AnswersPublished16 sources
Robotar lär av varandras erfarenheter – och blir bättre tillsammans
Collective Experience Learning (CEL) låter robotar i drift förbättra en gemensam policy genom att dela erfarenheter, i stället för att förlita sig på nya expertinstruktioner vid varje uppdatering. FERT använder sammanhanget kring ett misslyckande för att hitta liknande lyckade sekvenser att träna på.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Collective Experience Learning (CEL) låter robotar i drift förbättra en gemensam policy genom att dela erfarenheter, i stället för att förlita sig på nya expertinstruktioner vid varje uppdatering.
- FERT använder sammanhanget kring ett misslyckande för att hitta liknande lyckade sekvenser att träna på.
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
Robotar kan lära sig av mänskliga demonstrationer och korrigeringar, men sådant stöd blir svårt att skala upp när allt fler maskiner tas i bruk. En ny metod, Collective Experience Learning (CEL), ska i stället låta robotar dra nytta av vad andra robotar redan har lärt sig i verkliga uppgifter. En studie kopplad till Tsinghua University, Infinigence AI och AgiBot rapporterar tester med en robotflotta på upp till 96 robotar. 1
9
När en robots erfarenhet hjälper de andra
CEL bygger på att lyckade utföranden samlas in och kan användas som träningsmaterial för en gemensam robotpolicy. På så sätt kan en robotflottas erfarenheter bidra till förbättringar utan att människor behöver demonstrera eller korrigera varje nytt beteende från grunden. Tanken är inte att människor ska försvinna ur robotutvecklingen, utan att behovet av ny expertinsats vid varje uppdatering ska minska. 1
Så använder FERT misslyckanden som ledtrådar
Kärnmetoden kallas Failure-guided Experience Retrieval Fine-tuning, eller FERT. När en robot misslyckas används sammanhanget kring försöket för att söka i en gemensam samling lyckade robotsekvenser. Relevanta delar av de lyckade försöken kan sedan bidra med registrerade handlingar vid uppdatering av policyn. Misslyckandet hjälper alltså till att hitta vad som kan vara relevant att lära sig; det lyckade försöket står för ett exempel på hur roboten kan agera. 4
13
Det kan vara användbart vid långa uppgifter där roboten måste utföra många steg. Ett slutresultat som bara säger ”lyckades” eller ”misslyckades” visar inte i sig vilket moment som behöver förbättras. FERT erbjuder ett sätt att koppla ett problematiskt sammanhang till ett exempel på ett lyckat tillvägagångssätt. Metoden fastställer däremot inte automatiskt exakt vilken handling som orsakade ett visst misslyckande.
Forskarna beskriver också FATS, ett feltåligt system för asynkron träning, avsett att stödja lärande även när robotarna inte alltid är tillgängliga samtidigt. En rapportering om systemet anger 30 fel som berörde 22 robotar och en förlust på 1,3 procent av robotarnas drifttid. Siffrorna beskriver rapporterad systemprestanda, men bekräftar inte oberoende varje detalj i hur felhantering eller uppladdning fungerar. 8
Vad testerna visade
Utvärderingen omfattade fem praktiska uppgifter: blomsterarrangemang, klädvikning, laddning av en telefon, montering av en pall och paketering av en telefon.
- Robotar utanför träningen: Två robotar som inte deltagit i träningen genomförde tillsammans 600 försök. De lyckades 585 gånger och misslyckades 15 gånger, vilket motsvarar en rapporterad total träffsäkerhet på 97,5 procent. Forskargruppen uppger också att robotarna i varje uppgift överträffade genomsnittet för sex mänskliga operatörer. Det är en jämförelse inom just de här uppgifterna, inte belägg för att robotar generellt är bättre än människor.
- Telefonpaketering: Den rapporterade träffsäkerheten steg från 79,2 till 98,3 procent. Beskrivningen av utvärderingen omfattar 120 tester med två robotar som inte deltagit i träningen.
7
- Flottans storlek: Vid samma sammanlagda träningstid i verkliga miljöer ökade träffsäkerheten enligt rapporten från 86,7 procent med 16 robotar till 98,3 procent med 96 robotar. Det talar för att en större flotta kan bidra med mer erfarenhet under samma förflutna tid, men innebär inte att varje större robotflotta automatiskt ger samma förbättring.
Lovande resultat – men ännu inte hela svaret
CEL:s grundidé är att använda misslyckanden för att ringa in var förbättring behövs och sedan hämta relevanta exempel från lyckade försök i robotflottan. FERT står för sökningen och uppdateringen, medan FATS beskrivs som systemlagret för asynkron och feltålig träning. De rapporterade testerna ger tidiga, lovande resultat från fem verkliga uppgifter, inklusive försök med robotar som inte varit med i träningen. 13
Resultaten är dock rapporterade av forskargruppen och har inte därmed verifierats genom oberoende upprepning. De visar hur CEL fungerade i den beskrivna testmiljön, men fastslår inte hur väl metoden fungerar med andra robotar, uppgifter eller driftsförhållanden.
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 "Robotar lär av varandras erfarenheter – och blir bättre tillsammans"?
Collective Experience Learning (CEL) låter robotar i drift förbättra en gemensam policy genom att dela erfarenheter, i stället för att förlita sig på nya expertinstruktioner vid varje uppdatering.
What are the key points to validate first?
Collective Experience Learning (CEL) låter robotar i drift förbättra en gemensam policy genom att dela erfarenheter, i stället för att förlita sig på nya expertinstruktioner vid varje uppdatering. FERT använder sammanhanget kring ett misslyckande för att hitta liknande lyckade sekvenser att träna på.