คำตอบเผยแพร่แล้ว18 แหล่งที่มา
Lambda-0 เรียนรู้การเคลื่อนไหวและหยิบจับจากประสบการณ์มนุษย์ 500 ชั่วโมง
Lambda 0 เป็นโมเดลสำหรับหุ่นยนต์ฮิวแมนนอยด์ที่เรียนรู้การเคลื่อนไหวทั้งตัวและการหยิบจับ จากวิดีโอมุมมองบุคคลที่หนึ่งซึ่งซิงก์กับข้อมูลการเคลื่อนไหวของร่างกายและมือ รวม 500 ชั่วโมง ข้อมูล HumanVerse เก็บโดยไม่ต้องใช้หุ่นยนต์ในการบันทึก แต่กระบวนการฝึกโมเดลโดยรวมยังมีทั้งการฝึกด้วยข้อมูลมนุษย์ที่ปรับให้สอดคล้องกับหุ่น...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Lambda 0 เป็นโมเดลสำหรับหุ่นยนต์ฮิวแมนนอยด์ที่เรียนรู้การเคลื่อนไหวทั้งตัวและการหยิบจับ จากวิดีโอมุมมองบุคคลที่หนึ่งซึ่งซิงก์กับข้อมูลการเคลื่อนไหวของร่างกายและมือ รวม 500 ชั่วโมง
- ข้อมูล HumanVerse เก็บโดยไม่ต้องใช้หุ่นยนต์ในการบันทึก แต่กระบวนการฝึกโมเดลโดยรวมยังมีทั้งการฝึกด้วยข้อมูลมนุษย์ที่ปรับให้สอดคล้องกับหุ่นยนต์ และขั้นตอนฝึกกับหุ่นยนต์
- ทีมวิจัยรายงานผลสำเร็จ 90.0% ในการจำลอง SIMPLE และ 62.5% ในการทดลองกับหุ่นยนต์จริง แต่ผลยังไม่ได้รับการทำซ้ำโดยนักวิจัยอิสระ และข้อมูลที่เผยแพร่ระบุจำนวนงานทดลองไม่ตรงกัน
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Lambda-0, the whole-body humanoid foundation model released by Amap, Alibaba’s mapping and location unit, and its ATH business group. Article summary: Lambda-0 (λ0) is a humanoid foundation model from Amap and Alibaba’s ATH group that learns coordinated movement and manipulation from human demonstrations; its release was reported on October 24, 2026. [4][7][50] Its cen. Topic tags: general, academic, general web, user generated. 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
Lambda-0 (λ₀) คือโมเดลจาก Amap และทีม ATH ของ Alibaba ที่ออกแบบมาเพื่อให้หุ่นยนต์ฮิวแมนนอยด์ประสานการเคลื่อนไหวและการหยิบจับสิ่งของ แนวคิดหลักคือเรียนรู้จากวิดีโอมุมมองบุคคลที่หนึ่งซึ่งบันทึกควบคู่กับข้อมูลการเคลื่อนไหวของร่างกายและมือ แทนที่จะเรียนรู้เฉพาะท่าทางของมือเป็นส่วน ๆ สำหรับชุดข้อมูล HumanVerse ทีมวิจัยระบุว่ารวบรวมข้อมูลลักษณะนี้ไว้ 500 ชั่วโมง 1
4
จุดเด่นคือการประสานทั้งร่างกาย
หุ่นยนต์ที่ต้องเดินไปหาเป้าหมาย ปรับท่าทาง แล้วเอื้อมหยิบของ ต้องควบคุมการเคลื่อนไหวหลายส่วนให้ทำงานต่อเนื่องกัน งานวิจัยเรียกความสามารถแบบนี้ว่า loco-manipulation หรือการเคลื่อนที่ควบคู่กับการจัดการวัตถุ Lambda-0 จึงมุ่งเรียนรู้การทำงานของทั้งร่างกาย โดยใช้ข้อมูลกิจกรรมของมนุษย์ในสภาพแวดล้อมจริง ซึ่งเชื่อมภาพจากมุมมองของผู้ทำกิจกรรมเข้ากับการเคลื่อนไหวของร่างกายและมือ 1
4
ข้อมูลภาพช่วยบอกว่าคนกำลังมองเห็นอะไร ส่วนข้อมูลการเคลื่อนไหวแสดงให้เห็นว่าร่างกายและมือขยับอย่างไรเพื่อโต้ตอบกับสิ่งรอบตัว การฝึกแบบนี้จึงตั้งเป้าให้โมเดลเชื่อมการยืน การเคลื่อนที่ และการใช้มือเข้าด้วยกัน ไม่มองการหยิบจับเป็นทักษะที่แยกขาดจากการเคลื่อนไหวส่วนอื่น 1
HumanVerse: ข้อมูลมนุษย์ 500 ชั่วโมง
HumanVerse คือชุดข้อมูลที่ใช้ประกอบงานวิจัย โดยทีมอธิบายว่าเป็นข้อมูลการเคลื่อนไหวและการหยิบจับของมนุษย์ 500 ชั่วโมงในสภาพแวดล้อมเปิด วิดีโอมุมมองบุคคลที่หนึ่งถูกซิงก์กับข้อมูลการเคลื่อนไหวของร่างกายและมือ 1
การเก็บข้อมูลนี้ไม่จำเป็นต้องให้คนควบคุมหุ่นยนต์ระหว่างบันทึก จึงอาจช่วยลดการพึ่งพาการเก็บตัวอย่างด้วยการบังคับหุ่นยนต์จากระยะไกล อย่างไรก็ตาม ข้อมูลที่มีอยู่ยังไม่ยืนยันรายละเอียดบางข้อ เช่น การใช้ wearable สำหรับผู้บริโภคทั่วไป หรือการเปรียบเทียบเวลาสาธิต 29 วินาทีกับ 100 วินาที 1
2
เก็บข้อมูลโดยไม่ใช้หุ่นยนต์ ไม่ได้แปลว่าฝึกโดยไม่ใช้ข้อมูลหุ่นยนต์ทั้งหมด
ควรแยกให้ชัดระหว่าง การเก็บข้อมูล HumanVerse กับ กระบวนการฝึกโมเดลทั้งหมด คำอธิบายวิธีการระบุว่ามีการฝึกล่วงหน้าจากประสบการณ์มนุษย์ ตามด้วยการฝึกช่วงกลางที่ใช้การสาธิตของมนุษย์ซึ่งจัดแนวให้เข้ากับหุ่นยนต์ และมีขั้นตอนฝึกกับหุ่นยนต์ในช่วงท้าย 1
13
ดังนั้น การที่ HumanVerse เก็บข้อมูลได้โดยไม่ต้องใช้หุ่นยนต์ ไม่ได้ยืนยันว่ากระบวนการฝึกทั้งหมดปราศจากข้อมูลหรือการฝึกกับหุ่นยนต์ เช่นเดียวกัน คำกล่าวเรื่องการนำไปใช้กับหุ่นยนต์ «โดยไม่ต้องฝึกเพิ่ม» หมายถึงการถ่ายโอนโมเดลตามที่ทีมรายงาน ไม่ควรตีความว่าโมเดลไม่เคยผ่านประสบการณ์การฝึกที่เกี่ยวข้องกับหุ่นยนต์เลย 1
8
13
ผลทดลองที่ทีมรายงาน และข้อควรระวัง
ในงานวิจัย ทีมระบุว่า Lambda-0 ทำอัตราความสำเร็จได้ 90.0% ใน SIMPLE ซึ่งเป็นสภาพแวดล้อมจำลองของทีม และ 62.5% ในงานเคลื่อนที่พร้อมหยิบจับที่ทดสอบกับหุ่นยนต์จริง ตัวเลขเหล่านี้เป็นผลที่ทีมวิจัยรายงาน ไม่ใช่การประเมินจากหน่วยงานอิสระ 1
ข้อมูลที่เผยแพร่ระบุจำนวนงานทดสอบกับหุ่นยนต์จริงไม่ตรงกัน: แหล่งหนึ่งกล่าวถึง 7 งาน ขณะที่อีกแหล่งอธิบาย 4 งาน ดังนั้นจึงควรนำเสนอ 62.5% ในฐานะผลรวมที่ทีมรายงาน โดยไม่ฟันธงว่าคำนวณจากงานทั้ง 7 งาน 8
11
งานวิจัยยังรายงานว่า เมื่อเพิ่มข้อมูลการเคลื่อนไหวทั้งร่างกายของมนุษย์ ความคืบหน้าในงานปลายทางก็ดีขึ้น ผลนี้สนับสนุนประโยชน์ของข้อมูลประเภทดังกล่าวภายใต้การทดลองของทีม แต่ยังไม่เพียงพอที่จะยืนยันว่าโมเดลจะทำงานได้ทั่วไปหรือเชื่อถือได้ในทุกสภาพแวดล้อม 1
เปิดเผยโค้ด แต่ยังรอการตรวจสอบซ้ำ
งานวิจัยเผยแพร่บน arXiv และโค้ดของโครงการเปิดให้ใช้งานบน GitHub ภายใต้สัญญาอนุญาต Apache 2.0 การเปิดโค้ดช่วยให้ผู้อื่นตรวจสอบและทดลองทำซ้ำได้ แต่ไม่ได้หมายความว่าผลลัพธ์ได้รับการยืนยันโดยนักวิจัยอิสระแล้ว 1
10
13
แหล่งข้อมูลที่มีระบุว่าผลการทดลองยังไม่ได้รับการทำซ้ำโดยอิสระ Lambda-0 จึงเป็นแนวทางที่น่าสนใจในการถ่ายทอดประสบการณ์มนุษย์ไปยังหุ่นยนต์ฮิวแมนนอยด์ พร้อมผลเบื้องต้นที่ทีมรายงาน แต่ยังไม่ใช่หลักฐานว่าหุ่นยนต์ฮิวแมนนอยด์สามารถทำงานอัตโนมัติได้อย่างครอบคลุมในสถานการณ์ทั่วไป 8
17
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Lambda-0 เรียนรู้การเคลื่อนไหวและหยิบจับจากประสบการณ์มนุษย์ 500 ชั่วโมง" คืออะไร
Lambda 0 เป็นโมเดลสำหรับหุ่นยนต์ฮิวแมนนอยด์ที่เรียนรู้การเคลื่อนไหวทั้งตัวและการหยิบจับ จากวิดีโอมุมมองบุคคลที่หนึ่งซึ่งซิงก์กับข้อมูลการเคลื่อนไหวของร่างกายและมือ รวม 500 ชั่วโมง
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Lambda 0 เป็นโมเดลสำหรับหุ่นยนต์ฮิวแมนนอยด์ที่เรียนรู้การเคลื่อนไหวทั้งตัวและการหยิบจับ จากวิดีโอมุมมองบุคคลที่หนึ่งซึ่งซิงก์กับข้อมูลการเคลื่อนไหวของร่างกายและมือ รวม 500 ชั่วโมง ข้อมูล HumanVerse เก็บโดยไม่ต้องใช้หุ่นยนต์ในการบันทึก แต่กระบวนการฝึกโมเดลโดยรวมยังมีทั้งการฝึกด้วยข้อมูลมนุษย์ที่ปรับให้สอดคล้องกับหุ่นยนต์ และขั้นตอนฝึกกับหุ่นยนต์
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ทีมวิจัยรายงานผลสำเร็จ 90.0% ในการจำลอง SIMPLE และ 62.5% ในการทดลองกับหุ่นยนต์จริง แต่ผลยังไม่ได้รับการทำซ้ำโดยนักวิจัยอิสระ และข้อมูลที่เผยแพร่ระบุจำนวนงานทดลองไม่ตรงกัน
แหล่งที่มา
arxiv.org$λ_0$: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation
technode.comAlibaba’s Amap unveils humanoid model that learns whole-body tasks from human movements · TechNode
github.comLambda Humanoid
tech-momentum.comAmap, 로봇 없이 모은 사람 시점 데이터로 휴머노이드 전신 모델 Lambda-0 공개