Blog

SO-100 आर्म पर एक मानव-गेटेड DAgger राउंड का चरण-दर-चरण विवरण: नीति चलाएं और इसे रिकॉर्ड करें, जब यह गलत हो तो अधिग्रहण करें, रन को सुधार के रूप में फाइल करें, एक मिश्रित डेटासेट बनाएं, और एक चेकपॉइंट से प्रशिक्षण जारी रखें। जिन लोगों के पास लीडर आर्म नहीं है उनके लिए कीबोर्ड और स्लाइडर अधिग्रहण पथ शामिल है, और चार गलतियां जो एक राउंड को व्यर्थ बनाती हैं।

Intervention rate - intervention frames लाई run को frames द्वारा विभाजित - मानव-गेटेड DAgger लूपको सबैभन्दा सस्तो ईमानदारी प्रगति संकेत हो। यो लेखले यसलाई परिभाषित गर्छ ताकि दुई जना एउटै मान गणना गरन सकून्, यसलाई कसरी लग गर्ने भन्ने देखाउँछ, र यसले तपाईंलाई गुमराह गर्ने चार तरिका हेर्छ: अपरेटर आदत, बहाव गरिरहेको मूल्यांकन सेटअप, केवल सुधारमा प्रशिक्षण, र एक व्यक्ति जो मंगलवार को सोमवार भन्दा फरक तरीकामा सुधार गर्दछ।

सादा DAgger ले रोबोट अझै चलिरहँदा मानिसलाई अवस्था लेबल गर्न भन्छ। वास्तविक हार्डवेयरमा यो असुरक्षित छ र यसले कमजोर लेबल उत्पन्न गर्छ। गेटेड भेरिएन्ट्सले अन्धा लेबलिङलाई गेट संग बदल्छन् जुन कोइले राख्नु पर्छ: HG-DAgger मा मानिस, SafeDAgger मा सुरक्षा वर्गीकरण, EnsembleDAgger मा ensemble को असहमति, ThriftyDAgger मा बजेटेड उपन्यास-र-जोखिम अनुमान। यो लेख तिनलाई तुलना गर्छ कि कसले गेट राख्छ, के संकेतले यसलाई खोल्छ, र प्रत्येकको लागत कति छ — र किन मानव-गेटेड रूप वास्तविक आर्मसंग सम्पर्कमा रहन्छ।

Behavior cloning ले विशेषज्ञको अवस्था वितरणमा एक नीति फिट गर्छ र त्यसपछी यसलाई आफ्नै रूपमा तैनाथ गरिन्छ। ती दुई वितरणहरू बीचको अन्तराल यो हो कि किन एक नीति जो सत्यापनमा ठीक देखिन्छ, चरण 300 मा टेबलबाट खस्छ। यो हाम्रो DAgger श्रृङ्खलाको सिद्धान्त अध्याय हो: जहाँ द्विघाती त्रुटि शब्द आउँछ, डेटासेट एकीकरणले के परिवर्तन गर्छ, कस्तो कोई-खेद प्रमाणले मान्यता दिन्छ, र मानव विशेषज्ञ अझै पनि कुन भाग भुक्तानी गर्न हुँदै छ।

DROID, BridgeData V2 र Open X-Embodiment 6 र 7-DoF हातहरूमा 7-D एन्ड-इफेक्टर कार्यहरूमा रूपान्तरण हुन्छन्। SO-100 ले 6 जोइन्ट पोजिसनहरू लिन्छ। के स्थानान्तरण हुन्छ, के हुँदैन, र यसको सट्टा के गर्ने।

सिमुलेशनले केही प्रदर्शनहरूलाई हजारौंमा गुणन गर्न सक्छ। प्रकाशित संख्याहरूले वास्तवमा के भन्छन्, जहाँ सिम-टु-रियल अन्तरले असर गर्छ, र के अझै रेकर्ड गर्नुपर्छ यहाँ छ।

TinyVLA र SmolVLA ले 1 B प्यारामिटर भन्दा कममा काम गर्ने VLA राख्छन्। दुवै पेपरबाट वास्तविक संख्याहरू, lerobot पूर्वनिर्धारितहरू, मापन गरिएको विलम्बता, र 24 GB कार्डमा एक रनको लागत कति हुन्छ।

तपाईंको रोबोट मेसिनमा GPU छैन। GR00T नीति सर्भरलाई भाडाको क्लाउड GPU मा राख्नुहोस्, आर्ममा कार्य चङ्कहरू स्ट्रिम गर्नुहोस्, र नेटवर्कले तपाईंलाई कति खर्च गर्छ, ठ्याक्कै जान्नुहोस्।

lerobot प्रयोग गरेर SO-100 मा Action Chunking Transformer लाई सुरुदेखि तालिम दिनुहोस्: act config, chunk_size र n_action_steps, 100000 स्टेपको तालिका, 20 ms इन्फरेन्स।

GR00T N1.7, Pi0.5, SmolVLA, ACT वा GR00T N1.5? वास्तविक परिस्थितिहरूसँग मेल खाने निर्णय तालिका, प्रकाशित बेन्चमार्क संख्याहरू, विलम्बता, प्रति रन लागत र प्रत्येक छनोट पछाडिका लाइसेन्सहरू सहित।

वास्तविक स्पट-मार्केट GPU मूल्यहरू, पाँच नीतिहरू मध्ये प्रत्येक कति समयसम्म चल्छ, आर्म र प्रदर्शनहरूको लागत कति हुन्छ, र पैसा चुपचाप हराउने चार ठाउँहरू।

SO-100 सँग प्रयोगयोग्य LeRobot डेटासेट रेकर्ड गर्नुहोस्: क्यालिब्रेसन, लिडर-फलोअर टेलिओपरेसन, वास्तविक lerobot-record फ्ल्यागहरू र पूर्वनिर्धारितहरू, क्यामेरा सेटअप, एपिसोड गणना, र रन बिगार्ने त्रुटिहरू।

SmolVLA एउटा 450 M प्यारामिटर VLA हो जसलाई एउटै 24 GB कार्डमा फाइन-ट्यून गर्न सकिन्छ। वास्तविक lerobot 0.6.1 कमाण्डहरू, वास्तविक पूर्वनिर्धारित सेटिङहरू, एक दिन खर्च गर्ने समस्याहरू, र एक रनको लागत कति हुन्छ।

Physical Intelligence बाट फ्लो-म्याचिङ VLA, Pi0.5 लाई आफ्नो रोबोट डेटामा फाइन-ट्यून गर्नुहोस्। openpi र lerobot pi05 का लागि वास्तविक कमाण्डहरू, डेटासेट ढाँचाका समस्याहरू, VRAM र विलम्बताका सीमाहरू।

SO-100 LeRobot डेटासेटमा NVIDIA GR00T N1.7 को फाइन-ट्यूनिङका लागि परीक्षण गरिएको विस्तृत मार्गनिर्देशन: वास्तविक फ्ल्यागहरू, modality.json, v2.1 आवश्यकता, एक रनको लागत, र चुनौतीहरू।

पाई-शून्यको फ्लो-म्याचिङ प्रविधिले कसरी VLM प्रारम्भिकरणसँग मिलेर निपुण नियन्त्रणको लागि सामान्य रोबोट नीतिहरूलाई परिवर्तन गर्दैछ पत्ता लगाउनुहोस्। परम्परागत विधिहरूमा यसको फाइदाहरू, रोबोटिक्सको लागि एआई प्रशिक्षण डेटामा दक्षता, र उद्योगहरूमा स्केलेबल रोबोट डिप्लोयमेन्टका लागि निहितार्थहरूको बारेमा जान्नुहोस्।

NVIDIA को Isaac Lab ले GPU-एक्सेलेरेटेड सिमुलेशनहरू मार्फत मल्टि-मोडल रोबोट लर्निङमा कसरी क्रान्ति ल्याउँछ पत्ता लगाउनुहोस्, जसले छिटो AI प्रशिक्षण, स्केलेबल डिप्लोइमेन्ट, र रोबोटिक्स अनुसन्धानकर्ताहरू र कम्पनीहरूको लागि अनुकूलित ROI सक्षम गर्दछ।

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.

Explore how BridgeData V2 provides low-cost robot data at scale, enhancing imitation learning methods and offline reinforcement learning. Discover key benchmarks, VLA models in robotics, and efficient robot teleoperation workflows for AI training data collection.

गुगल डीपमाइन्डको RT-2 मोडेलले कसरी उन्नत एल्गोरिदममा उच्च-गुणस्तरको प्रशिक्षण डेटाको महत्त्वपूर्ण भूमिकालाई जोड दिँदै AI रोबोटिक्समा क्रान्ति ल्याउँछ पत्ता लगाउनुहोस्। यो लेखले वास्तविक-संसारको रोबोट प्रदर्शनको लागि प्रभावकारी डेटा सङ्कलन किन आवश्यक छ भनेर प्रदर्शन गर्ने प्रयोगहरूलाई तोड्दछ। भविष्यका आविष्कारहरूको लागि प्रशिक्षण डेटामा रहेको खाडललाई कसरी AY-Robots जस्ता प्लेटफर्महरूले कम गर्न सक्छन् जान्नुहोस्।

गुगलको RT-2 भिजन-ल्याङ्ग्वेज-एक्सन (VLA) मोडेलले कसरी भिजुअल डेटा, प्राकृतिक भाषा, र वास्तविक-समय कार्यहरू एकीकृत गरेर रोबोट लर्निङलाई पुन: आकार दिइरहेको छ पत्ता लगाउनुहोस्। यो नवीन AI टेक्नोलोजीले टेलिअपरेटरहरूको लागि डेटा सङ्कलनलाई बढाउँछ र रोबोटिक्स अनुप्रयोगहरूमा दक्षता बढाउँछ। AY-Robots मा AI-संचालित रोबोटहरूको भविष्यमा यसको सम्भावित प्रभाव अन्वेषण गर्नुहोस्।