Blog

Üksikasjalik kirjeldus ühest inimese valitud DAgger-ringist SO-100 käel: käivitage poliitika ja salvestage see, võtke üle, kui midagi läheb valesti, salvestage käik korrektsiooni failina, koostage segatud andmestik ja jätkake koolitust kontrollpunktist. Sisaldab klaviatuuri- ja liuguriteed ülevõtmiseks inimestele ilma juhi käeta ning neli viga, mis teeb ringist kasutuseta.

Intervention rate - intervention kaadrite jagamine käigu kaadrite arvuga - on kõige odavam aus edusingnal, mis inimese valvega DAgger-silmusal on. See artikkel määrab selle nii, et kaks inimest arvutavad sama väärtuse, näitab, kuidas seda logida, ja käib läbi nelja viisiga, kuidas see sind petab: operaatori harjumus, triiv hindamise seadistuses, treenimine ainult paranduste põhjal ja inimene, kes korrigeerib kolmapäeval teisiti kui esmaspäeval.

Plain DAgger nõuab inimeselt riike silditada, samas kui robot on endiselt sõidus. Päris riistvaral on see ohtlik ja tekitab halbu silte. Gated variandid asendavad pimedate märgistamise väravaga, mida keegi peab hoidma: inimene HG-DAggeris, ohutuklassifikaator SafeDAggeris, komplekti lahkarvamustes EnsembleDAggeris, eelarveliselt hinnatud uudsus ja risk ThriftyDAggeris. See artikkel võrdleb neid selle järgi, kes väravat omab, milline signaal selle avab, ja milline on iga ühe maksumus — ja miks human-gated vorm on see, mis ellu jääb tegelikus kontakti võtmisel päris käega.

Käitumuskloonimise korral sobitab algoritm poliitika eksperdile iseloomuliku olekujaotuse järgi ja selle peale juurutatakse see iseseisvalt. Nende kahe jaotuse vahe on põhjus, miks poliitika, mis valideerimises suurepärane välja näeb, kõnnib sammul 300 laua pealt maha. See on meie DAgger-seeria teooriaosa: kust tuleb ruutvigatermin, mida muudab andmekogumi kogumine, mida eeldab no-regret tõestus ja millist osa arvest inimekspert veel tasuma peab.

DROID, BridgeData V2 ja Open X-Embodiment teisenduvad 7-D otsaefektori tegevusteks 6- ja 7-vabadusastmega kätel. SO-100 võtab 6 liigendi positsiooni. Mis kandub üle, mis mitte, mida selle asemel teha.

Simulatsioon suudab käputäie demonstratsioone tuhandeteks korrutada. Siin on, mida avaldatud numbrid tegelikult ütlevad, kus sim-to-real lõhe hammustab ja mida tuleb veel salvestada.

TinyVLA ja SmolVLA paigutavad töötava VLA alla 1 miljardi parameetri. Tegelikud numbrid mõlemast artiklist, lerobot'i vaikeseaded, mõõdetud latentsus ja mida üks käitus 24 GB kaardil maksab.

Sinu robotmasinal pole GPU-d. Paigalda GR00T poliitikaserver renditud pilve-GPU-le, voogedasta tegevusplokke käele ja saa teada, mida võrk sulle täpselt maksma läheb.

Treeni Action Chunking Transformerit nullist SO-100-l lerobotiga: ACT konfiguratsioon, chunk_size ja n_action_steps, 100000 sammu ajakava, 20 ms järeldus.

GR00T N1.7, Pi0.5, SmolVLA, ACT või GR00T N1.5? Otsustustabel, mis on kohandatud reaalsete olukordadega, koos avaldatud võrdlusandmete, latentsuse, käituskulude ja litsentsidega iga valiku taga.

Reaalsed spot-turu GPU hinnad, kui kaua iga viiest poliitikast töötab, mida maksavad robotkäsi ja demonstratsioonid ning neli kohta, kuhu raha vaikselt kaob.

Salvesta kasutatav LeRoboti andmestik SO-100-ga: kalibreerimine, juht-järgija teleoperatsioon, tõelised lerobot-record lipud ja vaikesätted, kaamera seadistus, episoodide arvud ja vead, mis rikuvad käivituse.

SmolVLA on 450 miljoni parameetriga VLA, mida saab peenhäälestada ühel 24 GB kaardil. Tõelised lerobot 0.6.1 käsud, tegelikud vaikesätted, lõksud, mis maksid päeva, ja mida üks käitus maksab.

Peenhäälesta Pi0.5, Physical Intelligence'i voolu sobitamise VLA, oma robotiandmetega. Tegelikud käsud openpi ja lerobot pi05 jaoks, andmestiku formaadi lõksud, VRAM-i ja latentsuse piirangud.

Testitud juhend NVIDIA GR00T N1.7 peenhäälestamiseks SO-100 LeRoboti andmestikul: tegelikud lipud, modality.json, v2.1 nõue, mida üks käitus maksab ja lõksud.

Avastage, kuidas RoboTurk muudab robotõpet, kasutades rahvahankeid kvaliteetsete andmete saamiseks kaugteleopereerimise kaudu, võimaldades skaleeritavaid andmekogumeid tehisintellekti mudelite jaoks robootikas. Uurige selle mõju jäljendusõppele, VLA mudelitele ja investeeringutasuvusele robootikaettevõtete jaoks.

Avastage, kuidas Pi-Zero voolu sobitamise tehnika, kombineerituna VLM-i initsialiseerimisega, muudab generalistlikke roboti poliitikaid osava kontrolli jaoks. Uurige selle eeliseid traditsiooniliste meetodite ees, tõhusust tehisintellekti koolitusandmetes robootika jaoks ja mõju skaleeritavale robotite kasutuselevõtule tööstustes.

Explore how Vision-Language-Action (VLA) models are revolutionizing robot learning by integrating vision, language, and action for smarter, more efficient robotics. Discover architectures, training methods, benchmarks, and ROI for deployment in this comprehensive guide.

Avastage, kuidas Google DeepMind'i RT-2 mudel revolutsioneerib tehisintellekti robootikat, rõhutades kvaliteetsete treeningandmete kriitilist rolli võrreldes täiustatud algoritmidega. See artikkel analüüsib eksperimente, mis näitavad, miks on tõhus andmete kogumine oluline robotite reaalse maailma jõudluse jaoks. Uurige, kuidas platvormid nagu AY-Robots saavad aidata ületada lünka tulevaste uuenduste treeningandmetes.

Avastage, kuidas Google'i RT-2 nägemis-keele-tegevuse (VLA) mudel kujundab ümber robotõpetust, integreerides visuaalseid andmeid, loomulikku keelt ja reaalajas tegevusi. See uuenduslik AI tehnoloogia täiustab teleoperaatorite andmete kogumist ja suurendab robootika rakenduste tõhusust. Uurige selle potentsiaalset mõju AI-põhiste robotite tulevikule AY-Robotsis.