Blog

በ SO-100 ክንድ ላይ ስለተካሄደ አንድ በሰው ቁጥጥር ስር ያለ (human-gated) የDAgger ዙር ደረጃ በደረጃ የቀረበ ማብራሪያ፦ ፖሊሲውን ማስኬድና መቅዳት፣ ስህተት ሲፈጠር ቁጥጥር መውሰድ፣ ሩኑን እንደ እርማት (correction) መመዝገብ፣ የተቀላቀለ ዳታሴት መገንባት፣ እና ስልጠናን ከቼክፖይንት መቀጠል። ያለ መሪ ክንድ ለሚሰሩ ሰዎች የኪቦርድና የስላይደር መቆጣጠሪያ መንገድን፣ እንዲሁም ዙርን ከንቱ የሚያደርጉ አራት ስህተቶችን ያካትታል።

የጣልቃ ገብነት መጠን - የጣልቃ ገብነት ፍሬሞች በሩጫው ፍሬሞች ተካፍለው - ሰው-በሚቆጣጠረው DAgger ዙር ውስጥ ካሉት እውነተኛ የግስጋሴ ምልክቶች ሁሉ በጣም ርካሹ ነው። ይህ ጽሁፍ ሁለት ሰዎች ተመሳሳይ ውጤት እንዲያሰሉ አድርጎ ይተረጉመዋል፣ እንዴት እንደሚመዘገብ ያሳያል፣ እና እሱ በአራት መንገዶች እንዴት ሊያሳስትዎት እንደሚችል ይዳስሳል፦ የኦፕሬተር ልማድ መያዝ፣ የሚንሸራተት የግምገማ ውቅር፣ በእርማቶች ላይ ብቻ ማሰልጠን፣ እና ማክሰኞ ከሰኞ በተለየ መንገድ የሚያርም ሰው።

ተራው DAgger ሮቦቱ አሁንም እየነዳ ባለበት ወቅት ኤክስፐርት ሁኔታዎችን እንዲሰይም ይጠይቃል። በእውነተኛ ሃርድዌር ላይ ይህ ደህንነቱ የተጠበቀ አይደለም፣ ደግሞም ደካማ መለያዎችን ያስገኛል። የበር ስሪቶች ዕውር መለያ ስራን አንድ ሰው መያዝ ባለበት በር ይተካሉ፦ በHG-DAgger ውስጥ ሰው፣ በSafeDAgger ውስጥ የደህንነት ክላሲፋየር፣ በEnsembleDAgger ውስጥ የአንሳምብል አለመስማማት፣ በThriftyDAgger ውስጥ በበጀት የተገደበ የአዲስነት-እና-ስጋት ግምት። ይህ ጽሁፍ እነዚህን በር ማን እንደያዘ፣ የትኛው ምልክት እንደሚከፍተው፣ እና እያንዳንዱ ስንት እንደሚያስከፍል በማነጻጸር ይመረምራል — እንዲሁም ለምን ሰው-ተቆጣጣሪው ስሪት ከእውነተኛ ክንድ ጋር ንክኪ ተርፎ የሚቀጥለው እንደሆነ ያሳያል።

Behavior cloning አንድ policy ን በ expert ው state distribution ላይ ያስተካክላል፣ ከዚያም ብቻውን ይሰማራል። በእነዚህ ሁለት ስርጭቶች (distributions) መካከል ያለው ልዩነት ነው በ validation ወቅት ደህና የሚመስል policy በደረጃ 300 ላይ ከጠረጴዛው የሚያፈነግጥበት ምክንያት። ይህ የ DAgger ተከታታያችን የንድፈ-ሐሳብ ምዕራፍ ነው፦ የካሬ (quadratic) error ቃል ከየት እንደሚመጣ፣ dataset aggregation ምን እንደሚቀይር፣ no-regret proof ው ምን እንደሚገምት፣ እና ከሂሳቡ የትኛው ክፍል አሁንም በ human expert መከፈል እንዳለበት።

DROID፣ BridgeData V2 እና Open X-Embodiment በ6 እና 7-DoF ክንዶች ላይ ወደ 7-D end-effector ድርጊቶች ይቀየራሉ። አንድ SO-100 6 የመገጣጠሚያ ቦታዎችን ይወስዳል። ምን ይተላለፋል፣ ምን አይተላለፍም፣ በምትኩ ምን ማድረግ እንዳለበት።

ሲሙሌሽን ጥቂት ማሳያዎችን ወደ ሺዎች ሊያበዛ ይችላል። የታተሙት ቁጥሮች በእርግጥ ምን እንደሚሉ፣ የሲም-ወደ-እውነት ክፍተት የት እንደሚጎዳ፣ እና አሁንም ምን መመዝገብ እንዳለበት እነሆ።

TinyVLA እና SmolVLA የሚሰራ VLA ከ1 ቢሊዮን መለኪያዎች በታች አስቀምጠዋል። ከሁለቱም ወረቀቶች የተገኙ ትክክለኛ ቁጥሮች፣ የ lerobot ነባሪዎች፣ የተለካ መዘግየት እና አንድ ሩጫ በ24 ጊባ ካርድ ላይ ምን ያህል እንደሚያስወጣ።

የእርስዎ ሮቦት ማሽን GPU የለውም። የGR00T ፖሊሲ ሰርቨርን በተከራየ የደመና GPU ላይ ያስቀምጡ፣ የድርጊት ቁርጥራጮችን ወደ ክንዱ ይልቀቁ፣ እና አውታረ መረቡ ምን ያህል እንደሚያስወጣዎት በትክክል ይወቁ።

አንድ Action Chunking Transformerን በSO-100 ላይ ከለሮቦት ጋር ከመጀመሪያው ያሰልጥኑ: የ act config, chunk_size እና n_action_steps, የ 100000 እርምጃ መርሐግብር, 20 ms ግምት.

GR00T N1.7፣ Pi0.5፣ SmolVLA፣ ACT ወይስ GR00T N1.5? ከእውነተኛ ሁኔታዎች ጋር የተጣመረ የመወሰኛ ሰንጠረዥ፣ ከታተሙት የቤንችማርክ ቁጥሮች፣ መዘግየት (latency)፣ ለእያንዳንዱ አሂድ ወጪ እና ከእያንዳንዱ ምርጫ ጀርባ ባሉ ፈቃዶች ጋር።

ትክክለኛ የGPU የገበያ ዋጋዎች፣ እያንዳንዱ አምስቱ ፖሊሲዎች ምን ያህል ጊዜ እንደሚሰሩ፣ የሮቦት ክንድ እና የማሳያ ስራዎች ምን ያህል እንደሚያስከፍሉ፣ እና ገንዘቡ በጸጥታ የሚጠፋባቸው አራቱ ቦታዎች።

በSO-100 ሊሰራ የሚችል LeRobot ዳታሴት ይመዝግቡ: ካሊብሬሽን፣ መሪ-ተከታይ ቴሌኦፕሬሽን፣ ትክክለኛዎቹ lerobot-record ፍላጎች እና ነባሪ ቅንብሮች፣ ካሜራ ማዋቀር፣ የክፍሎች ብዛት፣ እና ሩጫውን የሚያበላሹ ጉድለቶች።

SmolVLA በአንድ 24 ጂቢ ካርድ ላይ የሚስተካከል 450 M ፓራሜትር ያለው VLA ነው። ትክክለኛ የlerobot 0.6.1 ትዕዛዞች፣ ትክክለኛዎቹ ነባሪዎች፣ አንድ ቀን የሚያስወጡ ወጥመዶች፣ እና አንድ ሩጫ ምን ያህል እንደሚያስወጣ።

ከPhysical Intelligence የመጣውን ፍሎው-ማችንግ VLA የሆነውን Pi0.5ን በራስዎ ሮቦት ዳታ ላይ ያስተካክሉ። ለopenpi እና lerobot pi05 እውነተኛ ትዕዛዞች፣ የዳታሴት ቅርጸት ወጥመዶች፣ የVRAM እና የlatency ገደቦች።

ፒ-ዜሮ ያመጣውን የፍሰት-ማዛመጃ ዘዴ ከቪኤልኤም ማስጀመሪያ ጋር በማጣመር የተካኑ ቁጥጥሮችን ለማድረግ አጠቃላይ የሮቦት ፖሊሲዎችን እንዴት እየቀየረ እንደሆነ ይወቁ። ከባህላዊ ዘዴዎች በላይ ስላለው ጥቅሞች፣ ለሮቦቲክስ ስለሚውል የ AI ማሰልጠኛ መረጃ ብቃት እና በኢንዱስትሪዎች ውስጥ ሊሰፋ ስለሚችል የሮቦት አሰማርቶች አንድምታ ይወቁ።

Discover how Isaac Gym revolutionizes robot learning with GPU-native physics simulation, enabling thousands of parallel environments for rapid reinforcement learning, VLA models training, and efficient AI robot teleoperation. Explore benchmarks, integration with PyTorch, and real-world applications that bridge the sim-to-real gap.

Explore how BC-Z revolutionizes robotic imitation learning by enabling zero-shot task generalization through scaled demonstration data. Discover scaling laws, VLA models, teleoperation best practices, and ROI benefits for robotics companies and AI engineers.

Discover how the DROID Dataset, a large-scale robot manipulation dataset, is transforming AI training for robots with over 76,000 demonstrations from real-world environments. Learn about its impact on VLA models, benchmarks, and scalable data collection methods for robotics companies.

የGoogle DeepMind RT-2 ሞዴል የላቁ ስልተ ቀመሮችን ሳይሆን ከፍተኛ ጥራት ላለው የማሰልጠኛ መረጃ ወሳኝ ሚና በመስጠት የ AI ሮቦቲክስን እንዴት እንደሚያሻሽል ይወቁ። ይህ ጽሑፍ ውጤታማ የመረጃ አሰባሰብ ለትክክለኛ የሮቦት አፈፃፀም አስፈላጊ የሆነው ለምን እንደሆነ የሚያሳዩ ሙከራዎችን ይተነትናል። እንደ AY-Robots ያሉ መድረኮች ለወደፊቱ ፈጠራዎች የማሰልጠኛ መረጃ ክፍተትን እንዴት እንደሚያስተካክሉ ይወቁ።

የ Google RT-2 የእይታ-ቋንቋ-ድርጊት (VLA) ሞዴል የእይታ መረጃን፣ ተፈጥሯዊ ቋንቋን እና የእውነተኛ ጊዜ እርምጃዎችን በማዋሃድ የሮቦት ትምህርትን እንዴት እየቀረጸ እንደሆነ ይወቁ። ይህ ፈጠራ ያለው AI ቴክኖሎጂ ለቴሌኦፕሬተሮች የመረጃ አሰባሰብን ያሻሽላል እና በሮቦቲክስ አፕሊኬሽኖች ውስጥ ቅልጥፍናን ያሳድጋል። በ AY-Robots ላይ በ AI የሚመሩ ሮቦቶች ላይ ያለውን እምቅ ተፅእኖ ያስሱ።