Blog

Një përshkrim hap pas hapi i një raundi DAgger me kontroll njerëzor në një krah SO-100: drejtoje politikën dhe regjistroje atë, merre kontrollin kur shkon gabim, regjistroje si korrigjim, kombinoj një grup të dhënash të përzier, dhe vazhdo trajnimin nga një kontrol. Përfshin shtegën e marrjes së kontrollit me tastierë dhe rrëshqitëse për njerëzit pa një krah udhëheqës, dhe katër gabimet që bëjnë një raund të padobishëm.

Shpejtësia e intervenimit - kornizat e intervenimit të ndarë me kornizat e drejtimit - është sinjali më i lirë i përparimit të sinqertë që ka një sylfate DAgger e kontrolluar nga njerëz. Ky artikull e përcakton atë në mënyrë që dy njerëz të llogarisin të njëjtën vlerë, tregon se si ta regjistrojnë atë dhe kalon përmes katër mënyrave sesi e mashtron jua: habituimi i operatorit, një rregullim vlerësimi në lëvizje, trajnimi vetëm në korrigjime dhe një njeri që korrigjon ndryshe të martën se sa të hënën.

DAgger i thjeshtë kërkon nga një njeri të etiketojë gjendjet ndërsa roboti po vozit ende. Në harduerin real, kjo është e pasigurt dhe prodhon etiketa të dobëta. Variantet e portës zëvendësojnë etiketimin verbë me një portë që dikush duhet të mbajë: njeriu në HG-DAgger, një klasifikator sigurie në SafeDAgger, mospajtimet e një ansambli në EnsembleDAgger, një vlerësim të buxhetuar të novezes dhe riskut në ThriftyDAgger. Ky artikull i krahason ato sipas kujt i përket porta, çfarë sinjali e hap atë dhe sa kushton secila — dhe pse forma e kontrolluar nga njeriu është ajo që mbijetoi kontaktin me një krah real.

Behavior cloning përshtatet një politikë në shpërndarjen e gjendjeve të ekspertit dhe më pas vendoset në vetvete. Hendeku midis atyre dy shpërndarjeve është arsyeja pse një politikë që duket mirë në validim bie nga tabela në hapin 300. Ky është kapitulli i teorisë të serisë tonë të DAgger: ku vjen termi i gabimit kuadratik, çfarë ndryshon agregimi i të dhënave, çfarë supozon prova pa pendim, dhe cili është pjesa e faturës që eksperti njerëzor ende duhet të paguajë.

DROID, BridgeData V2 dhe Open X-Embodiment konvertohen në veprime të fund-efektorit 7-D në krahë me 6 dhe 7-DoF. Një SO-100 merr 6 pozicione nyjesh. Çfarë transferohet, çfarë jo, çfarë të bëni në vend të kësaj.

Simulimi mund të shumëzojë një grusht demonstrimesh në mijëra. Këtu është ajo që thonë vërtet numrat e publikuar, ku ndikon hendeku sim-në-real, dhe çfarë duhet ende të regjistrohet.

TinyVLA dhe SmolVLA vendosin një VLA funksional nën 1 miliard parametra. Numra realë nga të dyja punimet, parametrat e paracaktuar të lerobot, vonesa e matur, dhe sa kushton një ekzekutim në një kartë 24 GB.

Makina juaj robotike nuk ka GPU. Vendosni serverin e politikave GR00T në një GPU të marrë me qira në re, transmetoni pjesë veprimesh te krahu dhe mësoni saktësisht se çfarë ju kushton rrjeti.

Trajnoni një Action Chunking Transformer nga zero në një SO-100 me lerobot: konfigurimi i act, chunk_size dhe n_action_steps, orari i 100000 hapave, inferenca 20 ms.

GR00T N1.7, Pi0.5, SmolVLA, ACT apo GR00T N1.5? Një tabelë vendimmarrjeje e përshtatur me situata reale, me numrat e publikuar të benchmark-ut, latencën, koston për ekzekutim dhe licencat pas çdo zgjedhjeje.

Çmimet reale të GPU-ve në tregun spot, sa kohë zgjat ekzekutimi i secilës prej pesë politikave, sa kushton krahu dhe demonstrimet, dhe katër vendet ku paratë zhduken në heshtje.

Regjistroni një set të dhënash LeRobot të përdorshëm me një SO-100: kalibrimi, teleoperimi udhëheqës-ndjekës, parametrat dhe vlerat e paracaktuara reale të lerobot-record, konfigurimi i kamerës, numri i episodeve dhe defektet që prishin një ekzekutim.

SmolVLA është një VLA me 450 M parametra që përshtatet imët në një kartë të vetme 24 GB. Komanda reale të lerobot 0.6.1, parametrat e paracaktuar aktualë, kurthet që kushtojnë një ditë, dhe sa kushton një ekzekutim.

Rregulloni imët Pi0.5, VLA-në e përputhjes së fluksit nga Physical Intelligence, në të dhënat tuaja të robotit. Komanda reale për openpi dhe lerobot pi05, kurthe të formatit të grupit të të dhënave, kufizime të VRAM-it dhe vonesës.

Një udhëzues i testuar për rregullimin e imët të NVIDIA GR00T N1.7 në një set të dhënash LeRobot SO-100: flag-et reale, modality.json, kërkesa v2.1, sa kushton një ekzekutim, dhe kurthet.

Zbuloni se si RoboTurk revolucionarizon mësimin e robotëve duke siguruar të dhëna me cilësi të lartë përmes teleoperacionit të largët, duke mundësuar grupe të dhënash të shkallëzueshme për modelet AI në robotikë. Eksploroni ndikimin e tij në mësimin e imitimit, modelet VLA dhe ROI për kompanitë e robotikës.

Zbuloni se si teknika e përputhjes së rrjedhës Pi-Zero, e kombinuar me inicializimin VLM, po transformon politikat robotike të përgjithshme për kontroll të shkathët. Mësoni rreth avantazheve të saj ndaj metodave tradicionale, efikasitetit në të dhënat e trajnimit të AI për robotikë dhe implikimeve për vendosjen e robotëve të shkallëzueshëm në industri.

Zbuloni se si modeli RT-2 i Google DeepMind revolucionarizon robotikën e AI duke theksuar rolin kritik të të dhënave cilësore të trajnimit mbi algoritmet e avancuara. Ky artikull analizon eksperimentet që demonstrojnë pse mbledhja efektive e të dhënave është thelbësore për performancën e robotëve në botën reale. Mësoni se si platformat si AY-Robots mund të ndihmojnë në mbylljen e hendekut në të dhënat e trajnimit për inovacione të ardhshme.

Zbuloni se si modeli Vizioni-Gjuhë-Veprim (VLA) RT-2 i Google po riformëson mësimin e robotëve duke integruar të dhëna vizuale, gjuhë natyrore dhe veprime në kohë reale. Kjo teknologji inovative e AI përmirëson mbledhjen e të dhënave për teleoperatorët dhe rrit efikasitetin në aplikimet e robotikës. Eksploroni ndikimin e tij të mundshëm në të ardhmen e robotëve të drejtuar nga AI në AY-Robots.