationen verringern, nicht Menschen grundsätzlich aus dem Lernprozess verdrängen. Die Grundidee: Erfolgreiche Abläufe aus dem laufenden Betrieb werden gesammelt und können später als Beispiele für die gemeinsame Steuerungsstrategie dienen. So muss nicht für jede Verbesserung eigens eine Fachkraft einen Roboter anleiten oder korrigieren. 1
Das ist besonders bei längeren Handhabungsaufgaben relevant. Am Ende eines Ablaufs steht oft nur die Rückmeldung „erfolgreich“ oder „fehlgeschlagen“. Daraus geht nicht unmittelbar hervor, an welchem einzelnen Schritt es gehakt hat.
FERT sucht passende Erfolgserlebnisse
Das zentrale Verfahren heißt Failure-guided Experience Retrieval Fine-tuning (FERT). Es nutzt den Kontext eines fehlgeschlagenen Versuchs, um in einer gemeinsamen Sammlung nach ähnlichen Abschnitten erfolgreicher Abläufe zu suchen. Die darin aufgezeichneten Aktionen können anschließend für die Aktualisierung der Steuerungsstrategie verwendet werden. Der Fehler weist also darauf hin, wo Lernen nötig sein könnte; ein erfolgreicher Versuch liefert ein mögliches Handlungsmuster. 4
13
FERT macht damit aus einer knappen Rückmeldung mehr als ein bloßes „richtig“ oder „falsch“. Es beweist jedoch nicht automatisch, welche konkrete Aktion den Fehler verursacht hat.
Ergänzend beschreibt das Team FATS, ein fehlertolerantes System für asynchrones Training über mehrere Roboter hinweg. Laut den berichteten Zahlen gab es 30 Störungen bei 22 Robotern; dabei gingen 1,3 Prozent der Betriebszeit der Roboter verloren. Das sind Angaben zur Systemleistung aus der Berichterstattung – sie belegen nicht unabhängig sämtliche Einzelheiten der Fehlerbehandlung. 8
Was die Tests laut Forschungsteam zeigen
Untersucht wurden fünf Aufgaben: Blumen arrangieren, Kleidung falten, ein Smartphone laden, einen Hocker montieren und ein Smartphone verpacken.
- Tests mit zuvor unbeteiligten Robotern: Zwei Roboter, die nicht am Training teilgenommen hatten, absolvierten zusammen 600 Versuche. 585 gelangen, 15 scheiterten – das entspricht einer berichteten Erfolgsquote von 97,5 Prozent. Das Team gibt außerdem an, dass die Roboter bei jeder der fünf Aufgaben über dem Durchschnitt von sechs menschlichen Bedienern lagen. Das ist ein Vergleich innerhalb dieser Tests und kein allgemeiner Beleg für eine Überlegenheit gegenüber Menschen.
- Smartphone-Verpackung: Die Erfolgsquote stieg laut Bericht von 79,2 auf 98,3 Prozent. Die Auswertung beschreibt dafür 120 Tests mit zwei Robotern, die nicht am Training beteiligt waren.
7
- Größe der Flotte: Bei gleicher realer Trainingszeit stieg die berichtete Erfolgsquote im Vergleich von 86,7 Prozent mit 16 Robotern auf 98,3 Prozent mit 96 Robotern. Das deutet darauf hin, dass eine größere Flotte innerhalb derselben Zeit mehr Erfahrungen beisteuern kann; es garantiert nicht, dass jede Vergrößerung denselben Effekt erzielt.
Vielversprechend, aber noch kein unabhängiger Nachweis
CEL verbindet zwei Ideen: Fehlversuche können Hinweise darauf geben, wo eine Steuerungsstrategie verbessert werden sollte; erfolgreiche Abläufe aus der Flotte können passende Lernbeispiele liefern. FERT übernimmt dabei die Suche und das Anstoßen von Aktualisierungen, FATS soll das Lernen über mehrere Roboter hinweg trotz Ausfällen unterstützen. Die berichteten Versuche liefern frühe Ergebnisse aus fünf realen Aufgaben – auch mit Robotern, die beim Training außen vor waren. 13
Die Erfolgszahlen sind jedoch Ergebnisse, die das Team berichtet. Sie zeigen, wie CEL in der beschriebenen Versuchsanordnung abgeschnitten hat, belegen aber nicht, dass sich die Resultate unverändert auf andere Roboter, Aufgaben oder Einsatzbedingungen übertragen lassen.
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 „Roboter teilen ihre Erfahrungen – und verbessern gemeinsam ihre Arbeit“?
Collective Experience Learning (CEL) soll Robotern ermöglichen, eine gemeinsame Steuerungsstrategie anhand der Erfahrungen einer ganzen Flotte zu verbessern – statt für jede Anpassung neue Expertendemos zu benötigen.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Collective Experience Learning (CEL) soll Robotern ermöglichen, eine gemeinsame Steuerungsstrategie anhand der Erfahrungen einer ganzen Flotte zu verbessern – statt für jede Anpassung neue Expertendemos zu benötigen. FERT nutzt den Kontext gescheiterter Versuche, um ähnliche erfolgreiche Abläufe für das Training zu finden.
Was soll ich als nächstes in der Praxis tun?
In Tests mit fünf Aufgaben erreichten zwei Roboter, die nicht am Training teilgenommen hatten, laut Team 97,5 Prozent Erfolgsquote.