AnswersPublished16 sources
Kun robotit oppivat toisiltaan, koko joukko voi kehittyä
Collective Experience Learning (CEL) auttaa käytössä olevia robotteja kehittämään yhteistä toimintamallia jakamalla joukossa kertyneitä kokemuksia. FERT hakee epäonnistumisen tilanteeseen sopivia onnistuneita esimerkkejä koulutusta varten.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) auttaa käytössä olevia robotteja kehittämään yhteistä toimintamallia jakamalla joukossa kertyneitä kokemuksia.
- FERT hakee epäonnistumisen tilanteeseen sopivia onnistuneita esimerkkejä koulutusta varten.
- Tutkimusryhmän raportoimissa kokeissa arvioitiin viittä tehtävää, ja kahden koulutukseen osallistumattoman robotin onnistumisprosentti oli yhteensä 97,5.
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
Robotti voi oppia tehtävästä paljon jo yhdestä onnistuneesta suorituksesta — jos kokemus saadaan muidenkin käyttöön. Collective Experience Learning (CEL) on tapa kehittää robottien yhteistä toimintamallia koko joukon keräämien kokemusten avulla sen sijaan, että jokaista uutta parannusta varten tarvittaisiin tuoreita asiantuntijoiden demonstraatioita. Menetelmää esittelevään työhön yhdistetään Tsinghuan yliopisto, Infinigence AI ja AgiBot, ja sitä testattiin jopa 96 robotin joukolla. 1
9
Miksi robotit jakaisivat kokemuksiaan?
Ihmisen näyttämät esimerkit ja tekemät korjaukset voivat auttaa robotteja oppimaan. Niiden jatkuva tarjoaminen käy kuitenkin hankalammaksi, kun käytössä olevien robottien määrä kasvaa. CEL:n ajatuksena on, että yhden robotin onnistunut suoritus voi toimia oppimateriaalina koko joukolle. Tarkoitus ei ole poistaa ihmistä robotiikasta, vaan vähentää riippuvuutta siitä, että asiantuntijan pitäisi neuvoa jokainen uusi päivitys erikseen. 1
FERT etsii onnistuneen esimerkin epäonnistumisen ympäriltä
CEL:n keskeinen algoritmi on Failure-guided Experience Retrieval Fine-tuning eli FERT. Se käyttää epäonnistuneen suorituksen tilannetta hakuvihjeenä ja etsii robottien yhteisestä onnistuneiden suoritusten kokoelmasta siihen sopivia osia. Löytyneen onnistuneen esimerkin tallennetut liikkeet antavat aineistoa toimintamallin päivittämiseen. Epäonnistuminen auttaa siis etsimään hyödyllistä kokemusta, mutta algoritmi ei itsessään todista, mikä yksittäinen liike aiheutti virheen. 4
13
Tällainen haku voi olla hyödyllinen pitkissä käsittelytehtävissä. Jos suorituksesta annetaan lopuksi vain tieto ”onnistui” tai ”epäonnistui”, se ei vielä kerro, missä vaiheessa parantamisen varaa oli. FERT pyrkii yhdistämään ongelmatilanteen samankaltaiseen onnistuneeseen esimerkkiin.
Tutkimusryhmä kuvaa myös FATS-järjestelmää (Fault-Tolerant Asynchronous Training), jonka tarkoitus on tukea robottien vikasietoista, eriaikaista oppimista. Järjestelmästä raportoiduissa luvuissa mainitaan 30 vikaa, jotka koskivat 22 robottia; robottien käyttöajasta menetettiin 1,3 prosenttia. Nämä ovat raportoituja järjestelmän tuloksia, eivät riippumatonta vahvistusta kaikista sen vianhallinnan tai tiedonsiirron yksityiskohdista. 8
Mitä kokeissa raportoitiin?
Arvioinnissa oli viisi käytännön tehtävää: kukkien asettelu, vaatteiden viikkaaminen, puhelimen lataaminen, jakkaran kokoaminen ja puhelimen pakkaaminen.
- Koulutukseen osallistumattomat robotit: Kaksi robottia suoritti yhteensä 600 koetta. Onnistumisia oli 585 ja epäonnistumisia 15, joten kokonaisonnistumisprosentiksi raportoitiin 97,5. Tutkimusryhmän mukaan tulos ylitti kuuden ihmiskäyttäjän keskiarvon jokaisessa tehtävässä. Vertailu koskee näitä testejä, eikä se osoita robottien olevan yleisesti ihmistä parempia.
- Puhelimen pakkaaminen: Onnistumisprosentin kerrottiin nousseen 79,2:sta 98,3:een. Arviointia koskevassa uutisoinnissa mainitaan 120 koetta kahdella koulutukseen osallistumattomalla robotilla.
7
- Joukon koko: Samalla todellisen maailman koulutusajalla onnistumisprosentin raportoitiin nousseen 86,7:stä 98,3:een, kun robottien määrä kasvoi 16:sta 96:een. Tulos tukee ajatusta, että suurempi joukko voi kerätä enemmän kokemusta saman ajan kuluessa, mutta se ei takaa vastaavaa parannusta kaikissa tehtävissä tai robottijoukoissa.
Lupaavia tuloksia, mutta näyttöä on vielä rajallisesti
CEL:n perusajatus on selkeä: epäonnistumistilanteista etsitään, missä oppimista tarvitaan, ja joukossa jo kerätyistä onnistumisista haetaan sopivia esimerkkejä. FERT tarjoaa tähän hakuun ja toimintamallin päivittämiseen tarkoitetun menetelmän. FATS puolestaan kuvataan järjestelmätason ratkaisuksi robottien eriaikaiseen ja vikasietoiseen koulutukseen. Raportoidut kokeet viidessä tehtävässä, myös koulutukseen osallistumattomilla roboteilla, ovat lupaavaa varhaista näyttöä. 13
Tulokset ovat kuitenkin tutkimusryhmän raportoimia, eivät riippumattomasti toistettuja. Ne kuvaavat CEL:n suorituskykyä esitetyssä koeasetelmassa, eivät vielä sitä, miten hyvin menetelmä siirtyy toisiin robotteihin, tehtäviin tai käyttöolosuhteisiin.
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 "Kun robotit oppivat toisiltaan, koko joukko voi kehittyä"?
Collective Experience Learning (CEL) auttaa käytössä olevia robotteja kehittämään yhteistä toimintamallia jakamalla joukossa kertyneitä kokemuksia.
What are the key points to validate first?
Collective Experience Learning (CEL) auttaa käytössä olevia robotteja kehittämään yhteistä toimintamallia jakamalla joukossa kertyneitä kokemuksia. FERT hakee epäonnistumisen tilanteeseen sopivia onnistuneita esimerkkejä koulutusta varten.
What should I do next in practice?
Tutkimusryhmän raportoimissa kokeissa arvioitiin viittä tehtävää, ja kahden koulutukseen osallistumattoman robotin onnistumisprosentti oli yhteensä 97,5.