JawabanDipublikasikan16 sumber
Bagaimana HOST Mengubah Cara Robot Dilatih untuk Memahami Dunia Fisik
Dalam evaluasi peneliti, satu video manusia berdurasi rata rata 29 detik menghasilkan tingkat keberhasilan 62%, dibandingkan 38% pada pembanding Pi 0.5 yang memakai sekitar 50 demonstrasi robot dan empat jam fine tuning. HOST tidak sekadar menyalin gerakan manusia atau memperbarui bobot model.
Diterbitkan olehDiedit dengan GPT-5.6 LunaGambar dibuat dengan GPT Image 1.5
Jawaban penelitian
Poin-poin penting
- Dalam evaluasi peneliti, satu video manusia berdurasi rata rata 29 detik menghasilkan tingkat keberhasilan 62%, dibandingkan 38% pada pembanding Pi 0.5 yang memakai sekitar 50 demonstrasi robot dan empat jam fine tuning.
- HOST tidak sekadar menyalin gerakan manusia atau memperbarui bobot model. Sistem ini memprediksi hasil tugas dari sudut pandang robot, lalu menghasilkan tindakan untuk mencapainya.
- Pendekatan ini mengarah pada pola baru untuk embodied AI: model dilatih dengan kemampuan umum secara luas, kemudian beradaptasi saat digunakan melalui konteks demonstrasi, tanpa pelatihan ulang khusus untuk setiap tugas.
AI Perintah
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
Gagasan utama HOST—singkatan dari Human-to-robot One-Shot Skill AcquisiTion—bukan bahwa robot tiba-tiba sudah mahir mengerjakan semua pekerjaan rumah. Perubahan yang lebih penting adalah cara sebuah keterampilan fisik baru diperlakukan: bukan selalu sebagai proyek pelatihan baru, melainkan sebagai konteks atau “perintah” yang dapat dipahami saat robot digunakan.
Robot cukup melihat satu demonstrasi manusia, menafsirkan tujuan tugas dari sudut pandang kamera dan tubuhnya sendiri, lalu mencoba menjalankannya tanpa memperbarui bobot model yang mendasarinya. 18
34
Dalam evaluasi yang dilaporkan, demonstrasi berdurasi 29 detik menghasilkan tingkat keberhasilan rata-rata 62%. Sebagai pembanding, sistem berbasis Pi-0.5 dilaporkan mencapai 38% setelah menggunakan sekitar 50 demonstrasi robot dan empat jam fine-tuning. Angka tersebut berasal dari pengaturan eksperimen para penulis dan belum dapat dianggap sebagai tingkat keandalan untuk penggunaan nyata. 18
34
Dari pelatihan ulang ke adaptasi saat digunakan
Pada alur kerja imitation learning konvensional, setiap tugas baru biasanya membutuhkan pengumpulan demonstrasi tambahan, kemudian optimisasi atau fine-tuning. Proses ini memakan waktu teleoperasi, membuat robot harus disiapkan dan dikendalikan berulang kali, serta berpotensi mengganggu kemampuan yang sudah dipelajari sebelumnya.
HOST memindahkan lokasi adaptasi tersebut. Model pralatihnya tetap tidak berubah, sementara video demonstrasi menjadi konteks khusus tugas yang diberikan pada saat inferensi. Pendekatan ini lebih dekat dengan in-context learning daripada mengajarkan perilaku permanen melalui pembaruan bobot berbasis gradien. Riset robotika sebelumnya juga telah mengeksplorasi kemungkinan model menyesuaikan perilakunya dari konteks observasi dan aksi tanpa mengubah bobot. 20
Janji praktisnya adalah memperpendek jarak antara “tunjukkan kepada robot apa yang harus dilakukan” dan “biarkan robot mencobanya”. Namun, robot tidak sedang mempelajari seluruh prinsip fisika dari nol hanya dalam 29 detik. Deskripsi yang lebih akurat adalah: model memiliki bekal keterampilan umum yang luas, lalu memakai satu video untuk memilih, mengaitkan, dan menjalankan tugas baru.
Mengapa HOST tidak sekadar meniru manusia
Manusia dan robot tidak memiliki posisi kamera, bentuk tangan, sendi, jangkauan, maupun kecepatan gerak yang sama. Karena itu, pemindahan langsung piksel atau lintasan sendi manusia akan mudah gagal.
HOST menggunakan rangkaian prediksi yang berorientasi pada tubuh robot. Sistem ini terlebih dahulu memperkirakan kemajuan dalam tugas yang diperagakan, kemudian memprediksi seperti apa kemajuan tersebut dari sudut pandang robot, dan akhirnya menurunkan tindakan berdasarkan pengamatan yang diprediksi itu. 18
Komponen yang dilaporkan dalam kerangka ini menangani bagian berbeda dari masalah penerjemahan tersebut:
- Visi menafsirkan tugas demonstrasi dan hasil yang ingin dicapai dalam kerangka persepsi yang berpusat pada robot.
- Pembuatan aksi mengubah hasil yang diprediksi menjadi perilaku robot yang dapat dieksekusi.
- Dynamic time warping (DTW) membantu menyelaraskan tahapan yang sama ketika manusia dan robot menjalankannya dengan kecepatan berbeda.
Perbedaannya penting. Robot tidak dituntut mengulang mekanika tubuh manusia secara persis. Robot perlu memahami rangkaian perubahan keadaan yang bermakna, lalu menemukan cara sendiri untuk menghasilkan hasil yang sama.
Simulasi dan ilmu kognitif menawarkan resep yang lebih luas
Desain HOST juga mencerminkan pandangan bahwa peniruan bersifat berorientasi tujuan. Pengamat tidak hanya menghafalkan lintasan gerakan, tetapi mengenali apa yang hendak dicapai oleh suatu tindakan dan memilih rencana motorik yang sesuai dengan tubuhnya sendiri.
Hal ini berbeda dari memperlakukan demonstrasi sebagai rekaman gerak yang harus diputar ulang secara frame demi frame. Simulasi dan pralatih skala besar dapat menyediakan variasi fisik serta perilaku secara luas sebelum robot diterjunkan. Video singkat di dunia nyata kemudian menyuplai informasi spesifik tugas yang belum diketahui robot pada saat itu.
Pembagian peran tersebut mengarah pada kemungkinan resep baru untuk embodied AI: pelajari bekal fisik dan perilaku yang luas secara offline, lalu lakukan spesialisasi dengan cepat melalui konteks pada waktu inferensi.
Arah ini sejalan dengan perkembangan dataset robot terbuka dan model fondasi yang dilatih menggunakan beragam jenis robot. Pengalaman dari satu platform dapat membantu meningkatkan kemampuan platform lain. 25
Mengapa langkah open source ini penting
Dengan membuka HOST, X Square Robot membuat pendekatan tersebut lebih mudah diperiksa, direproduksi, dan diuji oleh peneliti serta pengembang lain. Implementasi terbuka dapat menunjukkan seberapa baik transfer video-ke-aksi bekerja pada kamera, manipulator, lingkungan, dan tugas yang berbeda—bukan hanya pada satu demonstrasi proprietary.
Perusahaan itu juga telah merilis kode dan perangkat pengembangan untuk ekosistem model embodied WALL, termasuk komponen pelatihan, inferensi, persiapan data, dan evaluasi. 26
27 Bagi X Square, strategi open source dapat memiliki dua fungsi sekaligus: mempercepat eksperimen eksternal dan membangun kedekatan pengguna dengan model serta perangkat kerasnya.
Namun, open source tidak dengan sendirinya membuktikan validitas benchmark HOST. Nilainya adalah membuat hipotesis utama pendekatan ini lebih mudah diuji: apakah kemampuan pralatih robot memang dapat disesuaikan melalui satu demonstrasi ringkas, tanpa fine-tuning berulang untuk setiap tugas manipulasi baru?
Apa yang sebenarnya ditunjukkan oleh angka 62%
Tingkat keberhasilan 62% merupakan hasil riset yang berarti, terutama karena dicapai bersamaan dengan pengurangan jumlah demonstrasi dan waktu pelatihan yang dilaporkan. Tetapi angka itu belum sama dengan otonomi yang dapat diandalkan. Dalam evaluasi tersebut, hampir dua dari setiap lima percobaan tetap gagal.
Hasil ini juga belum membuktikan performa yang kuat dalam semua kondisi yang mungkin dihadapi robot rumah tangga. Pengujian lanjutan masih diperlukan untuk menilai perubahan pencahayaan, lingkungan berantakan, tampilan objek yang berbeda, dinamika kontak, pemulihan dari kesalahan, batasan keselamatan, rangkaian tugas yang lebih panjang, dan penggunaan pada tubuh robot yang berbeda.
Evaluasi independen juga penting karena makalah tersebut merupakan pracetak riset dan perbandingannya bergantung pada benchmark tertentu. 18
34
Kesimpulan yang paling kredibel—dan lebih berguna—bukanlah bahwa robot humanoid kini bisa mempelajari pekerjaan rumah hanya dari satu video. HOST menunjukkan arah menuju sistem embodied AI yang dilatih secara luas, cepat beradaptasi dari demonstrasi manusia, dan tidak memerlukan pembaruan bobot untuk setiap tugas baru.
Jika hasil itu dapat digeneralisasi di luar benchmark para penulis, akuisisi keterampilan pada waktu inferensi berpotensi menjadi alternatif serius terhadap siklus teleoperasi, pengumpulan dataset, dan fine-tuning berulang yang mahal.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Bagaimana HOST Mengubah Cara Robot Dilatih untuk Memahami Dunia Fisik"?
Dalam evaluasi peneliti, satu video manusia berdurasi rata rata 29 detik menghasilkan tingkat keberhasilan 62%, dibandingkan 38% pada pembanding Pi 0.5 yang memakai sekitar 50 demonstrasi robot dan empat jam fine tuning.
Apa poin penting yang harus divalidasi terlebih dahulu?
Dalam evaluasi peneliti, satu video manusia berdurasi rata rata 29 detik menghasilkan tingkat keberhasilan 62%, dibandingkan 38% pada pembanding Pi 0.5 yang memakai sekitar 50 demonstrasi robot dan empat jam fine tuning. HOST tidak sekadar menyalin gerakan manusia atau memperbarui bobot model. Sistem ini memprediksi hasil tugas dari sudut pandang robot, lalu menghasilkan tindakan untuk mencapainya.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Pendekatan ini mengarah pada pola baru untuk embodied AI: model dilatih dengan kemampuan umum secara luas, kemudian beradaptasi saat digunakan melalui konteks demonstrasi, tanpa pelatihan ulang khusus untuk setiap tugas.
Sumber
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