Blog

Maelezo ya hatua kwa hatua ya raundi moja ya DAgger inayodhibitiwa na binadamu kwenye mkono wa SO-100: endesha sera na uirekodi, chukua udhibiti pale tabia inapoharibika, weka rekodi hiyo kama marekebisho, unda seti ya data iliyochanganywa, kisha endelea na mafunzo kutoka kwa hatua ya ukaguzi (checkpoint). Inajumuisha njia ya kuchukua udhibiti kwa kibodi na vitelezi kwa wale wasio na mkono wa kiongozi (leader arm), pamoja na makosa manne yanayofanya raundi kuwa bure kabisa.

Kiwango cha kuingilia - fremu za kuingilia zikigawanywa na fremu za zoezi (run) - ndiyo ishara ya maendeleo iliyo rahisi zaidi na ya kweli inayopatikana katika mzunguko wa DAgger unaodhibitiwa na binadamu. Makala hii inaufafanua ili watu wawili wapate thamani ile ile, inaonyesha jinsi ya kuurekodi, na inapitia njia nne zinazoweza kukupotosha: uzoefu wa mwendeshaji unaomfanya azoee (operator habituation), mpangilio wa tathmini unaotelezea, kufunza mfumo kwa kutumia marekebisho tu, na binadamu anayefanya marekebisho tofauti Jumanne kuliko Jumatatu.

DAgger ya kawaida humwomba binadamu aweke lebo kwenye hali huku roboti ikiwa bado inaendesha. Kwenye vifaa halisi hilo si salama na huzalisha lebo duni. Aina za gated zinabadilisha uwekaji lebo kipofu na lango (gate) ambalo mtu au kitu fulani lazima akishikilie: binadamu katika HG-DAgger, kiainishi cha usalama katika SafeDAgger, kutokubaliana kwa ensemble katika EnsembleDAgger, makadirio ya ubunifu-na-hatari yenye bajeti katika ThriftyDAgger. Makala hii inazilinganisha kwa kuangalia nani anamiliki lango hilo, ni ishara gani inayolifungua, na gharama ya kila moja — na kwa nini aina ya human-gated ndiyo inayodumu inapokutana na mkono halisi wa roboti.

Behavior cloning hulenga sera kwenye usambazaji wa hali za mtaalamu kisha inatumika peke yake baadaye. Pengo kati ya usambazaji huo wawili ndilo linaloelezea kwa nini sera inayoonekana sawa wakati wa uthibitishaji inatoka mezani kwenye hatua ya 300. Huu ni sura ya kinadharia ya mfululizo wetu wa DAgger: chanzo cha neno la hitilafu la mraba, mabadiliko yanayoletwa na ukusanyaji wa seti za data, mawazo yanayotegemewa na uthibitisho wa 'no-regret', na sehemu ya gharama ambayo mtaalamu wa kibinadamu bado anapaswa kulipa.

DROID, BridgeData V2 na Open X-Embodiment hubadilika kuwa vitendo vya 7-D vya ncha-tendaji kwenye mikono ya 6 na 7-DoF. SO-100 huchukua nafasi 6 za viungo. Ni nini kinachohamishwa, ni nini kisichohamishwa, na nini cha kufanya badala yake.

Uigaji unaweza kuzidisha maonyesho machache kuwa maelfu. Hapa ndicho nambari zilizochapishwa zinasema kweli, ambapo pengo la sim-to-real linauma, na nini bado kinahitaji kurekodiwa.

TinyVLA na SmolVLA huweka VLA inayofanya kazi chini ya vigezo bilioni 1. Namba halisi kutoka karatasi zote mbili, mipangilio chaguomsingi ya LeRobot, ucheleweshaji uliopimwa, na gharama ya uendeshaji kwenye kadi ya 24 GB.

Mashine yako ya roboti haina GPU. Weka seva ya sera ya GR00T kwenye GPU ya wingu iliyokodishwa, tiririsha vipande vya vitendo kwenye mkono, na ujifunze hasa gharama za mtandao kwako.

Funza Action Chunking Transformer kutoka mwanzo kwenye SO-100 ukitumia lerobot: usanidi wa act, chunk_size na n_action_steps, ratiba ya hatua 100000, utekelezaji wa 20 ms.

GR00T N1.7, Pi0.5, SmolVLA, ACT au GR00T N1.5? Jedwali la uamuzi linalolingana na hali halisi, likiwa na nambari za vigezo vilivyochapishwa, muda wa kuchelewa, gharama kwa kila utekelezaji na leseni nyuma ya kila chaguo.

Bei halisi za GPU sokoni, muda ambao kila moja ya sera tano huendeshwa, gharama ya mkono na maonyesho, na sehemu nne ambapo pesa hupotea kimya kimya.

Rekodi seti ya data ya LeRobot inayoweza kutumika ukitumia SO-100: usawazishaji, uendeshaji wa mbali wa kiongozi-mfuasi, bendera na mipangilio halisi ya lerobot-record, usanidi wa kamera, idadi ya vipindi, na kasoro zinazoharibu utendaji.

SmolVLA ni VLA yenye vigezo milioni 450 ambayo hurekebishwa kwenye kadi moja ya GB 24. Amri halisi za lerobot 0.6.1, mipangilio chaguomsingi halisi, mitego inayoweza kukugharimu siku nzima, na gharama ya uendeshaji.

Rekebisha vizuri Pi0.5, VLA ya kulinganisha mtiririko kutoka Physical Intelligence, kwa data yako mwenyewe ya roboti. Amri halisi za openpi na lerobot pi05, mitego ya umbizo la seti ya data, mipaka ya VRAM na ucheleweshaji.

Gundua jinsi mbinu ya ulinganifu wa mtiririko ya Pi-Zero, ikiwa imeunganishwa na uanzishaji wa VLM, inavyobadilisha sera za roboti za jumla kwa udhibiti mahiri. Jifunze kuhusu faida zake juu ya mbinu za jadi, ufanisi katika data ya mafunzo ya AI kwa roboti, na athari kwa upelekaji wa roboti unaoweza kupanuka katika viwanda.

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.

Gundua jinsi modeli ya RT-2 ya Google DeepMind inavyobadilisha roboti za AI kwa kusisitiza jukumu muhimu la data bora ya mafunzo kuliko algorithm za hali ya juu. Makala haya yanachambua majaribio ambayo yanaonyesha kwa nini ukusanyaji mzuri wa data ni muhimu kwa utendaji wa roboti katika ulimwengu halisi. Jifunze jinsi majukwaa kama AY-Robots yanaweza kusaidia kuziba pengo katika data ya mafunzo kwa uvumbuzi wa siku zijazo.

Gundua jinsi mfumo wa RT-2 wa Google wa Kuona-Lugha-Kitendo (VLA) unavyoumbua upya ujifunzaji wa roboti kwa kuunganisha data ya kuona, lugha asilia, na vitendo vya wakati halisi. Teknolojia hii bunifu ya AI huongeza ukusanyaji wa data kwa waendeshaji-mbali na huongeza ufanisi katika matumizi ya roboti. Chunguza uwezekano wake wa athari katika siku zijazo za roboti zinazoendeshwa na AI katika AY-Robots.