HG-DAgger اور Gated Variants: روبوٹ پالیسی پر کنٹرول کب لیں یہ کون فیصلہ کرتا ہے

ایک cloned policy وہاں ناکام ہوتی ہے جہاں اس کی تربیتی ڈیٹا ختم ہو جاتی ہے۔ حل یہ ہے کہ ڈیٹا اکٹھا کرنا جاری رکھیں پالیسی کی اپنی state distribution کے تحت بجائے demonstrator کے، جو DAgger کرتا ہے اور جو dataset aggregation کا تعارف پہلی اصولوں سے سمجھاتا ہے۔ یہ الگورتھم کے پریشان کن حصے کو کھلا چھوڑ دیتا ہے: جبکہ learner چل رہا ہو، expert کو کہنا چاہیے کہ وہ کیا کیا ہوتا، ہر state میں، بغیر کنٹرول میں ہوئے۔

Simulator میں scripted expert کے ساتھ یہ مفت ہے۔ ٹیبل پر حقیقی بازو کے ساتھ یہ نہ تو مفت ہے اور نہ محفوظ۔ HG-DAgger مصنفین اعتراض کو بالکل واضح کہتے ہیں: اس طرح کی sampling schemes "expert سے action labels دینے کی ضرورت ہوتی ہے بغیر سسٹم پر مکمل کنٹرول کے"، جو "حفاظت کو کم کر سکتا ہے اور، انسانوں کو experts کے طور پر استعمال کرتے وقت، جمع کیے گئے لیبل کی کوالٹی کو محسوس شدہ actuator lag کی وجہ سے خراب کرنے کی امکانہ ہے" (Kelly et al., 2019)۔ دو ناکامیاں اس جملے میں چھپی ہوئی ہیں: پالیسی ایسے states میں چلتی رہتی ہے جہاں کوئی نہیں چاہتا، اور اس خطرے کے ساتھ خریدے گئے لیبل وہ سے بھی بدتر ہیں جو ایک انسان کنٹرول میں ہوتے ہوئے بناتا ہے۔ ہر variant نیچے ایک ہی سوال کا جواب دیتا ہے — کنٹرول پر ایک گیٹ لگائیں اور کوئی فیصلہ کرے کہ یہ کب کھلے۔ وہ اس میں مختلف ہیں کہ وہ کوئی کون ہے۔

Human-gated اور robot-gated: وہ تقسیم جو اہم ہے

Interactive imitation learning کا اپنا سروے ہے؛ Celemin اور ساتھی اسے feedback type، interface، learning model، user experience، application اور benchmark کے ساتھ catalogue کرتے ہیں۔ وہ تفریق جو آپ کی engineering کو فیصلہ کرتی ہے وہ ان میں سے کسی بھی axis سے سادہ تر ہے، اور حالیہ کام اسے براہ راست نام دیتے ہیں: ایک طریقہ human-gated ہے جب supervisor فیصلہ کرے کہ کب intervene کریں، اور robot-gated جب agent فیصلہ کرے کہ کب مدد مانگیں (Cai et al., 2025)۔ باقی سب کچھ ان دونوں میں سے ایک انتخاب کی خدمت کرنے والی مشینری ہے۔ تبادلہ شروع سے نظر آتا ہے: ایک human gate مسلسل توجہ کی قیمت دیتا ہے، اور ایک robot gate وہ توجہ واپس دینے کا وعدہ کرتا ہے — لیکن صرف اگر signal جو وہ گیٹ کرتا ہے قابل اعتماد ہے، اور یہ signal بنانا اپنی تحقیق کا مسئلہ ہے۔

SafeDAgger: ایک classifier جو اپنے انحراف کی پیش گوئی کرتا ہے

Zhang اور Cho کا SafeDAgger (2016) ان gates میں سب سے پرانا ہے۔ Reference policy کو query کرنا مہنگا حصہ ہے، تو دوسرا، چھوٹا network — safety policy — پیش گوئی کرتا ہے کہ آیا query کرنا قابل قیمت ہے۔ یہ "ایک binary label واپس کرتا ہے یہ ظاہر کرتے ہوئے کہ آیا primary policy اسے query کیے بغیر reference policy سے منحرف ہونے کا امکان ہے"۔ Label دونوں policies کے actions کے درمیان squared L2 انحراف کے خلاف threshold tau کے ساتھ defined ہے، اور classifier binary cross-entropy کے ساتھ fit ہوتا ہے۔ Runtime پر یہ ہر state میں فیصلہ کرتا ہے کہ learner چلتا رہے یا reference سنبھالے۔ Abstract مختلف reference queries کی رپورٹ کرتا ہے ایک car racing simulator میں بھی convergence speed-up جو مصنفین ایک automated curriculum effect کو منسوب کرتے ہیں، بغیر کوئی figure دیے۔

پکڑ definition میں ہے، نتائج میں نہیں۔ Classifier کو تربیت دینے کے لیے reference policy کا action ہر state پر ضروری ہے جو اسے fit کرنے کے لیے استعمال ہوتا ہے، جو فرض کرتا ہے کہ reference ایک اور پروگرام ہے۔ اگر آپ کا reference ایک شخص ہے leader arm کے ساتھ، تو یہ label set سستا نہیں ہے اور طریقہ وہ خصوصیت کھو دیتا ہے جس کے لیے یہ design کیا گیا تھا۔

EnsembleDAgger: شک اور اختلاف، دونوں

Menda، Driggs-Campbell اور Kochenderfer (2019) gate کو ایک probabilistic سوال کے طور پر سمجھتے ہیں۔ EnsembleDAgger "ایک ensemble of neural networks استعمال کرتے ہوئے Gaussian Process کو approximate کرتا ہے" اور ensemble variance کو ایک confidence proxy کے طور پر پڑھتا ہے: high variance کا مطلب ایک region training data سے مختلف، جو — فرض کرتے ہوئے کہ expert failure states سے بچتا ہے — failure کے قریبی سے correlate کرتا ہے۔ اصول ایک conjunction ہے۔ Learner صرف تب کام کر سکتا ہے جب اس کے mean action اور expert کے action کے درمیان L2 فاصلہ ایک threshold (discrepancy) سے نیچے رہے اور اس کے predicted action کی variance ایک دوسری (doubt) سے نیچے رہے۔ اگر دونوں میں سے کوئی بھی ناکام ہو، تو expert کنٹرول سنبھالتا ہے۔ مقصد learner کے actions کا حصہ زیادہ سے زیادہ کرنا ہے جبکہ failure کے امکان کو محدود کرتے ہیں؛ paper ایک inverted pendulum اور MuJoCo HalfCheetah پر دوسری DAgger variants کے مقابلہ بہتر حفاظت اور learning کی رپورٹ کرتا ہے۔

LazyDAgger: سوئچ کو chatter سے روکیں

Hoque اور ساتھی (2021) ایک لاگت پر حملہ کریں جو پہلے کے کاغذات نے measure نہیں کی: سوئچ خود۔ ہر intervention "دوسری کام میں رکاوٹ ڈالتا ہے جو انسان کر رہا ہے، supervisor اور autonomous control کے درمیان ہر context switch کے ساتھ latency لاتا ہے، اور کو انجام دینے کے لیے وقت ضروری ہے"۔ ایک gate جو ایک منٹ میں دس بار کھولتا اور بند ہوتا ہے وہ اس سے بدتر ہے جو دس سیکنڈ کے لیے ایک بار کھلتا ہے، identical autonomous share کے ساتھ۔ LazyDAgger SafeDAgger کو asymmetric thresholds کے ساتھ بڑھاتا ہے — supervisor کنٹرول میں داخل ہونا مشکل ہے اس میں رہنے سے — تاکہ سسٹم boundary پر oscillate نہ ہو۔ Simulation میں یہ "3 continuous control tasks پر SafeDAgger سے اوستاً 60% context switches کو کم کر سکتا ہے جبکہ state-of-the-art policy performance برقرار رہتی ہے"؛ fabric manipulation میں ایک ABB YuMi کے ساتھ یہ "60% context switches کو کم کرتا ہے جبکہ execution time پر SafeDAgger سے 60% زیادہ success rate حاصل کرتے ہوئے"۔

ThriftyDAgger: نیا پن یا خطرہ، ایک budget کے تحت

ThriftyDAgger (Hoque et al.، CoRL 2021) supervisor کے budget سے شروع کرتا ہے بجائے policy کے۔ یہ "ایک learned switching policy استعمال کرتا ہے تاکہ صرف states میں interventions کے لیے کہا جائے جو کافی طور پر (1) نیا ہو، جہاں robot policy کے پاس imitate کرنے کے لیے کوئی reference behavior نہیں ہے، یا (2) risky ہو، جہاں robot کے پاس task completion میں کم confidence ہے"، ایک نیا metric کے ساتھ اس خطرے کا تخمینہ لگانے کے لیے۔ Budget ایک input ہے، outcome نہیں: آپ کہہ دیتے ہیں کہ آپ کتنا انسانی وقت خرچ کریں گے۔ Execution time پر لاگو ہوتے ہوئے طریقہ "simulation اور physical tasks دونوں پر 100% success rate حاصل کرتا ہے"، اور دس participants کے ساتھ ایک user study جو تین-robot fleet کو کنٹرول کر رہے ہیں ایک concentration task کے ساتھ رپورٹ کرتے ہیں کہ یہ "next best algorithm سے موازنے میں human اور robot performance کو 58% اور 80% بڑھاتا ہے جبکہ supervisor بوجھ کو کم کرتے ہیں"۔ Fleet setting یہ کام کے لیے قدرتی گھر ہے؛ Fleet-DAgger نے بعد میں multiple robots اور supervisors کے ساتھ interactive fleet learning کو فارمالائز کیا، Return on Human Effort کی تجویز کی جو مقدار optimize کرنی ہے۔

HG-DAgger: انسان گیٹ کو سنبھالتا ہے

Kelly et al. (2019) دوسری طرف جاتے ہیں۔ کوئی switching policy نہیں ہے۔ Learner کو "جب تک expert نہ دیکھے کہ novice state space کے unsafe region میں داخل ہو گیا ہے" تک roll out کیا جاتا ہے، جس وقت expert کنٹرول سنبھالتا ہے اور سسٹم کو واپس guide کرتا ہے۔ Aggregation rule سخت حصہ ہے: "Expert action labels صرف اسی وقت جمع کیے جاتے ہیں اور dataset میں شامل ہوتے ہیں جب یہ recovery trajectories ہوں، جس دوران انسان expert کے پاس سسٹم کے uninterrupted کنٹرول تھا۔" جبکہ انسان ایک تماشائی ہے تو کچھ بھی label نہیں ہے۔

یہ سوئچ پر رکتا نہیں ہے۔ HG-DAgger بھی "ایک model-uncertainty-based risk metric کے لیے ایک safety threshold سیکھتا ہے جو fully trained novice کی performance کی مختلف regions of state space میں predict کرنے کے لیے استعمال ہو سکتا ہے": یہ log کرتا ہے کہ learner اتنا uncertain تھا جتنا انسان نے intervene کیا اور ان records کے آخری quarter کا اوسط کرتا ہے، جہاں learner اپنی final form سے سب سے زیادہ ملتا ہے۔ یہ ایک gate نہیں ہے جو روبوٹ چلاتا ہے بلکہ ایک diagnostic ہے جو آپ کو بتاتا ہے کہ finished policy کہاں held ہونے کی امید ہے۔ Evaluation ایک simulated اور real-world driving task کو cover کرتا ہے اور DAgger اور behavior cloning دونوں سے بہتر performance کی رپورٹ کرتا ہے۔

ایک related line جو count کے طور پر ہے بدل دیتا ہے۔ Spencer اور ساتھی کا Expert Intervention Learning کہتا ہے کہ "کوئی بھی amount of expert feedback، چاہے intervention یا non-intervention ہو، موجودہ state کی کوالٹی کے بارے میں معلومات فراہم کرتا ہے، action کی optimality، یا دونوں"، ایک constraint کے طور پر learner کے value function پر formalised اور no-regret online learning کے ساتھ حل کیا۔ اس reading کے تحت، وہ stretches جہاں انسان نے دیکھا اور کچھ نہیں کیا weak positive evidence ہیں empty سے بجائے۔ EIL collision avoidance سیکھتا ہے تقریباً ایک منٹ کے expert کنٹرول سے۔

Variants ایک طرف

ہر گیٹ کیا خریدتا ہے، اور یہ کیا چارج کرتا ہے

"Needs" column کو نیچے پڑھیں اور ایک pattern باہر آتا ہے: ہر robot-gated signal وہاں ایک proxy ہے جو manufactured ہونا پڑے، اور ہر proxy کے اپنے بل ہیں۔

• Discrepancy signals (SafeDAgger، LazyDAgger، EnsembleDAgger کے rule کا نصف) کو ایک reference policy چاہیے۔ یا تو آپ کے پاس ایک scripted expert ہے، جس میں دلچسپ مسئلہ پہلے سے حل ہو چکا ہے، یا ایک انسان مسلسل actions بناتا رہتا ہے تاکہ ایک فاصلہ compute کیا جائے۔
• Doubt signals کو calibrated epistemic uncertainty چاہیے۔ چھوٹے control networks کا ایک ensemble اسے approximate کرتا ہے؛ ایک تین-billion-parameter vision-language-action model کا ensemble ایک memory اور latency مسئلہ پہلے ہے۔
• Novelty اور risk signals کو task completion کے ایک learned estimator کی ضرورت ہے، کافی successful اور failed rollouts پر fitted۔ ایک task پر آپ ابھی کام کر رہے ہیں، وہ ڈیٹا round one میں موجود نہیں ہے۔
• انسانی gate کو توجہ اور کچھ نہیں چاہیے — صرف signal دستیاب پہلے دن پر، کسی بھی policy architecture پر، کوئی اضافی model تربیت دیے بغیر۔
• کوئی robot gate انسان کو room سے نہیں نکالتا۔ وہ reduce کرتے ہیں کہ انسان کو کتنی بار کام کرنا پڑے، نہ کہ آیا انسان موجود ہوں۔

ایک خاموش فرق ہے جو gate بناتا ہے۔ ایک robot gate mid-trajectory firing ایک شخص کو ایک حرکت پذیر بازو دیتا ہے ایک arbitrary pose میں۔ ایک human gate آپریٹر کو لمحہ منتخب کرنے دیتا ہے — reach کے بعد، grasp سے پہلے، swing کے بیچ میں نہیں۔ دونوں سے recovery segments برابر صاف نہیں ہوں، اور وہ segments دور کی مکمل پیداوار ہیں۔

انسان-gated form حقیقی ہارڈویئر پر کیوں جیتا ہے

یہ ایک engineering argument ہے، benchmark result نہیں — کوئی paper جو ہمیں ملا تمام پانچ gates ایک ہی manipulator پر ایک ہی policy class کے ساتھ چلاتا ہے۔ یہ چار نکات پر منحصر ہے۔

پہلا، supervisor وہاں ویسے ہی ہے۔ کوئی بھی SO-100 arm کو بغیر دیکھ بھال کے objects کے ساتھ چلتے ہوئے چھوڑ نہیں دیتا جو یہ knock over کر سکتے ہیں۔ ایک بار جب کوئی دیکھتا ہے، انہیں ایک takeover button دینے کی marginal cost تقریباً صفر ہے؛ ایک calibrated risk estimator بنانا ایک project ہے۔

دوسرا، uncertainty جو آپ حقیقی طور پر ایک modern policy پر measure کر سکتے ہیں اکثر غلط مقدار ہے۔ ایک diffusion یا flow-matching head sampled action chunks میں variance بناتا ہے، اور وہ variance multimodality کو ظاہر کرتا ہے جو head کو represent کرنے کے لیے تربیت دیا گیا تھا، state کے بارے میں epistemic ignorance نہیں۔ EnsembleDAgger کا doubt term ایک ensemble استعمال کرتا ہے بالکل اس کو capture کرنے کے لیے۔ دونوں ایک ہی number کی طرح دیکھتے ہیں اور نہیں ہیں؛ action chunking اور flow matching entries سمجھاتے ہیں کہ وہ heads پہلے جگہ پر actions کو emit کیسے کرتے ہیں۔

تیسرا، manipulation میں failures جو اہم ہیں اکثر semantically ہیں بجائے statistically unusual کے۔ ایک policy gripper کو دو سینٹی میٹر سے پہلے بند کرتی ہے، یا confidently غلط cube کے لیے دو identical میں سے پہنچتی ہے، high-variance state میں نہیں ہے — یہ confident اور غلط ہے۔ کوئی variance threshold یہ catch نہیں کرتا؛ ایک شخص دیکھتا ہے یہ فوری طور پر catch کرتا ہے۔

چوتھا، label quality — اصل HG-DAgger نکتہ، اور سب سے زیادہ skipped ہوا۔ Labels جو جمع ہوتے ہیں جب انسان کے پاس uninterrupted کنٹرول ہو اور beat labels جو ایک حرکت پذیر سسٹم پر narrated ہوں۔ اگر مقصد corrective ڈیٹا ہے aggregating قابل، proof کا بوجھ automated gate کے ساتھ ہے۔

گیٹ نصف طریقہ ہے؛ ڈیٹا handling دوسرا نصف ہے

ایک gate فیصلہ کرتا ہے جو frames ایک انسان نے چلائے، نہ کہ ان کے ساتھ کیا کریں، اور وہ دوسرا فیصلہ وہاں ہے جہاں rounds سب سے زیادہ وفر ہوتے ہیں۔ پہلا اصول وہ ہے جو D in DAgger کے لیے stands کرتا ہے: aggregate، replace نہ کریں۔ Fine-tuning ایک checkpoint خالصتاً چند سو correction frames پر آپ کو ایک model دیتا ہے جس نے تقریباً کچھ نہیں دیکھا سوائے recoveries اور nominal trajectory کو بھول گیا۔

دوسرا اصول یہ ہے کہ intervention frames عام frames نہیں ہیں۔ Mandlekar et al. نے ایک remote-teleoperation system بنایا 6-DoF manipulation کے لیے operators کو policies monitor کرنے دیتے ہوئے اور failure پر take over کرتے ہوئے، پھر iteratively trained ایک algorithm کے ساتھ جو "policy کو سیکھنے کو حوصلہ دیتا ہے کہ interventions کے ذریعے bottlenecks کو traverse کریں"؛ اس ڈیٹا پر trained agents ordinary demonstration samples کے برابر تعداد سے بہتری فراہم کرتے ہیں۔ Sirius اس خیال کو deployment میں دھکیلتا ہے، "re-weighing training samples approximated human trust کے ساتھ اور policies کو optimize کرتے ہوئے weighted behavioral cloning کے ساتھ"۔ دونوں کو per-frame marker چاہیے کہ کیا انسان-driven تھا، جو intervention flag زیادہ اہم ہے کیوں۔intervention flag اہم سے زیادہ دکھتا ہے۔

تیسرا اصول یہ ہے کہ automatic mixing ایک trap ہے۔ ایک composed dataset جس کے sources آپ enumerate نہیں کر سکتے وہ ہے جو آپ debug نہیں کر سکتے جب اگلا round بدتر ہو جائے۔ اس platform پر compose step اس وجہ سے explicit ہے — original dataset plus corrections، episode selection per source، اور نتیجہ ایک عام LeRobot dataset ہے جو syncs اور trains کسی اور کی طرح؛ dataset documentation format side کو cover کرتا ہے۔

ایک gate set کریں جو ایک شخص اصل میں سنبھال سکے

"انسان فیصلہ کرتا ہے" ایک specification نہیں ہے۔ دو operators مختلف thresholds کے ساتھ incomparable rounds بناتے ہیں، اور ایک drifting threshold ایک trend بناتا ہے آپ پڑھ نہیں سکتے۔ وہ triggers نیچے لکھیں پہلا run سے پہلے۔

1. نام الگ کریں وہ conditions جو گیٹ کھولتے ہیں — approach fixed margin سے زیادہ off ہے، gripper کچھ بند نہیں ہو رہا، ایک joint ایک limit کی طرف drift ہو رہا ہے، ایک stall سے زیادہ ایک یا دو سیکنڈ — اور list کو unchanged رکھیں round کے لیے۔
2. نام کریں جو یہ نہیں کھولتا۔ Overshoot policy اپنے آپ سے recover کرتا ہے training signal ہے؛ وہاں take over کرنا ایک recovery delete کرتا ہے یہ پہلے سے جانتی ہے۔
3. جلدی take over کریں ایک صاف handover کے لیے، جتنا جلدی state recoverable ہے hand back کریں۔
4. Log کریں کہ آپ نے کیوں take over کیا، ہر episode۔ تین rounds بعد یہ صرف record ہے کہ آیا وہی failure واپس آتی ہے۔
5. رکھیں cameras، task text اور operator constant round کے عام۔ ایک بدل دیں اور نمبر comparable رہنا بند ہوں۔

Mechanically handover کے دو variants ہیں۔ ایک leader arm کے ساتھ، leader کو follower کے current pose تک پہنچنا پڑے torque سے پہلے transfer کرے، یا arm jump کرے؛ یہ alignment move chain کے کم سے کم-tested حصہ ہے real hardware پر۔ بغیر leader arm کے takeover manual ہے پہلی keypress سے: follower held ہے اور operator اسے nudge کرتا ہے joint by joint keyboard سے یا sliders drag کرتے ہوئے، server-side clamps کے ساتھ ہر input کو چھوٹا رکھتے ہوئے — ایک pair of degrees per keypress، کچھ per slider update، کیونکہ ایک بڑا step ایک held pose میں یہ ہے کہ آپ ایک servo strip کیسے کرتے ہیں۔ Step-by-step version key bindings کے ساتھ ہے ایک SO-100 پر DAgger round کا walkthrough؛ دونوں teleoperation modes کے لیے background ہے teleoperation docs میں اور leader-follower entryمیں۔

پڑھیں کہ آیا gate نے کچھ کیا

ایک human-gated round کا metric intervention rate ہے: intervention frames run کے frames سے divide کیے ہوئے۔ یہ ایک کام ہے — اگر یہ rounds سے fall نہیں کرتا، round نے کچھ نہیں خریدا، اور اگلا ایک کچھ اور بدلنا چاہیے ڈیٹا کی مقدار سے۔

یہ ایک biased metric ہے اور آپ کو پتا ہونا چاہیے۔ یہ operator کی threshold کو measure کرتا ہے جتنا policy کی competence، جو وجہ trigger list fixed رہتا ہے؛ ایک operator جو ایک session میں relax کرتا ہے ایک falling curve بناتا ہے کچھ کے بغیر۔ یہ بھی severity کو ignore کرتا ہے — دس frames ایک collision روکنے کے اور دس ایک grasp کو nudge کرنے ایک جیسے دیکھتے ہیں۔ اسے ایک fixed evaluation set کے ساتھ جوڑی کریں کوئی correction ڈیٹا کبھی نہیں خینچا۔ ایک DAgger loop کو measure کرنے کے بارے میں article evaluation design سے کام کرتا ہے، evaluation episodes کو training mix سے باہر کیسے رکھیں اس سمیت۔

Open سوالات نظر میں رکھنے کے قابل

Benchmarks کمزور ہیں۔ Spencer اور ساتھی نے جو imitation learning approaches کو test کرنے کے لیے استعمال ہوتے ہیں وہ examine کیے اور ان کو پایا "realizable اور simple اور اس طرح real-world decision making problems میں دیکھے جانے والے harder regimes of error compounding کو capture کرنے کے لیے ناکافی" — اور، surrounding literature کے خلاف، plain behavior cloning ان tasks پر اچھی کارکردگی کی۔ یہ کوئی DAgger variants کی ranking پر sceptical ہونے کا سبب ہے وہ tasks پر استوار ہے، جس میں اوپر کے table میں کچھ numbers شامل ہیں۔

Robot gates بڑی policies پر بھی نہیں حل ہیں۔ AIM work uncertainty کو ایک proxy Q-function کے ساتھ بدلتا ہے انسانی intervention rule کی نقل کرتے ہوئے اور 40% بہتری کی رپورٹ کرتا ہے take-over cost اور learning efficiency میں ThriftyDAgger سے — continuous اور discrete کنٹرول میں، manipulation کو drive کرتے ہوئے vision-language-action model پر نہیں۔ آیا ان میں سے کوئی بھی gate fine-tuned VLA میں transfer کرتا ہے یہ open ہے۔ Survey ایک related point بناتا ہے: field کی terminology اور structure unified نہیں ہیں literature کے عام۔ آپ کے بازو پر، آپ کے logs وہ evidence ہیں جو آپ کے پاس ہیں۔

ایک desk پر ایک بازو کے لیے انتخاب کیا گیا ہے: گیٹ اپنے آپ کو سنبھالیں، لکھیں جو اسے کھولتا ہے، اور کوشش کو ڈیٹا handling کے پیچھے خرچ کریں سوائے سوئچ کو automate کرنے کے۔ Platform side اس پر بیان کیا گیا ہے DAgger loop page، training options policy family per کے تحت training and pricing۔ Background کے لیے، شروع کریں imitation learning اور imitation learning on the SO-100 سے؛ پہلے run کے لیے، run your first policy مختصر path ہے۔