Blog

Korak za korakom opisan en krog DAgger z nadzorom človeka na roki SO-100: poženemo politiko in jo posnamemo, prevzamemo nadzor, ko gre kaj narobe, posnetek shranimo kot korekcijo, sestavimo mešan nabor podatkov in nadaljujemo učenje iz kontrolne točke. Vključuje pot prevzema prek tipkovnice in drsnikov za tiste brez vodilne roke ter štiri napake, zaradi katerih je krog neuporaben.

Stopnja intervencije - intervencijske slike deljene s slikami teka - je najcenejši pošten signal napredka, ki ga ima DAgger zanka s človeškim vhodom. Ta članek jo definira tako, da dva človeka izračunata isto vrednost, prikaže, kako jo beležiti, in se spopade s štirimi načini, kako te zavaja: prilagajanje operaterja, premikajočega se postavitve vrednotenja, usposabljanja samo na popravkih in človeka, ki popravlja drugače v torek kot v ponedeljek.

Običajni DAgger od človeka zahteva, da označi stanja medtem ko se robot še vedno premika. Na pravi strojni opremi je to nevarno in daje slabe oznake. Varovane variante slepega označevanja zamenjajo s poljem ki ga mora držati nekdo: človek pri HG-DAgger, varnostni klasifikator pri SafeDAgger, nestrinjanje skupne množice pri EnsembleDAgger, ocenjena novost in tveganje v proračunu pri ThriftyDAgger. Ta članek jih primerja po tem, kdo ima polje, kaj ga odpre in kaj vsaka stane — ter zakaj je oblika s človeško kontrolo tista, ki preživi stik s pravim ramenom.

Behavior cloning prilagodi politiko na porazdelitev stanja eksperta in jo nato razporedi na lastno. Razkorak med tema dvema porazdelitvama je razlog, zakaj politika, ki izgleda dobro pri validaciji, pada s mize v koraku 300. To je teoretični poglavje naše DAgger serije: od koder prihaja kvadratni člen napake, kaj spremeni agregacija nabora podatkov, kaj predpostavlja dokaz brez obžalovanja in kateri del računa mora še vedno plačati človeški ekspert.

DROID, BridgeData V2 in Open X-Embodiment se pretvorijo v 7-D akcije končnega efektorja na 6 in 7-stopinjskih rokah. SO-100 sprejme 6 sklepnih položajev. Kaj se prenese, kaj ne in kaj storiti namesto tega.

Simulacija lahko nekaj demonstracij pomnoži v tisoče. Tukaj je, kaj objavljene številke resnično povedo, kje se pokaže vrzel med simulacijo in realnostjo ter kaj je še vedno treba posneti.

TinyVLA in SmolVLA omogočata delujoč VLA pod 1 milijardo parametrov. Realne številke iz obeh člankov, privzete nastavitve lerobot, izmerjena latenca in stroški izvajanja na kartici z 24 GB.

Vaš robotski stroj nima GPE. Postavite strežnik politik GR00T na najeti GPE v oblaku, pretakajte akcijske bloke do roke in natančno ugotovite, koliko vas stane omrežje.

Trenirajte Action Chunking Transformer od začetka na SO-100 z lerobot: konfiguracija act, chunk_size in n_action_steps, razpored 100000 korakov, 20 ms sklepanja.

GR00T N1.7, Pi0.5, SmolVLA, ACT ali GR00T N1.5? Tabela odločitev, usklajena z resničnimi situacijami, z objavljenimi referenčnimi številkami, zakasnitvijo, stroški na zagon in licencami za vsako izbiro.

Realne cene GPU na spot trgu, kako dolgo traja izvajanje vsake od petih politik, koliko stane roka in demonstracije ter štiri mesta, kjer denar tiho izgine.

Posnemite uporaben nabor podatkov LeRobot z SO-100: kalibracija, teleoperacija vodja-sledilec, dejanske zastavice in privzete vrednosti lerobot-record, nastavitev kamere, število epizod in napake, ki uničijo izvedbo.

SmolVLA je VLA model s 450 milijoni parametrov, ki se fino uglašuje na eni sami 24 GB kartici. Pravi lerobot 0.6.1 ukazi, dejanske privzete nastavitve, pasti, ki stanejo dan, in koliko stane zagon.

Fino uglašujte Pi0.5, VLA model z ujemanje tokov podjetja Physical Intelligence, na lastnih robotskih podatkih. Pravi ukazi za openpi in lerobot pi05, pasti formata podatkovnih nizov, omejitve VRAM-a in latence.

Preizkušen vodnik za fino uglaševanje NVIDIA GR00T N1.7 na naboru podatkov SO-100 LeRobot: dejanske zastavice, modality.json, zahteva v2.1, koliko stane zagon in pasti.

Odkrijte, kako RoboTurk revolucionarno spreminja učenje robotov z množičnim financiranjem visokokakovostnih podatkov prek oddaljene teleoperacije, kar omogoča razširljive nize podatkov za modele umetne inteligence v robotiki. Raziščite njegov vpliv na učenje z imitacijo, modele VLA in donosnost naložbe za podjetja s področja robotike.

Odkrijte, kako tehnika ujemanja pretokov Pi-Zero, skupaj z inicializacijo VLM, spreminja splošne politike robotov za spretni nadzor. Spoznajte njene prednosti pred tradicionalnimi metodami, učinkovitost pri podatkih za usposabljanje umetne inteligence za robotiko in implikacije za razširljivo uvajanje robotov v industriji.

Odkrijte, kako model RT-2 Google DeepMind revolucionira robotiko umetne inteligence s poudarjanjem ključne vloge visokokakovostnih podatkov za usposabljanje pred naprednimi algoritmi. Ta članek razčleni poskuse, ki dokazujejo, zakaj je učinkovito zbiranje podatkov bistveno za delovanje robotov v resničnem svetu. Naučite se, kako lahko platforme, kot je AY-Robots, pomagajo premostiti vrzel v podatkih za usposabljanje za prihodnje inovacije.

Odkrijte, kako model vida, jezika in delovanja (VLA) RT-2 podjetja Google preoblikuje učenje robotov z integracijo vizualnih podatkov, naravnega jezika in dejanj v realnem času. Ta inovativna tehnologija umetne inteligence izboljšuje zbiranje podatkov za teleoperaterje in povečuje učinkovitost v aplikacijah robotike. Raziščite njegov potencialni vpliv na prihodnost robotov, ki jih poganja umetna inteligenca, na AY-Robots.