Blog

Bir SO-100 kolu üzerinde yapılmış tek bir insan-kontrollü DAgger turunun adım adım hesabı: policy'i çalıştırın ve kaydedin, yanlış gitse üstlenin, turunu düzeltme olarak dosyalayın, karışık bir veri seti oluşturun ve bir checkpoint'ten eğitimi devam ettirin. Lider kolu olmayan kişiler için klavye ve kaydırıcı üstlenme yolunu içerir ve bir turnu değersiz kılan dört hatayı içerir.

Müdahale hızı - müdahale kareleri bölü koşunun kareleri - insan-geçitli DAgger döngüsünün sahip olduğu en ucuz dürüst ilerleme sinyalidir. Bu makale bunu, iki kişinin aynı değeri hesaplaması için tanımlar, nasıl günlüğe kaydedileceğini gösterir ve onu yanlış yönlendirebilecek dört yoldan geçer: operatör alışkanlığı, bölünen bir değerlendirme kurulumu, yalnızca düzeltmeler üzerine eğitim ve bir kişi Pazartesi günü Salı günü farklı şekilde düzeltme yapan.

Saf DAgger, politika henüz sürüş sırasında insandan durumları etiketlemesini ister. Gerçek donanımda bu güvenli değildir ve kötü etiketler üretir. Kapılı varyantlar kör etiketlemeyi birinin tutması gereken bir kapı ile değiştirir: HG-DAgger'de insan, SafeDAgger'de bir güvenlik sınıflandırıcısı, EnsembleDAgger'de bir topluluk'un anlaşmazlığı, ThriftyDAgger'de bütçeli bir yenilik-ve-risk tahmini. Bu makale, kapıyı kimin kontrol ettiğini, neyi açtığını ve her birinin ne maliyeti olduğunu karşılaştırır — ve neden insan-kapılı biçim gerçek bir kolun temasında hayatta kalan olanıdır.

Behavior cloning bir politikayı uzmanın durum dağılımına uydurur ve ardından kendi başına konuşlandırılır. Bu iki dağılım arasındaki boşluk, doğrulamada iyi görünen bir politikanın 300. adımda masadan düşmesi nedenidir. Bu, DAgger serimizin teori bölümüdür: ikinci dereceden hata terimi nereden geldiği, dataset aggregation'ın ne değiştirdiği, no-regret kanıtının ne varsaydığı ve insan uzmanının hala hangi faturayı ödemesi gerektiği.

DROID, BridgeData V2 ve Open X-Embodiment, 6 ve 7 Serbestlik Dereceli kollarda 7 boyutlu uç efektör eylemlerine dönüşür. Bir SO-100, 6 eklem pozisyonu alır. Ne aktarılır, ne aktarılmaz, bunun yerine ne yapılmalı.

Simülasyon, bir avuç gösterimi binlerceye katlayabilir. İşte yayınlanan sayıların gerçekte ne söylediği, simülasyondan gerçeğe aktarım boşluğunun nerede sorun yarattığı ve hala nelerin kaydedilmesi gerektiği.

TinyVLA ve SmolVLA, 1 milyar parametrenin altında çalışan bir VLA sunar. Her iki makaleden gerçek sayılar, LeRobot varsayılanları, ölçülen gecikme ve 24 GB'lık bir kartta bir çalıştırmanın maliyeti.

Robot makinenizin GPU'su yok. GR00T politika sunucusunu kiralanmış bir bulut GPU'suna yerleştirin, eylem parçacıklarını kola aktarın ve ağın size tam olarak ne kadara mal olduğunu öğrenin.

Bir Action Chunking Transformer'ı SO-100 üzerinde lerobot ile sıfırdan eğitin: act config, chunk_size ve n_action_steps, 100000 adımlık program, 20 ms çıkarım.

GR00T N1.7, Pi0.5, SmolVLA, ACT veya GR00T N1.5? Gerçek durumlara uygun bir karar tablosu, yayınlanmış kıyaslama sayıları, gecikme süresi, her çalıştırma başına maliyet ve her seçimin arkasındaki lisanslarla birlikte.

Gerçek spot piyasa GPU fiyatları, beş politikanın her birinin ne kadar sürdüğü, kolun ve gösterimlerin maliyeti ve paranın sessizce kaybolduğu dört yer.

Bir SO-100 ile kullanılabilir bir LeRobot veri kümesi kaydedin: kalibrasyon, lider-takipçi teleoperasyon, gerçek lerobot-record bayrakları ve varsayılanları, kamera kurulumu, bölüm sayıları ve bir çalışmayı bozan kusurlar.

SmolVLA, tek bir 24 GB kartta ince ayar yapılabilen 450 M parametreli bir VLA'dır. Gerçek lerobot 0.6.1 komutları, gerçek varsayılanlar, bir güne mal olan tuzaklar ve bir çalıştırmanın maliyeti.

Physical Intelligence'ın akış eşleştirmeli VLA'sı Pi0.5'i kendi robot verilerinizle ince ayarlayın. openpi ve lerobot pi05 için gerçek komutlar, veri kümesi format tuzakları, VRAM ve gecikme sınırları.

NVIDIA GR00T N1.7'ye bir SO-100 LeRobot veri kümesi üzerinde ince ayar yapmak için test edilmiş bir rehber: gerçek bayraklar, modality.json, v2.1 gereksinimi, bir çalıştırmanın maliyeti ve tuzaklar.

RoboTurk'ün, robotikteki yapay zeka modelleri için ölçeklenebilir veri kümeleri sağlayarak, uzaktan teleoperasyon yoluyla yüksek kaliteli verileri kitlesel kaynak kullanarak robot öğreniminde nasıl devrim yarattığını keşfedin. Taklit öğrenimi, VLA modelleri ve robotik şirketleri için yatırım getirisi üzerindeki etkisini inceleyin.

Pi-Zero'nun akış eşleştirme tekniğinin, VLM başlatma ile birleşerek, el becerisi kontrolü için genel amaçlı robot politikalarını nasıl dönüştürdüğünü keşfedin. Geleneksel yöntemlere göre avantajları, robotik için yapay zeka eğitim verilerindeki verimliliği ve endüstrilerde ölçeklenebilir robot dağıtımı için etkileri hakkında bilgi edinin.

Isaac Gym'in, hızlı takviyeli öğrenme, VLA modelleri eğitimi ve verimli AI robot teleoperasyonu için binlerce paralel ortam sağlayan GPU yerel fizik simülasyonu ile robot öğreniminde nasıl devrim yarattığını keşfedin. Simülasyondan gerçeğe boşluğunu kapatan kıyaslamaları, PyTorch ile entegrasyonu ve gerçek dünya uygulamalarını keşfedin.

BridgeData V2'nin taklit öğrenimi yöntemlerini ve çevrimdışı takviyeli öğrenmeyi geliştiren düşük maliyetli robot verilerini nasıl ölçekte sağladığını keşfedin. Temel kıyaslamaları, robotikteki VLA modellerini ve yapay zeka eğitim verisi toplama için verimli robot teleoperasyon iş akışlarını keşfedin.

Google DeepMind'ın RT-2 modelinin, gelişmiş algoritmalar yerine yüksek kaliteli eğitim verilerinin kritik rolünü vurgulayarak yapay zeka robotikte nasıl devrim yarattığını keşfedin. Bu makale, etkili veri toplamanın gerçek dünya robot performansı için neden gerekli olduğunu gösteren deneyleri ayrıntılarıyla anlatıyor. AY-Robots gibi platformların gelecekteki yenilikler için eğitim verilerindeki boşluğu doldurmaya nasıl yardımcı olabileceğini öğrenin.

Google'ın RT-2 Görüntü-Dil-Eylem (VLA) modelinin, görsel verileri, doğal dili ve gerçek zamanlı eylemleri entegre ederek robot öğrenimini nasıl yeniden şekillendirdiğini keşfedin. Bu yenilikçi yapay zeka teknolojisi, teleoperatörler için veri toplamayı geliştirir ve robotik uygulamalarında verimliliği artırır. AY-Robots'ta yapay zeka güdümlü robotların geleceği üzerindeki potansiyel etkisini keşfedin.