Blog

SO-100 අතිරේකයේ එක් human-gated DAgger වටයක පියවරෙන් පියවර විස්තරය: policy ධාවනය කරන්න සහ එය වාර්තා කරන්න, එය වැරදි වූ විට පිළිගන්න, ධාවනය නිරෝධනයක් ලෙස ගොනුගත කරන්න, මිශ්‍ර දත්තකට සෑදින්න, සහ checkpoint එකක් සිට පුහුණුවීම දිගටම කරන්න. නායක බාහුවක් නොමැති පිරිසට සඳහා keyboard සහ slider takeover පතුරුම්‍ය ඇතුළත් කරයි, සහ වටයක් අර්ථවත් නොවන කරන හතර නිරුපිතක් ඔබ දනිය යුතුය.

Intervention rate - හස්තක්ෂේප පෙරුම් සංඛ්‍යාව ධාවනයේ පෙරුම්වලින් බෙදූ - මිනිස්-ගේට පරිධි DAgger පුඩුවට ඇතුළත් ඇති ඇතිතම ඔබ්බ සිතිය। මෙම ලිපිනි එය අර්ථ දක්වන්නේ මිනිසුන් දෙදෙනා එකම අගය ගණනය කරන ආකාරයෙන්, එය ගුණ කරන්නේ කෙසේ දැයි පෙන්වයි, සහ එය ඔබ්බ ගැඹුරු කරන ක්‍රම හතර ඉසිකර යන්නේ: ක්‍රියකරු අභ්‍යාසය, අපගාමී ඇගයීම් සැකසුම්, නිවැරදි කිරීම් සිට පමණක් පුහුණුව, සහ බදාදා ඉරිදා වඩා වෙනස් ලෙස නිවැරදි කරන මිනිසෙක්။

සරල DAgger මඟින් මිනිසුන්ගෙන් ඉල්ලා සිටී රොබෝ තවමත් ධාවනය වන අතරතුර තත්ත්වයන් ලේබල් කිරීමට. සැබෑ දෙවිරුතු මෙය අනিරාපදයි සහ දුර්වල ලේබල් නිපදවයි. ගේටකරන ඒකෝපිතයන් මෙම අන්ධ ලේබල්කරණය ප්‍රතිස්ථාපනය කරන්න ගේටෙකින් ශිල්පින්ට අල්ලාගත යුතු: HG-DAgger එකෙන් මිනිසුන්, SafeDAgger එකෙන් ආරක්ෂිතතා වර්ගීකරණයක්, EnsembleDAgger එකෙන් සමිතිවල අසમතිය, ThriftyDAgger එකෙන් අයවැයෙන් සීමිත නවත්ව තත්ත්ව තක්සේරුවක්. මෙම ලිපිය ඒවා සංසන්දනය කරයි ගේටෙ අයිතිකරගන්නේ කවුද ඒ, සිතුම් ඇතුළු කරන සංකේතය කුමක් සහ එක එකක වැයය කුමක් යි - සහ සත්‍ය බාහුවක් සමඟ සම්බන්ධයේ සිටින මිනිසුන්-ගේටකරන ස්වරූපය කිට්ටු.

හැසිරීම අනුකරණ විශේෂඥගේ තත්ත්‍යය ව්‍යාප්තිය මත ප‍ෝලිසිය ගැළපුම් කරයි සහ එවිට එහි නිපූණතාවය මත යෙදයි. එම ව්‍යාප්තිවන් අතර වෙඩිකර තිබීම ඇයි ඔප්පු කරන ප‍ෝලිසිය තහවුරුකරණයේදී හොඳින් පෙනේ එනුත් පියවර 300 වලට මේසය අසිඳින්න. මෙය අපගේ DAgger ශ්‍රේණිවල න්‍යාය පරිච්ඡේදය වේ: චතුරස්‍ර දෝෂ පදය එතැන් සිට ඇතිවේ, දත්ත එකතු කිරීම කුමක් වෙනස් කරයි, නොමැතිතා-පසුතැපුවීමේ ඔප්පුව කුමක් ධර්ම කරන්නේ, සහ අතිරේකව දක්ෂ විශේෂඥ තවත් අයෙක් ඉටු කිරීමට තිබේ.

DROID, BridgeData V2 සහ Open X-Embodiment 6 සහ 7-DoF අත් මත 7-D අග-ක්‍රියාකාරී ක්‍රියා බවට පරිවර්තනය වේ. SO-100 එකක් සන්ධි ස්ථාන 6ක් ගනී. මාරු වන්නේ කුමක්ද, නොවන දේ, ඒ වෙනුවට කළ යුත්තේ කුමක්ද.

අනුකරණය මගින් අතළොස්සක් වූ නිරූපණ දහස් ගණනක් දක්වා ගුණ කළ හැක. ප්‍රකාශිත සංඛ්‍යා ඇත්ත වශයෙන්ම පවසන්නේ කුමක්ද යන්න මෙහි දැක්වේ, සිම්-ටු-රියල් පරතරය බලපාන තැන, සහ තවමත් පටිගත කළ යුතු දේ.

TinyVLA සහ SmolVLA මගින් ක්‍රියාකාරී VLA එකක් 1B පරාමිති යටතට ගෙන එයි. පත්‍රිකා දෙකෙන්ම සත්‍ය සංඛ්‍යා, lerobot පෙරනිමි, මනින ලද ප්‍රමාදය සහ 24 GB කාඩ්පතක ධාවනයක පිරිවැය.

ඔබේ රොබෝ යන්ත්‍රයේ GPU එකක් නොමැත. GR00T ප්‍රතිපත්ති සේවාදායකය කුලියට ගත් ක්ලවුඩ් GPU එකක් මත තබා, ක්‍රියා කොටස් අතට ප්‍රවාහ කර, ජාලය ඔබට කොපමණ මුදලක් වැය වේදැයි හරියටම දැනගන්න.

lerobot සමඟ SO-100 මත Action Chunking Transformer එකක් මුල සිට පුහුණු කරන්න: act config, chunk_size සහ n_action_steps, 100000 පියවර කාලසටහන, 20 ms අනුමානය.

GR00T N1.7, Pi0.5, SmolVLA, ACT හෝ GR00T N1.5? සැබෑ තත්වයන්ට ගැලපෙන තීරණ වගුවක්, ප්‍රකාශිත මිණුම් සලකුණු අංක, ප්‍රමාදය, එක් ධාවනයකට වැයවන පිරිවැය සහ එක් එක් තේරීම පිටුපස ඇති බලපත්‍ර සමඟින්.

සැබෑ ස්පොට්-වෙළඳපොල GPU මිල ගණන්, ප්‍රතිපත්ති පහෙන් එක් එක් එක ක්‍රියාත්මක වන කාලය, රොබෝ අතට සහ නිරූපණ සඳහා වැයවන දේ, සහ මුදල් නිහඬව අතුරුදහන් වන ස්ථාන හතර.

SO-100 සමඟින් භාවිත කළ හැකි LeRobot දත්ත කට්ටලයක් වාර්තා කරන්න: ක්‍රමාංකනය, නායක-අනුගාමික දුරස්ථ මෙහෙයුම, සැබෑ lerobot-record ධජ සහ පෙරනිමි, කැමරා සැකසුම, කථාංග ගණන, සහ ධාවනයක් විනාශ කරන දෝෂ.

SmolVLA යනු තනි 24 GB කාඩ්පතක fine-tune කළ හැකි 450 M පරාමිති VLA එකකි. සත්‍ය lerobot 0.6.1 විධාන, සැබෑ පෙරනිමි සැකසුම්, දවසක් නාස්ති කළ හැකි උගුල්, සහ එක් ධාවනයක පිරිවැය.

Physical Intelligence වෙතින් වන flow-matching VLA වන Pi0.5, ඔබේම රොබෝ දත්ත මත සියුම්-සුසර කරන්න. openpi සහ lerobot pi05 සඳහා සැබෑ විධාන, දත්ත කට්ටල ආකෘති උගුල්, VRAM සහ ප්‍රමාද සීමාවන්.

Discover how Pi-Zero's flow-matching technique, combined with VLM initialization, is transforming generalist robot policies for dexterous control. Learn about its advantages over traditional methods, efficiency in AI training data for robotics, and implications for scalable robot deployment in industries.

උසස් ඇල්ගොරිතම වලට වඩා උසස් තත්ත්වයේ පුහුණු දත්තවල තීරණාත්මක කාර්යභාරය අවධාරණය කරමින් Google DeepMind හි RT-2 ආකෘතිය AI රොබෝ තාක්ෂණය විප්ලවීය කරන ආකාරය සොයා ගන්න. සැබෑ ලෝක රොබෝ කාර්ය සාධනය සඳහා ඵලදායී දත්ත රැස් කිරීම අත්‍යවශ්‍ය වන්නේ මන්දැයි මෙම ලිපියෙන් පැහැදිලි කරයි. අනාගත නවෝත්පාදනයන් සඳහා පුහුණු දත්තවල පවතින හිඩැස පියවීමට AY-Robots වැනි වේදිකා උපකාරී වන්නේ කෙසේදැයි ඉගෙන ගන්න.

Google හි RT-2 දෘශ්‍ය-භාෂා-ක්‍රියාකාරී (VLA) ආකෘතිය දෘශ්‍ය දත්ත, ස්වාභාවික භාෂාව සහ තත්‍ය කාලීන ක්‍රියා ඒකාබද්ධ කිරීමෙන් රොබෝ ඉගෙනීම නැවත සකස් කරන්නේ කෙසේදැයි සොයා බලන්න. මෙම නව්‍ය AI තාක්ෂණය ටෙලිඔපරේටර් සඳහා දත්ත රැස් කිරීම වැඩි දියුණු කරන අතර රොබෝ තාක්ෂණ යෙදුම්වල කාර්යක්ෂමතාව වැඩි කරයි. AY-Robots හි AI මඟින් මෙහෙයවනු ලබන රොබෝවරුන්ගේ අනාගතය කෙරෙහි එහි විභව බලපෑම ගවේෂණය කරන්න.