AnswersPublished16 sources
Hoe robots van de ervaringen van een hele vloot kunnen leren
Collective Experience Learning (CEL) laat robots praktijkervaring delen om samen een gedeeld besturingsbeleid te verbeteren, zodat niet voor elke update nieuwe expertinstructies nodig zijn. FERT gebruikt de context van een mislukte taak om vergelijkbare, geslaagde robotacties terug te vinden; FATS is bedoeld om het...
Gepubliceerd doorBewerkt met GPT-6 LunaAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) laat robots praktijkervaring delen om samen een gedeeld besturingsbeleid te verbeteren, zodat niet voor elke update nieuwe expertinstructies nodig zijn.
- FERT gebruikt de context van een mislukte taak om vergelijkbare, geslaagde robotacties terug te vinden; FATS is bedoeld om het trainen met een robotvloot ook bij storingen en uitval te ondersteunen.
- In tests op vijf taken haalden twee robots die niet aan de training deelnamen samen een gerapporteerd succespercentage van 97,5 procent; de resultaten zijn nog niet onafhankelijk gerepliceerd.
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
Een robot loopt vast bij een taak, terwijl een andere eerder een vergelijkbaar probleem wél oploste. Collective Experience Learning (CEL) is bedoeld om die geslaagde ervaring te delen: robots in een vloot gebruiken hun praktijkervaring om samen één gedeeld besturingsbeleid te verbeteren. Zo hoeft niet voor elke nieuwe verbetering een expert opnieuw handelingen voor te doen of fouten te corrigeren. Een onderzoek van Tsinghua University, Infinigence AI en AgiBot beschrijft tests met maximaal 96 robots. 1
9
Waarom robots ervaringen laten delen?
Menselijke demonstraties en correcties helpen robots leren. Maar als het aantal robots groeit, is het lastig om voor iedere machine en elke nieuwe situatie voldoende menselijke begeleiding te leveren. CEL probeert een deel van dat werk door de robots zelf te laten doen: een bruikbare uitvoering van de ene robot kan als voorbeeld dienen voor de rest van de vloot. Het doel is niet om menselijke betrokkenheid overbodig te maken, maar om de vooruitgang minder afhankelijk te maken van nieuwe expertinvoer bij elke update. 1
Hoe FERT van mislukte pogingen leert
Het centrale algoritme heet Failure-guided Experience Retrieval Fine-tuning (FERT). Het gebruikt de context van een mislukte uitvoering om in een gedeelde verzameling geslaagde trajecten naar relevante fragmenten te zoeken. De geslaagde voorbeelden leveren vastgelegde acties voor het bijwerken van het besturingsbeleid; de mislukking helpt bepalen welke ervaring mogelijk van pas komt. 4
13
Dat kan nuttig zijn bij langere handelingen, waarbij een robot veel stappen doorloopt voordat duidelijk wordt of de taak is gelukt. Een eindlabel als ‘geslaagd’ of ‘mislukt’ zegt op zichzelf niet welke stap beter moet. FERT probeert die leemte te verkleinen door de context van een probleem te koppelen aan een voorbeeld van een geslaagde aanpak. Het bewijst daarmee niet automatisch welke specifieke actie de mislukking veroorzaakte.
De onderzoekers beschrijven daarnaast FATS, een fouttolerant systeem voor asynchrone training. Dat moet leren met robots ondersteunen die niet allemaal op hetzelfde moment beschikbaar zijn. In de rapportage worden 30 storingen bij 22 robots genoemd, waarbij 1,3 procent van de bedrijfstijd van de robots verloren ging. Die cijfers beschrijven de gerapporteerde systeemprestaties; ze bevestigen niet onafhankelijk alle details van het herstel- of uploadproces. 8
Wat lieten de tests zien?
De evaluatie omvatte vijf taken: bloemen schikken, kleding vouwen, een telefoon opladen, een kruk in elkaar zetten en een telefoon verpakken.
- Robots die niet aan de training deelnamen: Twee van zulke robots voerden samen 600 tests uit. Daarvan waren er 585 succesvol en 15 niet: een gerapporteerd totaalpercentage van 97,5 procent. Volgens het team lagen de resultaten op elk van de vijf taken boven het gemiddelde van zes menselijke operators. Dat is een vergelijking binnen deze tests, geen bewijs dat robots mensen in het algemeen overtreffen.
- Telefoonverpakking: Het gerapporteerde succespercentage steeg van 79,2 naar 98,3 procent. De evaluatiebeschrijving vermeldt 120 tests met twee robots die niet aan de training hadden meegedaan.
7
- Omvang van de vloot: Bij dezelfde hoeveelheid trainingstijd in de echte wereld steeg het gerapporteerde succespercentage van 86,7 procent met 16 robots naar 98,3 procent met 96 robots. Dat wijst erop dat een grotere vloot binnen dezelfde verstreken tijd meer ervaring kan bijdragen; het garandeert niet dat elke grotere vloot dezelfde winst oplevert.
Veelbelovend, maar nog geen onafhankelijke bevestiging
Het basisidee van CEL is dat mislukkingen kunnen helpen aanwijzen waar verbetering nodig is, waarna de vloot relevante voorbeelden uit eerdere successen kan benutten. FERT verzorgt volgens de beschrijving het terugzoeken en bijwerken van het beleid; FATS is de systeemlaag voor asynchrone, fouttolerante training. De gerapporteerde resultaten vormen een eerste veelbelovende aanwijzing op vijf praktijktaken, waaronder tests met robots die buiten de training waren gehouden. 13
De cijfers zijn echter afkomstig uit rapportages van het onderzoeksteam en zijn niet onafhankelijk gerepliceerd. Ze laten zien hoe CEL presteerde in de beschreven opstelling, maar bewijzen niet hoe goed de methode overdraagt naar andere robots, taken of werkomstandigheden.
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 "Hoe robots van de ervaringen van een hele vloot kunnen leren"?
Collective Experience Learning (CEL) laat robots praktijkervaring delen om samen een gedeeld besturingsbeleid te verbeteren, zodat niet voor elke update nieuwe expertinstructies nodig zijn.
What are the key points to validate first?
Collective Experience Learning (CEL) laat robots praktijkervaring delen om samen een gedeeld besturingsbeleid te verbeteren, zodat niet voor elke update nieuwe expertinstructies nodig zijn. FERT gebruikt de context van een mislukte taak om vergelijkbare, geslaagde robotacties terug te vinden; FATS is bedoeld om het trainen met een robotvloot ook bij storingen en uitval te ondersteunen.
What should I do next in practice?
In tests op vijf taken haalden twee robots die niet aan de training deelnamen samen een gerapporteerd succespercentage van 97,5 procent; de resultaten zijn nog niet onafhankelijk gerepliceerd.