AnswersPublished16 sources
Bila Robot Belajar Sesama Sendiri: Pengalaman Satu Armada Bantu Robot Lain
Collective Experience Learning (CEL) membolehkan robot yang sedang digunakan berkongsi pengalaman untuk menambah baik dasar bersama, sekali gus mengurangkan kebergantungan pada demonstrasi pakar baharu bagi setiap kem... FERT menggunakan konteks kegagalan untuk mencari contoh kejayaan yang serupa sebagai bahan latih...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) membolehkan robot yang sedang digunakan berkongsi pengalaman untuk menambah baik dasar bersama, sekali gus mengurangkan kebergantungan pada demonstrasi pakar baharu bagi setiap kem...
- FERT menggunakan konteks kegagalan untuk mencari contoh kejayaan yang serupa sebagai bahan latihan, manakala FATS menyokong latihan armada secara tak segerak dan bertoleransi terhadap gangguan.
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
Collective Experience Learning (CEL) ialah pendekatan yang membolehkan robot yang sedang digunakan berkongsi pengalaman dan menambah baik satu dasar bersama. Daripada meminta manusia menunjukkan atau membetulkan setiap tingkah laku baharu, kaedah ini menggunakan pelaksanaan tugas yang berjaya sebagai bahan latihan. Kajian yang dikaitkan dengan Universiti Tsinghua, Infinigence AI dan AgiBot melaporkan ujian menggunakan armada sehingga 96 robot. 1
9
Mengapa robot perlu berkongsi pengalaman?
Demonstrasi manusia dan bimbingan pembetulan boleh membantu robot belajar. Namun, menyediakan bantuan itu berulang kali menjadi semakin sukar apabila bilangan robot bertambah. CEL mengalihkan sebahagian daripada beban pembelajaran kepada robot: pengalaman berguna daripada satu robot boleh menjadi contoh untuk seluruh armada. Tujuannya bukan untuk menghapuskan peranan manusia dalam bidang robotik, tetapi untuk mengurangkan keperluan mendapatkan input pakar baharu bagi setiap kemas kini. 1
Bagaimana FERT menggunakan kegagalan sebagai petunjuk
Algoritma utama CEL ialah Failure-guided Experience Retrieval Fine-tuning (FERT), iaitu kaedah penghalusan latihan berpandukan kegagalan dan carian pengalaman. FERT menggunakan konteks ketika sesuatu pelaksanaan gagal untuk mencari segmen yang berkaitan dalam himpunan trajektori berjaya yang dikongsi. Segmen berjaya itu membekalkan rekod tindakan untuk kemas kini dasar, manakala konteks kegagalan membantu menentukan pengalaman yang mungkin berguna. 4
13
Pendekatan ini sesuai untuk tugasan manipulasi yang panjang. Label akhir “berjaya” atau “gagal” memberitahu sama ada sesuatu cubaan menjadi, tetapi tidak menunjukkan dengan sendirinya langkah mana yang perlu diperbaiki. FERT menyediakan cara untuk menghubungkan konteks masalah dengan contoh pendekatan yang berjaya. Namun, kaedah ini tidak dengan sendirinya membuktikan tindakan tepat yang menyebabkan kegagalan.
Pasukan itu turut menerangkan FATS, sistem latihan tak segerak yang bertoleransi terhadap gangguan dan direka untuk menyokong pembelajaran merentas robot yang mungkin tidak sentiasa tersedia pada masa yang sama. Laporan mengenai sistem itu menyebut 30 gangguan yang melibatkan 22 robot, dengan 1.3% masa operasi robot hilang. Angka ini menggambarkan prestasi sistem yang dilaporkan; ia bukan pengesahan bebas bagi setiap perincian mekanisme pemulihan gangguan atau muat naiknya. 8
Apa yang ditunjukkan oleh penilaian yang dilaporkan?
Penilaian meliputi lima tugasan manipulasi: menyusun bunga, melipat pakaian, mengecas telefon, memasang bangku dan membungkus telefon.
- Prestasi pada robot yang tidak menyertai latihan: Dua robot yang tidak terlibat dalam latihan menjalankan 600 percubaan. Sebanyak 585 berjaya dan 15 gagal, iaitu kadar kejayaan keseluruhan 97.5% seperti yang dilaporkan. Pasukan turut menyatakan bahawa keputusan robot bagi setiap tugasan mengatasi purata enam operator manusia. Perbandingan ini terhad kepada tugasan yang diuji dan bukan bukti bahawa robot secara umum lebih berkebolehan daripada manusia.
- Pembungkusan telefon: Kadar kejayaan yang dilaporkan meningkat daripada 79.2% kepada 98.3%. Liputan penilaian menyebut 120 ujian menggunakan dua robot yang tidak terlibat dalam latihan.
7
- Saiz armada: Dengan tempoh latihan sebenar yang sama, perbandingan yang dilaporkan menunjukkan kadar kejayaan meningkat daripada 86.7% menggunakan 16 robot kepada 98.3% menggunakan 96 robot. Ini menyokong kemungkinan bahawa armada lebih besar dapat mengumpulkan lebih banyak pengalaman dalam tempoh masa yang sama, tetapi tidak menjamin setiap armada besar akan memperoleh peningkatan serupa.
Kesimpulan dan perkara yang belum pasti
Idea utama CEL mudah difahami: gunakan kegagalan untuk mengenal pasti ruang penambahbaikan, kemudian cari contoh berjaya yang dikumpulkan oleh armada. FERT menyediakan mekanisme carian dan kemas kini itu, manakala FATS diterangkan sebagai lapisan sistem untuk latihan tak segerak yang bertoleransi terhadap gangguan. Keputusan yang dilaporkan memberikan bukti awal yang menggalakkan merentas lima tugasan dunia sebenar, termasuk ujian pada robot yang tidak menyertai latihan. 13
Namun, angka prestasi ini masih perlu dianggap sebagai keputusan yang dilaporkan oleh pasukan, bukan hasil yang telah diulang kaji secara bebas. Ia menunjukkan prestasi CEL dalam persediaan yang diuji, tetapi belum membuktikan sejauh mana pendekatan ini boleh digunakan pada robot, tugasan atau keadaan operasi yang berbeza.
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 "Bila Robot Belajar Sesama Sendiri: Pengalaman Satu Armada Bantu Robot Lain"?
Collective Experience Learning (CEL) membolehkan robot yang sedang digunakan berkongsi pengalaman untuk menambah baik dasar bersama, sekali gus mengurangkan kebergantungan pada demonstrasi pakar baharu bagi setiap kem...
What are the key points to validate first?
Collective Experience Learning (CEL) membolehkan robot yang sedang digunakan berkongsi pengalaman untuk menambah baik dasar bersama, sekali gus mengurangkan kebergantungan pada demonstrasi pakar baharu bagi setiap kem... FERT menggunakan konteks kegagalan untuk mencari contoh kejayaan yang serupa sebagai bahan latihan, manakala FATS menyokong latihan armada secara tak segerak dan bertoleransi terhadap gangguan.