Инженеры разработали систему RoVi-Aug, которая позволяет роботам самостоятельно делиться навыками, устраняя необходимость в человеческом вмешательстве. Этот инновационный подход упрощает процесс обучения, делая его быстрее и эффективнее. Тесты показали, что RoVi-Aug может адаптироваться к новым роботам и различным ракурсам камеры без дополнительных этапов настройки, повышая точность выполнения задач на 30%. Разработка стала важным шагом на пути к созданию автономных и адаптивных роботов.
Сбор данных для обучения роботов — сложная и длительная задача, особенно в сравнении с масштабами данных, используемых в ИИ для обработки текста и изображений. Проекты вроде Open-X Embodiment (OXE), которые объединяют данные из множества источников, помогают ускорить обмен опытом между роботами, но часто сталкиваются с проблемами переобучения и необходимости адаптации под новые задачи и ракурсы.
RoVi-Aug отличается тем, что не просто объединяет данные от разных роботов, а создаёт синтетические демонстрации, имитирующие различные сценарии взаимодействия. Фреймворк включает два модуля: Ro-Aug, который генерирует демонстрации для разных типов роботов, и Vi-Aug, создающий данные с разными углами камеры. Это делает обучение более универсальным, позволяя роботам легче адаптироваться к новым условиям.
В отличие от предыдущих методов, таких как Mirage, RoVi-Aug не требует точных моделей камер и позволяет настраивать алгоритмы под конкретные задачи. Такой подход упрощает обучение роботов многозадачности и снижает зависимость от реальных данных, что делает его особенно полезным для ускоренного внедрения в реальных условиях.
Хотя у RoVi-Aug есть ограничения, исследователи считают, что будущее развитие может включать улучшение фона, работу с более сложными задачами и интеграцию многопалых захватов. Статья с описанием исследования уже доступна на платформе ArXiv.
