AnswersPublished16 sources
Robotlar Birbirinden Öğrenebilir mi? 96 Robotla Denenen CEL Yaklaşımı
Kolektif Deneyim Öğrenimi (CEL), robotların her güncelleme için yeni uzman gösterimlerine ihtiyaç duymadan filodaki deneyimlerden ortak bir politika geliştirmesini hedefliyor. FERT, başarısızlık bağlamlarını kullanarak benzer başarılı denemelerden ilgili bölümleri buluyor; FATS ise robot filosunda eşzamansız ve arız...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Kolektif Deneyim Öğrenimi (CEL), robotların her güncelleme için yeni uzman gösterimlerine ihtiyaç duymadan filodaki deneyimlerden ortak bir politika geliştirmesini hedefliyor.
- FERT, başarısızlık bağlamlarını kullanarak benzer başarılı denemelerden ilgili bölümleri buluyor; FATS ise robot filosunda eşzamansız ve arızalara dayanıklı eğitimi desteklemek için tasarlanmış.
- Ekip, eğitime katılmamış iki robotun 600 denemede 585 başarı elde ettiğini ve beş görevde toplam yüzde 97,5 başarı oranına ulaştığını bildiriyor.
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
Bir robotun sahada işe yarayan bir çözüm bulması, aynı işi yapan diğer robotlara da yardımcı olabilir mi? Kolektif Deneyim Öğrenimi (Collective Experience Learning, CEL) bu soruya, robot filosundaki deneyimleri ortak bir öğrenme kaynağına dönüştürerek yanıt arıyor. Tsinghua Üniversitesi, Infinigence AI ve AgiBot ile ilişkilendirilen çalışmada, yaklaşım 96 robota kadar çıkan bir filo üzerinde sınandı. 1
9
Robotlar neden deneyim paylaşsın?
Robotlara yeni beceriler kazandırmak için insan gösterimleri ve operatörlerin yaptığı düzeltmeler yararlı olabilir. Ancak robot sayısı arttıkça her yeni davranışı tekrar tekrar göstermenin ve hataları tek tek düzeltmenin ölçeğini büyütmek zorlaşır. CEL, bu yükün bir kısmını robotların sahada edindiği deneyimlerle karşılamayı amaçlıyor: Bir robotun başarılı uygulaması, filodaki diğer robotların öğrenmesine de örnek olabiliyor. Bu yaklaşım insan katkısını tamamen ortadan kaldırdığı anlamına gelmiyor; hedef, her güncellemede yeniden uzman girdisine duyulan ihtiyacı azaltmak. 1
FERT: Hatalardan yararlı örneklere
CEL’in temel algoritması, Başarısızlık Güdümlü Deneyim Getirme ile İnce Ayar (Failure-guided Experience Retrieval Fine-tuning, FERT). Bir robot başarısız olduğunda algoritma, o durumun bağlamını kullanarak ortak deneyim havuzundaki başarılı denemelerden ilgili bölümleri arıyor. Bulunan başarılı bölümdeki kayıtlı hareketler, politikanın güncellenmesinde eğitim sinyali olarak kullanılıyor. Kısaca, başarısızlık hangi durumun incelenmesi gerektiğine işaret ediyor; başarılı denemeler ise uygulanabilecek hareketlere örnek sağlıyor. 4
13
Bu yöntem özellikle çok adımlı robot işleri açısından önem taşıyor. Uzun bir görevin sonunda alınan “başarılı” ya da “başarısız” sonucu, tek başına hangi adımın iyileştirilmesi gerektiğini söylemiyor. FERT, sorun yaşanan bağlamı benzer koşullardaki başarılı örneklerle ilişkilendirmeyi amaçlıyor. Ancak bu, başarısızlığa belirli bir hareketin neden olduğunu tek başına kanıtlamıyor.
Ekip ayrıca FATS adlı, robotlar aynı anda çevrimiçi olmasa da filo genelinde eğitimi sürdürebilmek üzere tasarlanmış arızaya dayanıklı ve eşzamansız bir eğitim sisteminden söz ediyor. Bildirilen verilere göre 22 robotu etkileyen 30 arıza yaşanırken, robotların toplam çalışma süresinin yüzde 1,3’ü kaybedildi. Bu rakamlar sistem için raporlanan performansı gösteriyor; arızaların nasıl giderildiği veya veri yükleme mekanizmasının tüm ayrıntılarını bağımsız olarak doğrulamıyor. 8
Beş görevde bildirilen sonuçlar
Değerlendirme; çiçek düzenleme, kıyafet katlama, telefon şarj etme, tabure montajı ve telefon paketleme olmak üzere beş el becerisi gerektiren görevi kapsıyor.
- Eğitime katılmamış robotlar: Eğitim sürecinde yer almayan iki robot toplam 600 deneme yaptı; 585’i başarılı, 15’i başarısız oldu. Bildirilen genel başarı oranı yüzde 97,5. Ekip ayrıca beş görevin her birinde robotların sonuçlarının altı insan operatörün ortalamasını aştığını belirtiyor. Bu, yalnızca raporlanan görevlerdeki bir karşılaştırma; robotların genel olarak insanlardan üstün olduğunu gösteren bir kanıt değil.
- Telefon paketleme: Bildirilen başarı oranı yüzde 79,2’den yüzde 98,3’e çıktı. Değerlendirme kapsamına ilişkin haberde, eğitime katılmamış iki robotla yapılan 120 testten söz ediliyor.
7
- Filo büyüklüğü: Gerçek dünyadaki eğitim süresi eşit tutulduğunda, robot sayısı 16’dan 96’ya çıkarılan karşılaştırmada başarı oranı yüzde 86,7’den yüzde 98,3’e yükseldi. Sonuç, daha büyük bir filonun aynı süre içinde daha fazla deneyim sunabileceğine işaret ediyor; ancak her büyük filoda aynı artışın sağlanacağını garanti etmiyor.
Sonuçlar umut verici, ancak sınırları var
CEL’in ana fikri basit: İyileştirilmesi gereken durumları bulmak için başarısızlık bağlamlarından yararlanmak, ardından filonun başarılı denemelerinden uygun örnekleri getirmek. FERT bu getirme ve politika güncelleme adımlarını yürütüyor; FATS ise eşzamansız ve arızalara dayanıklı eğitim için sistem katmanını sağlamak üzere tanımlanıyor. Beş gerçek görevde ve eğitimde kullanılmamış robotlarla bildirilen sonuçlar, yaklaşım için erken ve dikkat çekici bulgular sunuyor. 13
Bununla birlikte başarı oranları ekip tarafından bildirilen sonuçlar; bağımsız tekrarlarla doğrulanmış bulgular olarak değerlendirilmemeli. Veriler, CEL’in açıklanan deney düzenindeki performansını gösteriyor. Farklı robotlara, görevlere veya çalışma koşullarına ne ölçüde aktarılabileceğini ise ortaya koymuyor.
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 "Robotlar Birbirinden Öğrenebilir mi? 96 Robotla Denenen CEL Yaklaşımı"?
Kolektif Deneyim Öğrenimi (CEL), robotların her güncelleme için yeni uzman gösterimlerine ihtiyaç duymadan filodaki deneyimlerden ortak bir politika geliştirmesini hedefliyor.
What are the key points to validate first?
Kolektif Deneyim Öğrenimi (CEL), robotların her güncelleme için yeni uzman gösterimlerine ihtiyaç duymadan filodaki deneyimlerden ortak bir politika geliştirmesini hedefliyor. FERT, başarısızlık bağlamlarını kullanarak benzer başarılı denemelerden ilgili bölümleri buluyor; FATS ise robot filosunda eşzamansız ve arızalara dayanıklı eğitimi desteklemek için tasarlanmış.
What should I do next in practice?
Ekip, eğitime katılmamış iki robotun 600 denemede 585 başarı elde ettiğini ve beş görevde toplam yüzde 97,5 başarı oranına ulaştığını bildiriyor.