Câu trả lờiĐã xuất bản16 nguồn
HOST có thể thay đổi cách huấn luyện robot hình người như thế nào?
Trong thử nghiệm được báo cáo, HOST tiếp nhận một video trình diễn dài trung bình 29 giây và đạt tỷ lệ thành công 62%, so với 38% của hệ thống đối chứng được tinh chỉnh bằng khoảng 50 lần trình diễn robot trong 4 giờ. Thay vì sao chép chuyển động của con người hoặc cập nhật trọng số mô hình, HOST dự đoán kết quả nhi...
Đăng bởiBiên tập bằng GPT-5.6 LunaHình ảnh được tạo bằng GPT Image 1.5
Câu trả lời nghiên cứu
Bài học chính
- Trong thử nghiệm được báo cáo, HOST tiếp nhận một video trình diễn dài trung bình 29 giây và đạt tỷ lệ thành công 62%, so với 38% của hệ thống đối chứng được tinh chỉnh bằng khoảng 50 lần trình diễn robot trong 4 giờ.
- Thay vì sao chép chuyển động của con người hoặc cập nhật trọng số mô hình, HOST dự đoán kết quả nhiệm vụ từ góc nhìn của chính robot rồi tạo ra các hành động để đạt kết quả đó.
- Cách tiếp cận này có thể đưa AI hiện thân sang hướng sử dụng mô hình được huấn luyện rộng từ trước nhưng thích nghi nhanh tại thời điểm suy luận, giảm nhu cầu điều khiển từ xa và huấn luyện lại cho từng nhiệm vụ.
Prompt AI
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
Điểm đáng chú ý nhất của HOST — viết tắt của Human-to-robot One-Shot Skill AcquisiTion — không phải là robot đã thành thạo mọi việc nhà. Đột phá nằm ở cách đặt vấn đề: một kỹ năng vật lý mới có thể được xử lý gần giống một câu lệnh mới.
Robot chỉ cần xem một video con người thực hiện nhiệm vụ, tự diễn giải mục tiêu trong hệ quy chiếu của camera và cơ thể nó, sau đó thử thực hiện mà không phải cập nhật trọng số của mô hình nền. 18
34
Trong đánh giá được báo cáo, một video trình diễn dài trung bình 29 giây giúp robot đạt tỷ lệ thành công 62%. Hệ thống đối chứng dựa trên Pi-0.5 đạt 38% sau khoảng 50 lần trình diễn bằng robot và 4 giờ tinh chỉnh. Đây là các con số trong thiết lập thử nghiệm của nhóm nghiên cứu, không nên được hiểu là mức độ tin cậy khi triển khai ngoài thực tế. 18
34
Từ huấn luyện lại sang thích nghi lúc suy luận
Với quy trình học bắt chước truyền thống, mỗi nhiệm vụ mới thường đòi hỏi thu thập thêm dữ liệu, vận hành robot qua điều khiển từ xa rồi tối ưu hoặc tinh chỉnh mô hình. Cách làm này tốn thời gian của con người, chiếm dụng robot và có thể khiến hệ thống khó duy trì những kỹ năng đã học trước đó.
HOST chuyển nơi diễn ra quá trình thích nghi. Mô hình đã được huấn luyện trước vẫn được giữ nguyên; video trình diễn trở thành ngữ cảnh dành riêng cho nhiệm vụ, được cung cấp tại thời điểm robot thực thi. Cách này gần với học trong ngữ cảnh hơn là dùng cập nhật gradient để tạo ra một hành vi mới vĩnh viễn. Các nghiên cứu về học robot cũng từng xem xét khả năng mô hình điều chỉnh hành vi từ ngữ cảnh quan sát–hành động mà không thay đổi trọng số. 20
Lợi ích thực tế là rút ngắn khoảng cách giữa “cho robot xem phải làm gì” và “để robot tự thử”. Tuy nhiên, robot không học lại toàn bộ nguyên lý vật lý chỉ trong 29 giây. Mô tả chính xác hơn là: một mô hình đã có nền tảng kỹ năng rộng sử dụng một video để lựa chọn, định vị và thực hiện nhiệm vụ mới.
Vì sao HOST không chỉ sao chép con người?
Con người và robot không có cùng vị trí camera, hình dạng bàn tay, khớp nối, tầm với hay tốc độ chuyển động. Nếu truyền trực tiếp từng khung hình hoặc quỹ đạo khớp, kết quả rất dễ thất bại.
Thay vào đó, HOST dùng một chuỗi dự đoán được “neo” vào chính robot. Trước hết, framework ước tính tiến độ của nhiệm vụ trong video. Tiếp theo, nó dự đoán tiến trình sắp tới sẽ trông như thế nào từ góc nhìn của robot. Cuối cùng, hệ thống suy ra các hành động dựa trên những quan sát dự đoán đó. 18
Các thành phần được báo cáo đảm nhiệm những phần khác nhau của bài toán chuyển đổi này:
- Thị giác máy tính diễn giải nhiệm vụ và kết quả cần đạt trong khung nhận thức lấy robot làm trung tâm.
- Sinh hành động chuyển kết quả dự đoán thành hành vi mà robot có thể thực thi.
- Dynamic time warping (DTW) — kỹ thuật căn chỉnh thời gian động — giúp ghép các giai đoạn tương ứng khi người và robot thực hiện cùng một thao tác với tốc độ khác nhau.
Điểm mấu chốt là robot không cần tái hiện chính xác cơ chế vận động của người trình diễn. Nó cần nhận ra chuỗi thay đổi có ý nghĩa của trạng thái rồi tìm cách phù hợp với cơ thể mình để tạo ra chuỗi thay đổi đó.
Mô phỏng và khoa học nhận thức gợi ý một công thức rộng hơn
Thiết kế của HOST phản ánh cách nhìn hướng mục tiêu về việc bắt chước: người quan sát trước hết xác định hành động nhằm đạt kết quả gì, sau đó chọn kế hoạch vận động phù hợp với cơ thể của mình. Đây là cách tiếp cận khác với việc xem video như một quỹ đạo cần phát lại từng khung hình.
Mô phỏng và quá trình tiền huấn luyện quy mô lớn có thể cung cấp cho robot những biến thể vật lý, hành vi tổng quát trước khi triển khai. Một video ngắn trong thế giới thật sau đó bổ sung thông tin cụ thể mà robot đang thiếu ở thời điểm thực hiện.
Sự phân chia này gợi ý một công thức mới cho AI hiện thân: học các nền tảng vật lý và hành vi rộng ở chế độ offline, rồi chuyên biệt hóa nhanh bằng ngữ cảnh ngay lúc suy luận. Hướng đi này phù hợp với xu thế xây dựng bộ dữ liệu robot mở và các mô hình nền được huấn luyện trên nhiều dạng thân robot, để kinh nghiệm từ một nền tảng có thể hỗ trợ nền tảng khác. 25
Vì sao việc mở mã nguồn HOST đáng chú ý?
Việc X Square Robot công bố framework giúp các nhà nghiên cứu và nhà phát triển dễ kiểm tra, tái tạo và thử nghiệm phương pháp hơn. Các bản triển khai mở có thể cho thấy video có thể chuyển thành hành động tốt đến đâu khi camera, bộ tay máy, môi trường và nhiệm vụ thay đổi — thay vì để tuyên bố chỉ tồn tại trong một màn trình diễn độc quyền.
Công ty cũng đã công bố mã nguồn và công cụ cho hệ sinh thái mô hình hiện thân WALL, gồm các thành phần phục vụ huấn luyện, suy luận, chuẩn bị dữ liệu và đánh giá. 26
27 Vì vậy, mã nguồn mở có thể đồng thời giúp X Square Robot thúc đẩy thử nghiệm bên ngoài và tạo sự quen thuộc với các mô hình, công cụ cũng như phần cứng liên quan.
Dù vậy, việc mở mã nguồn tự nó không thể xác nhận kết quả benchmark của HOST. Giá trị lớn hơn là nó khiến giả thuyết trung tâm trở nên dễ kiểm chứng: năng lực đã được tiền huấn luyện của robot có thể thích nghi với nhiệm vụ thao tác mới nhờ một trình diễn ngắn, thay vì phải tinh chỉnh lại cho từng nhiệm vụ.
Con số 62% cho thấy điều gì — và chưa cho thấy điều gì?
Tỷ lệ thành công 62% là một kết quả nghiên cứu đáng chú ý, nhất là khi đi cùng mức giảm được báo cáo về số lần trình diễn và thời gian huấn luyện. Nhưng 62% chưa đồng nghĩa với khả năng tự vận hành đáng tin cậy. Trong thiết lập đánh giá nói trên, gần 2/5 lần thử vẫn thất bại.
Kết quả này cũng chưa chứng minh robot sẽ hoạt động ổn định trong mọi điều kiện của một ngôi nhà. Cần có thêm thử nghiệm với thay đổi về ánh sáng, đồ đạc lộn xộn, hình dạng vật thể, động lực tiếp xúc, khả năng phục hồi sau sai sót, yêu cầu an toàn, chuỗi nhiệm vụ dài hơn và những thân robot khác nhau. Đánh giá độc lập cũng rất quan trọng, bởi bài viết là một bản thảo nghiên cứu và các phép so sánh phụ thuộc vào benchmark cụ thể. 18
34
Kết luận đáng tin cậy và hữu ích hơn không phải là “robot hình người giờ đã học được việc nhà chỉ từ một video”. HOST cho thấy một hướng đi tiềm năng: tiền huấn luyện robot trên diện rộng, sau đó tiếp nhận kỹ năng mới nhanh chóng từ trình diễn của con người bằng cơ chế tự định vị trong ngữ cảnh, thay vì lặp lại vòng xoáy điều khiển từ xa, thu thập dữ liệu và tinh chỉnh cho từng nhiệm vụ. Nếu kết quả này tiếp tục được xác nhận ngoài benchmark của nhóm tác giả, việc tiếp nhận kỹ năng tại thời điểm suy luận có thể trở thành một lựa chọn nghiêm túc cho AI hiện thân.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "HOST có thể thay đổi cách huấn luyện robot hình người như thế nào?" là gì?
Trong thử nghiệm được báo cáo, HOST tiếp nhận một video trình diễn dài trung bình 29 giây và đạt tỷ lệ thành công 62%, so với 38% của hệ thống đối chứng được tinh chỉnh bằng khoảng 50 lần trình diễn robot trong 4 giờ.
Những điểm chính cần xác nhận đầu tiên là gì?
Trong thử nghiệm được báo cáo, HOST tiếp nhận một video trình diễn dài trung bình 29 giây và đạt tỷ lệ thành công 62%, so với 38% của hệ thống đối chứng được tinh chỉnh bằng khoảng 50 lần trình diễn robot trong 4 giờ. Thay vì sao chép chuyển động của con người hoặc cập nhật trọng số mô hình, HOST dự đoán kết quả nhiệm vụ từ góc nhìn của chính robot rồi tạo ra các hành động để đạt kết quả đó.
Tôi nên làm gì tiếp theo trong thực tế?
Cách tiếp cận này có thể đưa AI hiện thân sang hướng sử dụng mô hình được huấn luyện rộng từ trước nhưng thích nghi nhanh tại thời điểm suy luận, giảm nhu cầu điều khiển từ xa và huấn luyện lại cho từng nhiệm vụ.
Nguồn
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