AnswersPublished16 sources
Quando i robot imparano gli uni dagli altri
La Collective Experience Learning (CEL) permette ai robot in attività di contribuire al miglioramento di una politica condivisa, riducendo la necessità di nuove dimostrazioni umane per ogni aggiornamento. FERT usa il contesto degli insuccessi per recuperare esempi riusciti pertinenti; FATS è il sistema descritto per...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- La Collective Experience Learning (CEL) permette ai robot in attività di contribuire al miglioramento di una politica condivisa, riducendo la necessità di nuove dimostrazioni umane per ogni aggiornamento.
- FERT usa il contesto degli insuccessi per recuperare esempi riusciti pertinenti; FATS è il sistema descritto per gestire l’addestramento asincrono e tollerante ai guasti.
- Il team riferisce prove su cinque attività e su una flotta fino a 96 robot: dati promettenti, che vanno però considerati risultati dichiarati dai ricercatori, non una replica indipendente.
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
La Collective Experience Learning (CEL) è un metodo con cui i robot già operativi condividono le esperienze raccolte sul campo per migliorare una politica comune, cioè le istruzioni che guidano le loro azioni. Invece di affidarsi a nuove dimostrazioni o correzioni umane per ogni miglioramento, il sistema può riutilizzare i tentativi riusciti di altri robot della flotta. Uno studio associato a Tsinghua University, Infinigence AI e AgiBot riferisce test con una flotta arrivata a 96 robot. 1
9
Perché condividere l’esperienza dei robot?
Le dimostrazioni umane e le correzioni durante l’esecuzione possono aiutare un robot a imparare. Ma, quando i robot aumentano di numero, diventa difficile fornire assistenza esperta per ogni nuovo comportamento o errore. CEL prova a spostare una parte di questo lavoro sulla flotta: un’esecuzione utile può diventare un esempio da cui imparano anche gli altri. Non significa eliminare il contributo umano, ma ridurre la dipendenza da nuovi interventi esperti a ogni aggiornamento. 1
FERT: usare gli insuccessi per trovare esempi utili
Il componente centrale è FERT, acronimo di Failure-guided Experience Retrieval Fine-tuning, ossia un metodo di rifinitura guidato dal recupero di esperienze a partire dagli insuccessi. Quando un robot non completa un compito, il contesto di quell’esecuzione viene usato per cercare, in una raccolta condivisa, segmenti pertinenti di traiettorie riuscite. Le azioni registrate in quei segmenti possono poi servire per aggiornare la politica. In breve: l’insuccesso aiuta a individuare che cosa cercare; un’esperienza riuscita fornisce un esempio di azioni da apprendere. 4
13
L’approccio è pensato anche per compiti di manipolazione articolati in molti passaggi. Un’etichetta finale — “riuscito” o “fallito” — dice se il compito è andato a buon fine, ma non indica da sola quale parte della sequenza richieda un miglioramento. FERT cerca di colmare questo limite collegando il contesto problematico a esempi riusciti simili. Il metodo, però, non dimostra automaticamente quale singola azione abbia causato un insuccesso.
Il team descrive anche FATS, un sistema di addestramento asincrono e tollerante ai guasti, pensato per coordinare l’apprendimento tra robot che potrebbero non essere sempre disponibili nello stesso momento. Secondo i dati riportati, 30 guasti hanno coinvolto 22 robot e hanno comportato la perdita dell’1,3% del tempo operativo dei robot. Queste cifre descrivono le prestazioni dichiarate del sistema, ma non verificano in modo indipendente ogni dettaglio delle procedure di recupero o di caricamento dei dati. 8
Che cosa mostrano i test riportati
La valutazione ha riguardato cinque attività di manipolazione: composizione di fiori, piegatura di vestiti, ricarica di un telefono, montaggio di uno sgabello e confezionamento di un telefono.
- Robot esclusi dall’addestramento: due robot non coinvolti nella fase di addestramento hanno completato 600 prove: 585 riuscite e 15 fallite, pari a un tasso di successo complessivo del 97,5%. Il team riferisce inoltre che, in ciascuna delle cinque attività, i risultati dei robot hanno superato la media di sei operatori umani. Il confronto riguarda quelle prove specifiche e non dimostra una superiorità generale dei robot rispetto alle persone.
- Confezionamento di telefoni: il tasso di successo riportato è salito dal 79,2% al 98,3%. La descrizione dei test indica 120 prove su due robot che non avevano partecipato all’addestramento.
7
- Dimensioni della flotta: a parità di tempo effettivo di addestramento nel mondo reale, il successo riportato è passato dall’86,7% con 16 robot al 98,3% con 96. Il dato è compatibile con l’idea che una flotta più ampia possa raccogliere più esperienze nello stesso intervallo di tempo, ma non garantisce lo stesso risultato in ogni situazione.
Un’idea promettente, con limiti da tenere presenti
L’intuizione di CEL è semplice: usare gli insuccessi per individuare dove serve migliorare e cercare, tra le esperienze della flotta, esempi riusciti da cui imparare. FERT realizza questo passaggio di ricerca e aggiornamento; FATS è descritto come il livello di sistema che supporta l’addestramento asincrono e tollerante ai guasti. Le prove riferite dal team costituiscono un primo risultato interessante su cinque attività reali, compresi test con robot esclusi dall’addestramento. 13
I numeri restano però risultati dichiarati dal team, non una verifica indipendente. Descrivono il comportamento di CEL nelle condizioni sperimentate, ma non stabiliscono quanto il metodo possa trasferirsi ad altri robot, compiti o contesti operativi.
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 "Quando i robot imparano gli uni dagli altri"?
La Collective Experience Learning (CEL) permette ai robot in attività di contribuire al miglioramento di una politica condivisa, riducendo la necessità di nuove dimostrazioni umane per ogni aggiornamento.
What are the key points to validate first?
La Collective Experience Learning (CEL) permette ai robot in attività di contribuire al miglioramento di una politica condivisa, riducendo la necessità di nuove dimostrazioni umane per ogni aggiornamento. FERT usa il contesto degli insuccessi per recuperare esempi riusciti pertinenti; FATS è il sistema descritto per gestire l’addestramento asincrono e tollerante ai guasti.
What should I do next in practice?
Il team riferisce prove su cinque attività e su una flotta fino a 96 robot: dati promettenti, che vanno però considerati risultati dichiarati dai ricercatori, non una replica indipendente.