ОтветыОпубликовано16 источники
Как роботы учатся на опыте всего парка
Collective Experience Learning (CEL) позволяет роботам совместно улучшать общую модель на основе опыта всего парка, а не полагаться на новые экспертные демонстрации при каждом обновлении. FERT использует контекст неудачных попыток, чтобы находить похожие успешные фрагменты и брать записанные действия для обучения; F...
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Collective Experience Learning (CEL) позволяет роботам совместно улучшать общую модель на основе опыта всего парка, а не полагаться на новые экспертные демонстрации при каждом обновлении.
- FERT использует контекст неудачных попыток, чтобы находить похожие успешные фрагменты и брать записанные действия для обучения; FATS поддерживает асинхронную работу системы при сбоях.
Промпт ИИ
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
Роботам часто помогают человеческие демонстрации и подсказки: специалист показывает нужное действие или исправляет ошибку. Но если машин становится всё больше, постоянно привлекать экспертов для каждого нового навыка становится сложно. Collective Experience Learning (CEL) предлагает использовать накопленный опыт самих роботов: удачная попытка одной машины может стать учебным примером для всего парка. Подход разработали при участии Университета Цинхуа, Infinigence AI и AgiBot; его испытали на парке численностью до 96 роботов. 1
9
Зачем роботам общий опыт
CEL не предполагает, что люди больше не нужны в обучении робототехники. Идея в том, чтобы реже требовались новые демонстрации и ручные исправления при каждом обновлении модели. Если один робот успешно справился с задачей, его действия можно сохранить и использовать как пример для других. 1
Это особенно важно для продолжительных манипуляционных задач, где роботу нужно выполнить много шагов подряд. Итоговая отметка «успех» или «неудача» показывает, чем закончилась попытка, но сама по себе не объясняет, на каком этапе возникла проблема.
Как FERT превращает неудачи в подсказки
Основной алгоритм CEL называется Failure-guided Experience Retrieval Fine-tuning (FERT) — дообучение с поиском опыта, направляемым неудачей. Когда робот не справляется, система использует контекст этой попытки, чтобы найти в общем хранилище похожие фрагменты успешных действий. Записанные действия из найденного примера затем используют для обновления модели. 4
13
Иными словами, неудачная попытка помогает определить, где искать полезный опыт, а успешные траектории дают примеры того, как можно выполнить действие. При этом сам метод не доказывает, какое именно движение стало причиной ошибки.
Команда также описывает FATS — систему отказоустойчивого асинхронного обучения. В опубликованных данных указаны 30 сбоев, затронувших 22 робота, и потеря 1,3% рабочего времени машин. Эти цифры характеризуют заявленную производительность системы, но сами по себе не раскрывают все детали обработки сбоев и передачи данных. 8
Что показали испытания
Оценка охватывала пять задач манипуляции: составление цветочной композиции, складывание одежды, подключение телефона к зарядке, сборку табурета и упаковку телефона.
- Проверка на роботах, не участвовавших в обучении. Две такие машины выполнили 600 попыток: 585 успешных и 15 неудачных. Это соответствует общей успешности 97,5%. По данным команды, на каждой из пяти задач результат роботов также превысил средний показатель шести операторов-людей. Это сравнение относится к конкретным испытаниям и не означает общего превосходства роботов над людьми.
- Упаковка телефона. Заявленная успешность выросла с 79,2% до 98,3%. В описании испытаний указаны 120 проверок на двух роботах, не участвовавших в обучении.
7
- Размер парка. При одинаковом времени обучения в реальных условиях заявленная успешность увеличилась с 86,7% для 16 роботов до 98,3% для 96. Это согласуется с идеей, что большой парк может собрать больше опыта за то же время, но не гарантирует такой же прирост в любом проекте.
Что означают результаты — и чего они пока не доказывают
Главная идея CEL проста: использовать неудачи, чтобы понять, где нужно улучшить поведение робота, а затем искать подходящие примеры среди успешных попыток всего парка. FERT отвечает за такой поиск и обновление модели, а FATS описывается как системный компонент для асинхронного обучения с учётом возможных сбоев. Результаты на пяти реальных задачах, в том числе на роботах, не участвовавших в обучении, выглядят многообещающе. 13
Однако приведённые показатели остаются результатами, заявленными командой, а не независимым воспроизведением эксперимента. Они показывают, как CEL сработала в описанных условиях, но пока не позволяют судить о переносе метода на другие модели роботов, задачи или условия эксплуатации.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Как роботы учатся на опыте всего парка»?
Collective Experience Learning (CEL) позволяет роботам совместно улучшать общую модель на основе опыта всего парка, а не полагаться на новые экспертные демонстрации при каждом обновлении.
Какие ключевые моменты необходимо проверить в первую очередь?
Collective Experience Learning (CEL) позволяет роботам совместно улучшать общую модель на основе опыта всего парка, а не полагаться на новые экспертные демонстрации при каждом обновлении. FERT использует контекст неудачных попыток, чтобы находить похожие успешные фрагменты и брать записанные действия для обучения; FATS поддерживает асинхронную работу системы при сбоях.