JawabanDipublikasikan16 sumber
Saat Robot Belajar dari Pengalaman Satu Armada
Collective Experience Learning (CEL) memungkinkan robot yang sudah beroperasi berbagi pengalaman untuk meningkatkan kebijakan bersama, sehingga setiap pembaruan tidak harus mengandalkan demonstrasi ahli yang baru. FERT menggunakan konteks kegagalan untuk mencari contoh keberhasilan yang relevan sebagai bahan pelatih...
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Collective Experience Learning (CEL) memungkinkan robot yang sudah beroperasi berbagi pengalaman untuk meningkatkan kebijakan bersama, sehingga setiap pembaruan tidak harus mengandalkan demonstrasi ahli yang baru.
- FERT menggunakan konteks kegagalan untuk mencari contoh keberhasilan yang relevan sebagai bahan pelatihan, sementara FATS dirancang untuk mendukung pelatihan armada secara asinkron dan toleran terhadap gangguan.
AI Perintah
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
Sebuah robot yang berhasil menyelesaikan tugas bisa membantu robot lain belajar melakukan hal serupa. Itulah gagasan di balik Collective Experience Learning (CEL): robot-robot yang telah diterjunkan berbagi pengalaman untuk meningkatkan satu kebijakan bersama. Pendekatan ini dikembangkan dalam studi yang dikaitkan dengan Universitas Tsinghua, Infinigence AI, dan AgiBot, dengan pengujian pada armada hingga 96 robot. 1
9
Mengapa pengalaman perlu dibagikan?
Demonstrasi manusia dan koreksi langsung dapat membantu robot belajar. Namun, semakin besar jumlah robot yang beroperasi, semakin sulit menyediakan masukan ahli berulang kali untuk setiap peningkatan. CEL berupaya mengurangi ketergantungan itu: pengalaman berguna dari satu robot dapat menjadi bahan belajar bagi robot lain. Ini bukan berarti manusia tak lagi terlibat, melainkan pembaruan kemampuan tidak harus selalu menunggu demonstrasi baru dari ahli. 1
Cara FERT memanfaatkan pengalaman gagal
Algoritma utama CEL disebut Failure-guided Experience Retrieval Fine-tuning (FERT). Ketika robot gagal, konteks di sekitar kegagalan itu digunakan untuk mencari bagian yang relevan dari rekaman tugas-tugas sebelumnya yang berhasil. Bagian keberhasilan tersebut menyediakan catatan tindakan untuk memperbarui kebijakan, sedangkan konteks kegagalan membantu menentukan pengalaman mana yang mungkin berguna. 4
13
Pendekatan ini ditujukan, antara lain, untuk tugas manipulasi yang panjang dan terdiri dari banyak langkah. Umpan balik akhir yang hanya menyatakan “berhasil” atau “gagal” tidak menunjukkan dengan sendirinya langkah mana yang perlu diperbaiki. FERT mencoba menghubungkan situasi bermasalah dengan contoh keberhasilan yang serupa, tetapi tidak serta-merta membuktikan tindakan persis apa yang menyebabkan kegagalan.
Tim juga menjelaskan FATS, sistem pelatihan asinkron yang dirancang agar pembelajaran dapat berjalan meski tidak semua robot tersedia pada saat yang sama. Laporan mengenai sistem ini menyebut 30 gangguan yang memengaruhi 22 robot, dengan 1,3% waktu operasi robot hilang. Angka tersebut merupakan kinerja sistem yang dilaporkan; angka itu sendiri tidak memverifikasi setiap detail mekanisme pemulihan gangguan atau pengunggahan data. 8
Hasil pengujian yang dilaporkan
Evaluasi mencakup lima tugas manipulasi: merangkai bunga, melipat pakaian, mengisi daya ponsel, merakit bangku, dan mengemas ponsel.
- Robot yang tidak ikut pelatihan: Dua robot yang sebelumnya tidak dilibatkan dalam pelatihan menjalani 600 percobaan. Sebanyak 585 percobaan berhasil dan 15 gagal, sehingga tingkat keberhasilan keseluruhan yang dilaporkan mencapai 97,5%. Tim juga menyatakan bahwa hasil robot pada masing-masing tugas melampaui rata-rata enam operator manusia. Perbandingan ini terbatas pada tugas yang diuji, bukan bukti bahwa robot secara umum lebih unggul daripada manusia.
- Pengemasan ponsel: Tingkat keberhasilan yang dilaporkan meningkat dari 79,2% menjadi 98,3%. Uraian evaluasi menyebut 120 pengujian pada dua robot yang tidak ikut pelatihan.
7
- Ukuran armada: Dengan waktu pelatihan nyata yang sama, perbandingan yang dilaporkan menunjukkan tingkat keberhasilan naik dari 86,7% dengan 16 robot menjadi 98,3% dengan 96 robot. Hasil ini mendukung gagasan bahwa armada lebih besar dapat mengumpulkan lebih banyak pengalaman dalam waktu yang sama, tetapi tidak menjamin setiap penambahan jumlah robot akan menghasilkan peningkatan serupa.
Menjanjikan, tetapi belum menjadi bukti universal
Inti CEL adalah menggunakan konteks kegagalan untuk menunjukkan bagian yang perlu diperbaiki, lalu mengambil pelajaran dari contoh keberhasilan yang dikumpulkan satu armada. FERT menangani proses pencarian pengalaman dan pembaruan kebijakan, sementara FATS dijelaskan sebagai lapisan sistem untuk pelatihan asinkron yang toleran terhadap gangguan. Hasil yang dilaporkan memberi bukti awal yang menjanjikan pada lima tugas nyata, termasuk pengujian dengan robot yang tidak dilibatkan dalam pelatihan. 13
Namun, angka-angka tersebut tetap perlu dipahami sebagai hasil yang dilaporkan tim, bukan replikasi independen. Hasil itu menunjukkan kinerja CEL dalam pengaturan pengujian yang dijelaskan, tetapi belum memastikan seberapa baik pendekatan ini akan diterapkan pada robot, tugas, atau kondisi operasi yang berbeda.
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 "Saat Robot Belajar dari Pengalaman Satu Armada"?
Collective Experience Learning (CEL) memungkinkan robot yang sudah beroperasi berbagi pengalaman untuk meningkatkan kebijakan bersama, sehingga setiap pembaruan tidak harus mengandalkan demonstrasi ahli yang baru.
Apa poin penting yang harus divalidasi terlebih dahulu?
Collective Experience Learning (CEL) memungkinkan robot yang sudah beroperasi berbagi pengalaman untuk meningkatkan kebijakan bersama, sehingga setiap pembaruan tidak harus mengandalkan demonstrasi ahli yang baru. FERT menggunakan konteks kegagalan untuk mencari contoh keberhasilan yang relevan sebagai bahan pelatihan, sementara FATS dirancang untuk mendukung pelatihan armada secara asinkron dan toleran terhadap gangguan.