RéponsesPublié16 sources
Comment une flotte de robots apprend de ses réussites et de ses échecs
L’apprentissage par expérience collective (CEL) permet à des robots déployés de faire progresser une politique commune à partir des expériences de toute la flotte, plutôt que de dépendre de nouvelles démonstrations ex... FERT utilise le contexte des échecs pour retrouver des séquences réussies utiles à l’entraînemen...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- L’apprentissage par expérience collective (CEL) permet à des robots déployés de faire progresser une politique commune à partir des expériences de toute la flotte, plutôt que de dépendre de nouvelles démonstrations ex...
- FERT utilise le contexte des échecs pour retrouver des séquences réussies utiles à l’entraînement ; FATS est conçu pour soutenir un apprentissage asynchrone et tolérant aux pannes.
Prompt IA
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
Une expérience utile menée par un robot peut-elle aider toute une flotte à progresser ? C’est l’idée de l’apprentissage par expérience collective, ou CEL (Collective Experience Learning). Au lieu de demander à des spécialistes de montrer ou corriger chaque nouveau comportement, cette approche s’appuie sur les essais réalisés en conditions réelles. Une étude associée à l’Université Tsinghua, à Infinigence AI et à AgiBot rapporte des essais sur une flotte comptant jusqu’à 96 robots. 1
9
Pourquoi partager les expériences des robots ?
Les démonstrations humaines et les corrections apportées pendant l’exécution peuvent aider un robot à apprendre. Mais les fournir systématiquement devient difficile lorsque le nombre de machines augmente. CEL vise à transférer une partie de cet apprentissage à la flotte : une exécution réussie peut devenir un exemple dont d’autres robots tireront parti. L’objectif n’est pas de supprimer le rôle des humains en robotique, mais de moins dépendre de nouvelles interventions expertes à chaque mise à jour. 1
FERT : utiliser les échecs pour retrouver des exemples utiles
Au cœur de CEL se trouve FERT (Failure-guided Experience Retrieval Fine-tuning), un algorithme de réglage fin guidé par les échecs. À partir du contexte d’une exécution ratée, il recherche dans une mémoire partagée des segments pertinents issus de trajectoires réussies. Ces séquences fournissent les actions enregistrées qui servent à mettre à jour la politique ; le contexte de l’échec aide à repérer l’expérience potentiellement utile. 4
13
Cette méthode cible notamment les tâches de manipulation longues. Un simple bilan final — réussite ou échec — indique si l’ensemble de la séquence a abouti, mais pas nécessairement quelle étape devrait être améliorée. FERT cherche à rapprocher une situation problématique d’un exemple réussi. Cela ne permet pas, à lui seul, de démontrer quelle action précise a provoqué l’échec.
L’équipe décrit également FATS, un système d’entraînement asynchrone conçu pour tolérer les pannes et permettre l’apprentissage lorsque tous les robots ne sont pas disponibles au même moment. Les résultats publiés font état de 30 incidents touchant 22 robots, avec une perte de 1,3 % du temps de fonctionnement des robots. Ces chiffres décrivent les performances rapportées du système ; ils ne permettent pas, à eux seuls, de vérifier tous les détails de ses mécanismes de reprise ou de transfert des données. 8
Ce que montrent les évaluations rapportées
L’évaluation porte sur cinq tâches de manipulation : arranger des fleurs, plier des vêtements, brancher un téléphone, assembler un tabouret et emballer un téléphone.
- Des robots absents de l’entraînement : deux robots qui n’avaient pas participé à l’entraînement ont réalisé 600 essais : 585 réussites et 15 échecs, soit un taux de réussite global rapporté de 97,5 %. L’équipe indique aussi que, pour chacune des cinq tâches, les résultats des robots dépassaient la moyenne de six opérateurs humains. Cette comparaison concerne les tâches évaluées ; elle ne prouve pas une supériorité générale des robots sur les personnes.
- Emballage de téléphone : le taux de réussite rapporté est passé de 79,2 % à 98,3 %. Les essais décrits comprennent 120 tests menés sur deux robots qui n’avaient pas participé à l’entraînement.
7
- Taille de la flotte : à durée d’entraînement réelle identique, le taux de réussite rapporté est passé de 86,7 % avec 16 robots à 98,3 % avec 96 robots. Ce résultat suggère qu’une flotte plus grande peut accumuler davantage d’expérience pendant la même durée, sans garantir que toute augmentation de taille produira les mêmes progrès.
Des résultats prometteurs, mais encore à confirmer
Le principe de CEL est simple : les échecs aident à repérer les situations à améliorer, tandis que les réussites de la flotte fournissent des exemples à réutiliser. FERT met en œuvre cette recherche d’expériences et leur réutilisation pour l’entraînement ; FATS est présenté comme la couche système destinée à soutenir un apprentissage asynchrone et tolérant aux pannes. Les résultats rapportés constituent des premiers éléments encourageants sur cinq tâches réelles, avec des essais menés sur des robots absents de l’entraînement. 13
Ces chiffres restent toutefois des résultats communiqués par l’équipe, et non une réplication indépendante. Ils décrivent les performances de CEL dans le cadre évalué, mais ne permettent pas d’établir son efficacité sur d’autres robots, d’autres tâches ou dans des conditions de déploiement différentes.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Comment une flotte de robots apprend de ses réussites et de ses échecs » ?
L’apprentissage par expérience collective (CEL) permet à des robots déployés de faire progresser une politique commune à partir des expériences de toute la flotte, plutôt que de dépendre de nouvelles démonstrations ex...
Quels sont les points clés à valider en premier ?
L’apprentissage par expérience collective (CEL) permet à des robots déployés de faire progresser une politique commune à partir des expériences de toute la flotte, plutôt que de dépendre de nouvelles démonstrations ex... FERT utilise le contexte des échecs pour retrouver des séquences réussies utiles à l’entraînement ; FATS est conçu pour soutenir un apprentissage asynchrone et tolérant aux pannes.