AnswersPublished16 sources
Як фреймворк HOST від X Square Robot змінює навчання роботів
За даними авторів, HOST опрацьовував одну 29 секундну демонстрацію людини й досягав середньої успішності 62% проти 38% у базового підходу після приблизно 50 демонстрацій робота та чотирьох годин донавчання. Замість копіювання людських рухів або оновлення ваг моделі система прогнозує результат завдання з перспективи...
ОпублікувавВідредаговано за допомогою GPT-5.6 LunaЗображення створено за допомогою GPT Image 1.5
Research answer
Key takeaways
- За даними авторів, HOST опрацьовував одну 29 секундну демонстрацію людини й досягав середньої успішності 62% проти 38% у базового підходу після приблизно 50 демонстрацій робота та чотирьох годин донавчання.
- Замість копіювання людських рухів або оновлення ваг моделі система прогнозує результат завдання з перспективи самого робота й генерує дії для його досягнення.
- Підхід може змістити навчання роботів у бік моделей із широкою попередньою підготовкою, які адаптуються під час виконання завдання без постійного телеопераційного збору даних і перенавчання.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How does X Square Robot’s open-sourced HOST framework change embodied-AI training by enabling a humanoid robot to watch a 29-second human de. Article summary: HOST’s important shift is from task-specific retraining to inference-time skill acquisition: rather than gathering a new teleoperation dataset and updating model weights, the robot conditions on one human video, translat. Topic tags: general, general web, user generated, academic. 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
Найважливіша ідея HOST — скорочення від Human-to-robot One-Shot Skill AcquisiTion, тобто «одноразове набуття навички роботом від людини» — не в тому, що робот уже навчився безпомилково виконувати домашні справи. Значно цікавіше інше: нову фізичну навичку пропонують сприймати радше як запит до вже підготовленої моделі, а не як окремий багатомісячний проєкт навчання.
Роботу показують одне відео з людиною, він інтерпретує бажаний результат у власній системі координат і пробує виконати завдання без зміни базових параметрів моделі. 18
34
У заявленому авторами експерименті 29-секундна демонстрація забезпечила середній показник успішності 62%. Для порівняння, підхід на базі системи Pi-0.5, як повідомляється, досяг 38% після приблизно 50 демонстрацій робота та чотирьох годин донавчання. Це результати конкретної експериментальної постановки, а не показник надійності робота в реальному побуті. 18
34
Від перенавчання до адаптації під час виконання
У традиційних сценаріях навчання імітацією для кожного нового завдання потрібно зібрати додаткові демонстрації, а потім оптимізувати або донавчити модель. Це потребує часу телеоператора, займає робота й може ускладнювати збереження навичок, які він уже опанував.
HOST переносить етап адаптації в інше місце. Ваги попередньо навченої моделі залишаються незмінними, а відео демонстрації стає контекстом, специфічним для конкретного завдання, який система отримує під час запуску. За логікою це ближче до навчання в контексті, ніж до формування постійної нової поведінки через градієнтне оновлення моделі. Дослідження робототехніки вже розглядали ширшу можливість адаптації поведінки за контекстом «спостереження—дія» без зміни ваг. 20
Практична обіцянка такого підходу проста: скоротити шлях від «покажи роботу, що робити» до «дай йому спробувати». Водночас робот не опановує всі фізичні закономірності з нуля за 29 секунд. Точніше описувати HOST як систему, що використовує загальний попередньо навчений запас навичок, а одне відео — для вибору, прив’язки та виконання нового завдання.
Чому робот не просто копіює людину
Людина й робот мають різне розташування камер, форму рук, суглоби, довжину досяжності та швидкість рухів. Тому пряме перенесення пікселів або траєкторій суглобів було б ненадійним.
HOST натомість використовує каскад так званого самоприв’язаного прогнозування. Спочатку система оцінює прогрес у продемонстрованому завданні, потім прогнозує, як цей етап виглядатиме з точки зору самого робота, і лише після цього виводить потрібні дії. 18
Описані компоненти відповідають за різні частини цієї трансляції:
- Зір інтерпретує завдання та очікуваний результат у центрованій на роботі системі сприйняття.
- Генерація дій перетворює передбачений результат на поведінку, яку робот може виконати.
- Динамічне вирівнювання часу допомагає зіставити відповідні етапи, якщо людина й робот виконують їх із різною швидкістю.
Це принципова відмінність від механічного повторення. Робот не має відтворювати рухи демонстратора сантиметр у сантиметр. Він повинен зрозуміти послідовність зміни станів, яка має значення для результату, і знайти власний спосіб її реалізувати.
Симуляція та когнітивна наука підказують ширший підхід
Концепція HOST перегукується з цільовим розумінням імітації: спостерігач визначає, чого має досягти дія, а потім добирає моторний план, придатний саме для його тіла. Це відрізняється від сприйняття демонстрації як траєкторії, яку потрібно покадрово відтворити.
Симуляції та масштабне попереднє навчання можуть заздалегідь забезпечити моделі широке розмаїття фізичних ситуацій. Коротке відео з реального світу тоді додає інформацію, якої бракує саме в момент виконання завдання. Такий розподіл ролей формує можливий рецепт для фізичного штучного інтелекту: офлайн навчати загальні фізичні та поведінкові закономірності, а потім швидко спеціалізувати систему за допомогою контексту під час запуску.
Цей напрям відповідає ширшому руху до відкритих робототехнічних наборів даних і фундаментальних моделей, які навчаються на прикладах різних роботів. Спільний досвід може переносити корисні навички між платформами з різною конструкцією. 25
Чому важливе відкриття коду HOST
X Square Robot оприлюднила підхід, завдяки чому інші дослідники й розробники можуть його перевіряти, відтворювати та тестувати. Відкриті реалізації допомагають з’ясувати, наскільки добре перенесення «відео—дія» працює з іншими камерами, маніпуляторами, середовищами та завданнями, а не лише в межах однієї закритої демонстрації.
Компанія також опублікувала код та інструменти для екосистеми WALL — набору втілених моделей, що охоплює підготовку даних, навчання, запуск і оцінювання в реальних та змодельованих роботах. 26
27 Для X Square Robot відкритий код може одночасно пришвидшити зовнішні експерименти й сформувати звичку розробників працювати з її моделями та обладнанням.
Однак сам факт публікації коду не підтверджує benchmark HOST. Його цінність у тому, що центральну гіпотезу можна перевірити ширше: чи справді попередньо набуті можливості робота можна адаптувати короткою демонстрацією, замість того щоб щоразу збирати нові дані для маніпуляційних завдань і проводити окреме донавчання.
Що показує результат у 62% — і чого він не показує
Показник успішності 62% є змістовним результатом для дослідження, особливо якщо враховувати заявлене скорочення кількості демонстрацій і часу навчання. Але це не те саме, що надійна автономність: у зазначеному випробуванні не вдалися майже дві з кожних п’яти спроб.
Результат також не доводить стабільну роботу за всіх умов, із якими міг би зіткнутися домашній робот. Потрібні додаткові перевірки за різного освітлення, рівня безладу, зовнішнього вигляду предметів, контактної динаміки, здатності виправляти помилки, вимог безпеки, довших послідовностей дій і на роботах іншої конструкції. Важливе й незалежне оцінювання, адже йдеться про науковий препринт, а порівняння залежать від конкретного benchmark. 18
34
Найобґрунтованіший висновок тут вужчий, але корисніший за заголовок «гуманоїди вже навчаються хатніх справ за одним відео». HOST вказує на модель фізичного ШІ, яка широко навчається заздалегідь, швидко адаптується до людських демонстрацій і не потребує оновлення ваг для кожного нового завдання. Якщо цей результат підтвердиться за межами авторського benchmark, набуття навичок під час виконання може стати серйозною альтернативою дорогому циклу телеоперації, збору датасетів і повторного донавчання.
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 "Як фреймворк HOST від X Square Robot змінює навчання роботів"?
За даними авторів, HOST опрацьовував одну 29 секундну демонстрацію людини й досягав середньої успішності 62% проти 38% у базового підходу після приблизно 50 демонстрацій робота та чотирьох годин донавчання.
What are the key points to validate first?
За даними авторів, HOST опрацьовував одну 29 секундну демонстрацію людини й досягав середньої успішності 62% проти 38% у базового підходу після приблизно 50 демонстрацій робота та чотирьох годин донавчання. Замість копіювання людських рухів або оновлення ваг моделі система прогнозує результат завдання з перспективи самого робота й генерує дії для його досягнення.
What should I do next in practice?
Підхід може змістити навчання роботів у бік моделей із широкою попередньою підготовкою, які адаптуються під час виконання завдання без постійного телеопераційного збору даних і перенавчання.
Sources
arxiv.orgHOST: Robots Acquire Manipulation Skills in Seconds from ...
letsdatascience.comHOST Paper Reports Robot Skill Learning from One Video in 29 Seconds
robotics-transformer-x.github.ioOpen X-Embodiment: Robotic Learning Datasets and RT-X Models
github.comREADME.md - X-Square-Robot/wall-x