AnswersPublished16 sources
Gdy jeden robot znajdzie rozwiązanie, może skorzystać z niego cała flota
Collective Experience Learning (CEL) pozwala robotom wspólnie doskonalić strategię na podstawie doświadczeń zebranych podczas pracy, zamiast polegać na nowych demonstracjach ekspertów przy każdej aktualizacji. FERT wyszukuje udane fragmenty działań podobne do kontekstu niepowodzenia, a opisywany system FATS ma wspie...
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) pozwala robotom wspólnie doskonalić strategię na podstawie doświadczeń zebranych podczas pracy, zamiast polegać na nowych demonstracjach ekspertów przy każdej aktualizacji.
- FERT wyszukuje udane fragmenty działań podobne do kontekstu niepowodzenia, a opisywany system FATS ma wspierać asynchroniczne uczenie floty i odporność na awarie.
- W testach obejmujących pięć zadań dwa roboty, które nie brały udziału w treningu, osiągnęły 97,5 proc.
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
Robot, któremu uda się wykonać trudne zadanie, może pomóc innym maszynom z tej samej floty. Na takim pomyśle opiera się Collective Experience Learning (CEL) — metoda, w której roboty dzielą się doświadczeniami z pracy i wspólnie ulepszają jedną strategię działania. W badaniach opisanych przez zespół z Tsinghua University, Infinigence AI i AgiBot sprawdzono ją z udziałem floty liczącej do 96 robotów. 1
9
Po co robotom wspólna pamięć doświadczeń?
Demonstracje ludzi i ręczne poprawianie błędów pomagają robotom się uczyć. Problem pojawia się wtedy, gdy maszyn przybywa: zapewnienie każdej z nich kolejnych pokazów i korekt wymagałoby dużego zaangażowania operatorów. CEL ma ograniczyć zależność od nowych przykładów dostarczanych przez ekspertów przy każdej aktualizacji. Udane wykonanie zadania przez jednego robota może stać się materiałem do nauki dla pozostałych. Nie oznacza to jednak, że metoda całkowicie eliminuje rolę człowieka w robotyce. 1
Jak FERT wykorzystuje kontekst błędu
Kluczowym algorytmem CEL jest FERT — Failure-guided Experience Retrieval Fine-tuning, czyli dostrajanie z wyszukiwaniem doświadczeń ukierunkowanym na niepowodzenia. Gdy robotowi nie uda się wykonać zadania, kontekst tej próby służy do wyszukania podobnych fragmentów w zbiorze udanych działań floty. Zarejestrowane w nich ruchy mogą następnie posłużyć do aktualizacji strategii robota. 4
13
To podejście jest istotne przy długich zadaniach manipulacyjnych, które składają się z wielu kolejnych czynności. Informacja, że cała próba zakończyła się sukcesem lub porażką, nie mówi sama z siebie, który etap wymaga poprawy. FERT ma pomóc połączyć trudną sytuację z przykładem skutecznego działania. Nie dowodzi jednak automatycznie, który konkretny ruch spowodował niepowodzenie.
Zespół opisuje również FATS — system asynchronicznego treningu odporny na awarie. Według raportowanych danych 30 awarii dotknęło 22 roboty, a utracony czas pracy wyniósł 1,3 proc. Są to wyniki dotyczące działania systemu w opisanym teście; same w sobie nie potwierdzają niezależnie wszystkich szczegółów mechanizmu obsługi awarii ani przesyłania danych. 8
Co pokazują testy?
Ocenę przeprowadzono w pięciu zadaniach manipulacyjnych: układaniu kwiatów, składaniu ubrań, podłączaniu telefonu do ładowania, montażu stołka i pakowaniu telefonu.
- Roboty nieuczestniczące w treningu: Dwie takie maszyny wykonały łącznie 600 prób. Zaliczyły 585, a 15 zakończyło się niepowodzeniem, co daje raportowaną skuteczność 97,5 proc. Zespół podaje też, że w każdym z pięciu zadań roboty uzyskały wynik wyższy od średniej sześciu operatorów. To porównanie dotyczy konkretnych testów, a nie ogólnej przewagi robotów nad ludźmi.
- Pakowanie telefonu: Raportowana skuteczność wzrosła z 79,2 do 98,3 proc. Opis testów obejmuje 120 prób na dwóch robotach, które nie brały udziału w treningu.
7
- Wielkość floty: Przy takim samym czasie treningu w rzeczywistych warunkach skuteczność wzrosła z 86,7 proc. dla 16 robotów do 98,3 proc. dla 96. Wynik sugeruje, że większa flota może zebrać więcej doświadczeń w tym samym czasie, ale nie gwarantuje identycznego efektu w każdym wdrożeniu.
Obiecujące wyniki, ale nie ostatnie słowo
Najważniejsza idea CEL jest prosta: niepowodzenia pomagają wskazać, gdzie robot powinien się poprawić, a udane próby innych maszyn dostarczają przykładów do nauki. FERT odpowiada za wyszukiwanie takich przykładów i wykorzystanie ich przy aktualizacji strategii, natomiast FATS opisano jako system wspierający asynchroniczny trening odporny na awarie. Wstępne wyniki obejmują pięć zadań w rzeczywistych warunkach, w tym próby na robotach pominiętych podczas treningu. 13
Podane liczby należy traktować jako wyniki przedstawione przez zespół, a nie niezależną replikację. Pokazują one, jak CEL zadziałał w opisanym układzie testowym, ale nie przesądzają, jak metoda sprawdzi się na innych robotach, w innych zadaniach czy warunkach wdrożenia.
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 "Gdy jeden robot znajdzie rozwiązanie, może skorzystać z niego cała flota"?
Collective Experience Learning (CEL) pozwala robotom wspólnie doskonalić strategię na podstawie doświadczeń zebranych podczas pracy, zamiast polegać na nowych demonstracjach ekspertów przy każdej aktualizacji.
What are the key points to validate first?
Collective Experience Learning (CEL) pozwala robotom wspólnie doskonalić strategię na podstawie doświadczeń zebranych podczas pracy, zamiast polegać na nowych demonstracjach ekspertów przy każdej aktualizacji. FERT wyszukuje udane fragmenty działań podobne do kontekstu niepowodzenia, a opisywany system FATS ma wspierać asynchroniczne uczenie floty i odporność na awarie.
What should I do next in practice?
W testach obejmujących pięć zadań dwa roboty, które nie brały udziału w treningu, osiągnęły 97,5 proc.