AnswersPublished16 sources
HOST laat robots nieuwe vaardigheden leren met één menselijke demonstratie
Na een menselijke demonstratie van gemiddeld 29 seconden behaalde HOST volgens de onderzoekers een gemiddeld succespercentage van 62 procent. HOST kopieert niet simpelweg menselijke bewegingen en past de modelgewichten niet aan.
Gepubliceerd doorBewerkt met GPT-5.6 LunaAfbeeldingen gegenereerd met GPT Image 1.5
Research answer
Key takeaways
- Na een menselijke demonstratie van gemiddeld 29 seconden behaalde HOST volgens de onderzoekers een gemiddeld succespercentage van 62 procent.
- HOST kopieert niet simpelweg menselijke bewegingen en past de modelgewichten niet aan.
- De aanpak kan embodied AI richting modellen sturen die vooraf breed worden getraind en zich tijdens gebruik snel aanpassen, waardoor minder teleoperatie en taakgerichte hertraining nodig zijn.
AI Prompt
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
De belangrijkste vernieuwing van HOST — voluit Human-to-robot One-Shot Skill AcquisiTion — is niet dat een robot ineens alle huishoudelijke taken beheerst. De kern is dat een nieuwe fysieke vaardigheid meer op een prompt kan gaan lijken dan op een compleet nieuw trainingsproject: laat de robot één menselijke demonstratie zien, laat hem het beoogde resultaat vertalen naar zijn eigen lichaam en camerabeeld, en laat hem de taak uitvoeren zonder de onderliggende modelgewichten bij te werken. 18
34
In de gerapporteerde evaluatie leidde een demonstratie van 29 seconden tot een gemiddeld succespercentage van 62 procent. Een vergelijking met het Pi-0.5-systeem kwam volgens de onderzoekers uit op 38 procent, na ongeveer 50 robotdemonstraties en vier uur finetunen. Die cijfers komen uit de experimentele opzet van de auteurs en staan niet gelijk aan betrouwbaarheid in een echte werkomgeving. 18
34
Van hertrainen naar aanpassen tijdens gebruik
Bij traditionele imitatielearning worden doorgaans voor elke nieuwe taak extra demonstraties verzameld. Daarna volgt optimalisatie of finetuning. Dat kost tijd voor teleoperatie, houdt robots bezet en kan het lastiger maken om eerder aangeleerd gedrag te behouden.
HOST verplaatst het moment waarop de aanpassing plaatsvindt. Het vooraf getrainde model blijft ongewijzigd; de demonstratievideo wordt tijdens het uitvoeren van de taak als specifieke context aangeboden. Dat lijkt meer op in-context learning dan op het permanent aanleren van nieuw gedrag via updates van de modelgewichten. Onderzoek naar robotleren verkent al langer de mogelijkheid dat modellen hun gedrag uit observatie-actiecontext aanpassen zonder hun gewichten te wijzigen. 20
De praktische belofte is een kortere route van ‘laat zien wat de robot moet doen’ naar ‘laat de robot het proberen’. Toch leert de robot niet in 29 seconden alle natuurkundige principes van een taak vanaf nul. Een nauwkeuriger omschrijving is: een breed voorgetrainde vaardigheidsbasis gebruikt één video om een nieuwe taak te selecteren, te verankeren en uit te voeren.
Waarom HOST de mens niet gewoon nadoet
Een mens en een robot hebben niet dezelfde camerahoek, handvorm, gewrichten, reikwijdte of bewegingssnelheid. Wie pixels of gewrichtstrajecten rechtstreeks overdraagt, loopt daardoor snel tegen beperkingen aan.
HOST gebruikt in plaats daarvan een keten van zogenoemde self-grounded prediction. Eerst schat het framework in hoe ver de demonstratie in de taak is gevorderd. Daarna voorspelt het hoe die voortgang eruitziet vanuit het eigen perspectief van de robot. Ten slotte leidt het daaruit de benodigde acties af. 18
De onderdelen pakken elk een ander deel van die vertaalslag aan:
- Visie interpreteert de demonstratie en het beoogde resultaat vanuit een robotgericht waarnemingskader.
- Actiegeneratie zet het voorspelde resultaat om in uitvoerbaar robotgedrag.
- Dynamic time warping helpt overeenkomstige fases op elkaar af te stemmen wanneer de mens en de robot de taak met verschillende snelheden uitvoeren.
Dat onderscheid is belangrijk. De robot hoeft de lichaamsmechanica van de demonstrator niet exact te reproduceren. Hij moet de betekenisvolle opeenvolging van veranderingen in de toestand van de omgeving begrijpen en vervolgens een eigen manier vinden om hetzelfde resultaat te bereiken.
Een bredere visie op imitatie
Het ontwerp sluit aan bij een doelgerichte kijk op imitatie: een waarnemer probeert te begrijpen wat een handeling moet bereiken en kiest daarna een motorisch plan dat bij het eigen lichaam past. Dat is iets anders dan een demonstratie beeld voor beeld als een vast traject afspelen.
Simulaties en grootschalige voortraining kunnen al vóór de inzet zorgen voor brede variatie. Een korte video uit de echte wereld levert vervolgens de taakspecifieke informatie die op dat moment nog ontbreekt. Die verdeling suggereert een mogelijke trainingsformule voor embodied AI: leer offline algemene fysieke en gedragsmatige vaardigheden, en pas het systeem daarna snel aan met context tijdens het uitvoeren.
Die richting past bij de bredere beweging naar open robotdatasets en foundationmodellen die met verschillende robotlichamen worden getraind. Ervaringen van het ene platform kunnen zo mogelijk worden overgedragen naar andere robots. 25
Waarom het open-sourcen van HOST ertoe doet
Door HOST vrij beschikbaar te maken, geeft X Square Robot andere onderzoekers en ontwikkelaars de mogelijkheid om de aanpak te bekijken, na te bouwen en te testen. Open implementaties kunnen laten zien hoe goed video-naar-actie-overdracht werkt met andere camera’s, robotarmen, omgevingen en taken — in plaats van dat de claim beperkt blijft tot één propriëtaire demonstratie.
Het bedrijf heeft ook code en hulpmiddelen gepubliceerd voor zijn WALL-ecosysteem van embodied modellen. Daaronder vallen onderdelen voor training, inferentie, gegevensvoorbereiding en evaluatie. 26
27 Voor X Square kan open source daardoor twee doelen tegelijk dienen: experimenten buiten het bedrijf versnellen en bekendheid opbouwen met de modellen en hardware eromheen.
Open source bewijst op zichzelf niet dat de benchmark van HOST klopt. Het maakt de centrale hypothese wel beter toetsbaar: kunnen de vooraf getrainde mogelijkheden van een robot via een korte demonstratie worden aangepast, zonder voor elke nieuwe manipulatietaak opnieuw te finetunen?
Wat de score van 62 procent wel en niet laat zien
Een succespercentage van 62 procent is een relevante onderzoeksuitkomst, zeker in combinatie met de gerapporteerde vermindering van demonstraties en trainingstijd. Het is niet hetzelfde als betrouwbare autonomie. In de genoemde evaluatie mislukte bijna twee op de vijf pogingen nog altijd.
De score bewijst bovendien niet dat de aanpak onder alle omstandigheden robuust werkt voor een huishoudrobot. Daarvoor is verder onderzoek nodig naar onder meer wisselende lichtomstandigheden, rommelige omgevingen, verschillende objecten, contactkrachten, herstel na fouten, veiligheidsbeperkingen, langere taakreeksen en andere robotlichamen. Onafhankelijke evaluatie blijft eveneens belangrijk, omdat het om een onderzoeks-preprint en benchmarkgebonden vergelijkingen gaat. 18
34
De geloofwaardige conclusie is daarom specifieker — en nuttiger — dan de bewering dat humanoïde robots nu huishoudelijke klusjes uit één video leren. HOST wijst op een embodied-AI-systeem dat breed wordt voorgetraind, zich snel aanpast aan menselijke demonstraties en taakgerichte updates van modelgewichten vermijdt. Als die resultaten buiten de benchmark van de auteurs standhouden, kan het verwerven van vaardigheden tijdens inferentie uitgroeien tot een serieus alternatief voor de dure cyclus van teleoperatie, dataverzameling en herhaald finetunen.
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 "HOST laat robots nieuwe vaardigheden leren met één menselijke demonstratie"?
Na een menselijke demonstratie van gemiddeld 29 seconden behaalde HOST volgens de onderzoekers een gemiddeld succespercentage van 62 procent.
What are the key points to validate first?
Na een menselijke demonstratie van gemiddeld 29 seconden behaalde HOST volgens de onderzoekers een gemiddeld succespercentage van 62 procent. HOST kopieert niet simpelweg menselijke bewegingen en past de modelgewichten niet aan.
What should I do next in practice?
De aanpak kan embodied AI richting modellen sturen die vooraf breed worden getraind en zich tijdens gebruik snel aanpassen, waardoor minder teleoperatie en taakgerichte hertraining nodig zijn.
Sources
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