Learning from Fleet Experience: A Collective Learning Paradigm for Robots
Pubblicata su AIChronos il · fonte del · Chao Yu, Shu'ang Yu, Hao Lin, Hongzhi Zang, Yuxiang Yan, Chenxi Jiang
Il paper introduce Collective Experience Learning (CEL), un paradigma in cui i robot di uno sciame condividono le esperienze derivanti dai fallimenti per migliorare collettivamente una politica comune. Questa metodologia è implementata tramite Failure-Guided Experience Retrieval Fine-tuning (FERT), che recupera segmenti di traiettorie riuscite dallo storico condiviso utilizzando il contesto del fallimento come supervisione, senza richiedere dimostrazioni esperte aggiuntive o correzioni umane in tempo reale. Un sistema FATS coordina l'ottimizzazione e la distribuzione della politica asincronamente per garantire tolleranza ai guasti durante le interruzioni locali dello sciame.
- CEL permette di scalare l'apprendimento dei robot evitando il collo di bottiglia del monitoraggio umano da parte degli operatori teleoperati.
- FERT utilizza i contesti di fallimento per recuperare e utilizzare azioni passate riuscite come segnale di supervisione per gli aggiornamenti della politica.
- L'approccio ha raggiunto tassi di successo tra il 93,3% e il 99,2% su cinque compiti reali di manipolazione in robot non coinvolti nella raccolta dati.
- Aumentare la dimensione dello sciame aumenta l'esperienza disponibile; ad esempio, con 96 robot il successo è passato dal 79,2% al 98,3% nel packaging telefonico.
- Il sistema FATS gestisce in modo asincrono la raccolta esperienza e l'ottimizzazione della politica nonostante le interruzioni locali.
Perché conta. Per gli sviluppatori di agenti AI e sistemi autonomi, questo approccio offre un modello per migliorare l'affidabilità dei policy senza dipendere da dati annotati manualmente o supervisione umana continua. Rappresenta una via praticabile verso il scaling dell'apprendimento automatico in ambienti reali dove la raccolta di nuovi dati esperti è costosa o impossibile.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.