RespostasPublicado16 fontes
Como robôs estão aprendendo com a experiência de outros robôs
O Collective Experience Learning (CEL) permite que robôs em operação compartilhem experiências para aprimorar uma política comum, sem depender de novas demonstrações especializadas a cada atualização. O FERT usa o contexto de uma falha para buscar exemplos bem sucedidos; já o FATS foi desenvolvido para apoiar o trei...
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O Collective Experience Learning (CEL) permite que robôs em operação compartilhem experiências para aprimorar uma política comum, sem depender de novas demonstrações especializadas a cada atualização.
- O FERT usa o contexto de uma falha para buscar exemplos bem sucedidos; já o FATS foi desenvolvido para apoiar o treinamento assíncrono e tolerante a falhas em uma frota.
- Nos testes relatados pela equipe, dois robôs que não participaram do treinamento tiveram 97,5% de sucesso em 600 tentativas; os resultados ainda não foram replicados de forma independente.
Prompt de IA
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
O Collective Experience Learning (CEL) é uma abordagem em que robôs em operação compartilham experiências para aprimorar uma política comum — o conjunto de instruções que orienta suas ações. Em vez de depender de demonstrações humanas novas para cada melhoria, o método transforma execuções bem-sucedidas da própria frota em material de aprendizado. Um estudo associado à Universidade Tsinghua, à Infinigence AI e à AgiBot relata testes com até 96 robôs. 1
9
Por que compartilhar experiências entre robôs?
Demonstrações humanas e correções feitas por operadores podem ajudar robôs a aprender. Mas, à medida que a quantidade de máquinas em operação cresce, fica mais difícil oferecer esse tipo de supervisão para cada uma. O CEL busca aliviar esse gargalo: uma execução útil de um robô pode servir de exemplo para os demais. A proposta não elimina a participação humana na robótica; tenta reduzir a necessidade de novas intervenções especializadas a cada atualização. 1
Como o FERT transforma falhas em pistas de aprendizado
O principal algoritmo do CEL é o FERT, sigla em inglês para Failure-guided Experience Retrieval Fine-tuning — ajuste fino com recuperação de experiências guiada por falhas. Quando uma execução dá errado, o sistema usa o contexto daquela situação para procurar, em um acervo compartilhado, trechos relevantes de trajetórias bem-sucedidas. As ações registradas nesses exemplos podem então orientar a atualização da política. 4
13
A ideia é especialmente útil em tarefas longas de manipulação. Ao final de uma sequência, uma indicação de “sucesso” ou “falha” não revela, por si só, qual etapa precisa melhorar. O FERT tenta relacionar o contexto problemático a um exemplo de abordagem que funcionou. Isso não significa, porém, que o método identifique com certeza qual ação específica provocou a falha.
A equipe também descreve o FATS, um sistema de treinamento assíncrono e tolerante a falhas, pensado para apoiar o aprendizado em uma frota cujos robôs podem não estar disponíveis ao mesmo tempo. Os relatos citam 30 falhas envolvendo 22 robôs, com perda de 1,3% do tempo de operação das máquinas. Esses números descrevem o desempenho informado para o sistema, mas não comprovam, por si só, todos os detalhes de seus mecanismos de recuperação ou envio de dados. 8
O que os testes relatados mostram
A avaliação incluiu cinco tarefas de manipulação: montar arranjos de flores, dobrar roupas, carregar um celular, montar um banquinho e embalar um celular.
- Robôs que ficaram fora do treinamento: Dois robôs que não participaram da etapa de aprendizado fizeram 600 tentativas: 585 foram bem-sucedidas e 15 falharam, o que corresponde a uma taxa geral de sucesso de 97,5%. A equipe também relata que o desempenho dos robôs em cada tarefa superou a média de seis operadores humanos. A comparação vale para as tarefas avaliadas; não demonstra uma superioridade geral das máquinas sobre as pessoas.
- Embalagem de celulares: A taxa de sucesso relatada subiu de 79,2% para 98,3%. A avaliação descrita incluiu 120 testes com dois robôs que não haviam participado do treinamento.
7
- Tamanho da frota: Mantido o mesmo tempo de treinamento no mundo real, a taxa de sucesso informada passou de 86,7%, com 16 robôs, para 98,3%, com 96. O resultado sugere que uma frota maior pode reunir mais experiências no mesmo intervalo de tempo, mas não garante ganhos iguais em qualquer cenário.
O que os resultados permitem concluir — e o que ainda não
A ideia central do CEL é direta: usar as falhas para apontar onde o aprendizado pode ser útil e recorrer a exemplos bem-sucedidos reunidos pela frota. O FERT faz a busca e orienta a atualização da política; o FATS é apresentado como a camada de treinamento assíncrono e tolerante a falhas. Os resultados relatados são um sinal inicial promissor em cinco tarefas reais, incluindo testes com robôs que ficaram fora do treinamento. 13
Ainda assim, os números devem ser entendidos como resultados divulgados pela equipe, não como uma replicação independente. Eles mostram o desempenho do CEL na configuração testada, mas não estabelecem como o método vai se sair com outros robôs, tarefas ou condições de operação.
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 "Como robôs estão aprendendo com a experiência de outros robôs"?
O Collective Experience Learning (CEL) permite que robôs em operação compartilhem experiências para aprimorar uma política comum, sem depender de novas demonstrações especializadas a cada atualização.
Quais são os pontos-chave para validar primeiro?
O Collective Experience Learning (CEL) permite que robôs em operação compartilhem experiências para aprimorar uma política comum, sem depender de novas demonstrações especializadas a cada atualização. O FERT usa o contexto de uma falha para buscar exemplos bem sucedidos; já o FATS foi desenvolvido para apoiar o treinamento assíncrono e tolerante a falhas em uma frota.
O que devo fazer a seguir na prática?
Nos testes relatados pela equipe, dois robôs que não participaram do treinamento tiveram 97,5% de sucesso em 600 tentativas; os resultados ainda não foram replicados de forma independente.