RespostasPublicado16 fontes
HOST muda a forma de treinar robôs: uma demonstração de 29 segundos pode bastar
Em um teste reportado pelos autores, uma demonstração humana de 29 segundos levou a uma taxa média de sucesso de 62%, contra 38% de uma abordagem baseada no Pi 0.5, com cerca de 50 demonstrações robóticas e quatro hor... Em vez de copiar os movimentos humanos ou atualizar os pesos do modelo, o HOST prevê o resultado...
Publicado porEditado com GPT-5.6 LunaImagens geradas com GPT Image 1.5
Resposta de pesquisa
Principais conclusões
- Em um teste reportado pelos autores, uma demonstração humana de 29 segundos levou a uma taxa média de sucesso de 62%, contra 38% de uma abordagem baseada no Pi 0.5, com cerca de 50 demonstrações robóticas e quatro hor...
- Em vez de copiar os movimentos humanos ou atualizar os pesos do modelo, o HOST prevê o resultado da tarefa pela perspectiva do próprio robô e gera as ações necessárias para alcançá lo.
- A proposta pode levar a inteligência artificial incorporada a um modelo de treinamento mais ágil: capacidades gerais pré treinadas seriam adaptadas durante a execução, reduzindo a necessidade de teleoperação e novo tr...
Prompt de IA
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
A principal novidade do HOST — sigla em inglês para Human-to-robot One-Shot Skill AcquisiTion, ou aquisição de habilidades de humano para robô em uma única tentativa — não é que um robô tenha passado a dominar as tarefas domésticas. O avanço está em tratar uma nova habilidade física mais como um comando contextual do que como um novo projeto de treinamento.
A ideia é simples na aparência: mostrar ao robô um único vídeo de uma pessoa realizando a tarefa, permitir que o sistema interprete o objetivo a partir da própria câmera e do próprio corpo e, então, fazê-lo tentar executar a ação sem alterar os pesos do modelo subjacente. 18
34
Na avaliação divulgada, uma demonstração de 29 segundos produziu uma taxa média de sucesso de 62%. Já uma comparação baseada no sistema Pi-0.5 teria alcançado 38% após aproximadamente 50 demonstrações feitas por robôs e quatro horas de fine-tuning. Esses números pertencem à configuração experimental dos autores e não devem ser interpretados como uma taxa de confiabilidade para uso real. 18
34
Do retreinamento à adaptação durante a execução
Em fluxos tradicionais de aprendizado por imitação, cada nova tarefa costuma exigir a coleta de demonstrações específicas, seguida de otimização ou ajuste fino do modelo. O processo consome tempo de teleoperação, ocupa os robôs e pode dificultar a preservação de comportamentos aprendidos anteriormente.
O HOST desloca o ponto de adaptação. O modelo pré-treinado permanece congelado, enquanto o vídeo de demonstração é usado como contexto específico da tarefa no momento da inferência. A abordagem se aproxima do in-context learning — aprendizado no contexto — mais do que do ensino de um comportamento permanente por meio de atualizações de gradiente. Pesquisas anteriores em robótica já exploraram a possibilidade de adaptar ações a partir do histórico de observações e ações sem alterar os pesos do modelo. 20
Na prática, a promessa é encurtar o caminho entre “mostre ao robô o que fazer” e “deixe-o tentar”. Isso não significa que o sistema aprenda todos os princípios físicos do zero em 29 segundos. A descrição mais precisa é a de um modelo com um repertório amplo de habilidades, que usa um vídeo para selecionar, situar e executar uma tarefa nova.
Por que o HOST não copia simplesmente a pessoa
Uma pessoa e um robô não têm a mesma posição de câmera, formato das mãos, articulações, alcance ou velocidade de movimento. Transferir diretamente os pixels ou as trajetórias articulares seria, portanto, uma estratégia frágil.
Em vez disso, o HOST usa uma cascata de previsões fundamentadas no próprio robô. Primeiro, o sistema estima o progresso da tarefa demonstrada. Depois, prevê como a próxima etapa deverá aparecer a partir do ponto de vista do robô. Por fim, transforma essas observações previstas em ações executáveis. 18
Os componentes descritos pelos autores atacam partes diferentes desse problema de tradução:
- Visão: interpreta a tarefa demonstrada e o resultado pretendido em um referencial perceptivo centrado no robô.
- Geração de ações: converte o resultado previsto em movimentos que o robô pode executar.
- Alinhamento temporal dinâmico (dynamic time warping, ou DTW): ajuda a sincronizar etapas correspondentes quando humano e robô realizam a tarefa em velocidades diferentes.
A distinção é importante. O robô não precisa reproduzir exatamente a mecânica corporal do demonstrador. Ele precisa inferir a sequência relevante de mudanças no estado do ambiente e encontrar uma maneira própria de produzir o resultado.
Uma receita que combina simulação e cognição
O desenho do sistema também reflete uma visão orientada a objetivos sobre a imitação: quem observa uma ação identifica o que ela pretende realizar e escolhe um plano motor adequado ao próprio corpo. Isso é diferente de tratar a demonstração como uma trajetória a ser repetida quadro a quadro.
A simulação e o pré-treinamento em grande escala podem oferecer variação física e comportamental antes da implantação. Um vídeo curto do mundo real, por sua vez, fornece a informação específica que falta naquele momento. Essa divisão de tarefas aponta para uma possível receita de treinamento para a inteligência artificial incorporada: aprender previamente princípios gerais de interação e comportamento e, depois, especializar-se rapidamente por meio do contexto fornecido durante a inferência.
A direção acompanha o movimento em torno de conjuntos de dados abertos para robótica e de modelos fundamentais treinados com diferentes tipos de robôs. A experiência compartilhada entre plataformas pode permitir a transferência de habilidades entre corpos robóticos distintos. 25
O peso estratégico do código aberto
A X Square Robot disponibilizou o HOST de forma aberta, o que facilita que pesquisadores e desenvolvedores inspecionem, reproduzam e testem a abordagem. Implementações abertas podem revelar se a transferência de vídeo para ação funciona em diferentes câmeras, manipuladores, ambientes e tarefas — e não apenas em uma demonstração proprietária.
A empresa também publicou código e ferramentas para o ecossistema de modelos incorporados WALL, incluindo componentes de treinamento, inferência, preparação de dados e avaliação. 26
27 Para a X Square, o código aberto pode cumprir dois objetivos ao mesmo tempo: acelerar experimentos externos e familiarizar desenvolvedores com os modelos e o hardware associados à empresa.
Isso não valida, por si só, o resultado do benchmark do HOST. Mas torna mais fácil testar a hipótese central: a de que capacidades pré-treinadas podem ser adaptadas a partir de uma demonstração compacta, sem a necessidade de ajustar novamente o modelo para cada tarefa de manipulação.
O que a taxa de 62% mostra — e o que não mostra
Uma taxa de sucesso de 62% é um resultado relevante de pesquisa, especialmente quando vem acompanhada da redução relatada no número de demonstrações e no tempo de treinamento. Mas não equivale a autonomia confiável. Na avaliação descrita, quase duas em cada cinco tentativas ainda falharam.
O número também não comprova desempenho robusto em todas as condições que um robô doméstico enfrentaria. Seriam necessários testes adicionais com mudanças de iluminação, desorganização do ambiente, aparência dos objetos, dinâmica de contato, recuperação após erros, restrições de segurança, sequências mais longas e diferentes corpos robóticos. Uma avaliação independente também é importante, já que o trabalho é um preprint de pesquisa e as comparações dependem do benchmark utilizado. 18
34
A conclusão mais segura — e mais útil — é mais específica do que dizer que humanoides agora aprendem tarefas domésticas com um único vídeo. O HOST aponta para sistemas de inteligência artificial incorporada que sejam pré-treinados de forma ampla, adaptem-se rapidamente a demonstrações humanas e dispensem atualizações dos pesos para cada nova habilidade. Se o resultado se repetir fora do benchmark dos autores, a aquisição de habilidades durante a inferência poderá se tornar uma alternativa relevante ao ciclo caro de teleoperação, coleta de dados e ajustes finos repetidos.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "HOST muda a forma de treinar robôs: uma demonstração de 29 segundos pode bastar"?
Em um teste reportado pelos autores, uma demonstração humana de 29 segundos levou a uma taxa média de sucesso de 62%, contra 38% de uma abordagem baseada no Pi 0.5, com cerca de 50 demonstrações robóticas e quatro hor...
Quais são os pontos-chave para validar primeiro?
Em um teste reportado pelos autores, uma demonstração humana de 29 segundos levou a uma taxa média de sucesso de 62%, contra 38% de uma abordagem baseada no Pi 0.5, com cerca de 50 demonstrações robóticas e quatro hor... Em vez de copiar os movimentos humanos ou atualizar os pesos do modelo, o HOST prevê o resultado da tarefa pela perspectiva do próprio robô e gera as ações necessárias para alcançá lo.
O que devo fazer a seguir na prática?
A proposta pode levar a inteligência artificial incorporada a um modelo de treinamento mais ágil: capacidades gerais pré treinadas seriam adaptadas durante a execução, reduzindo a necessidade de teleoperação e novo tr...
Fontes
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