Дивись і вчись: роботів навчили опановувати навички за 29 секунд після одного відео
Поки людство витрачає роки на опанування базових навичок, розробники з групи, афілійованої з X Square Robot, вирішили прискорити еволюцію заліза. На сервісі препринтів arXiv з’явився опис методу HOST (Human-to-robot One-Shot Skill AcquisiTion). Його суть проста: робот дивиться лише одне відео з людиною та відразу намагається повторити побачене, не витрачаючи години на перенавчання нейромережі.
Цифрове мавпування без зайвих зусиль
Головна фішка HOST полягає в тому, що він не використовує демонстрацію як новий набір даних для навчання. Замість того, щоб змінювати ваги нейромережі (що довго та дорого), система перетворює відео на «контекстну підказку». Модель залишається замороженою, але отримує чітку інструкцію, що саме від неї хочуть прямо зараз.
Механіка процесу виглядає наступним чином: система аналізує ролик, де людина виконує завдання — наприклад, перекладає предмет з однієї місткості в іншу. HOST оцінює стадію виконання, а потім прогнозує, як цей же етап має виглядати з точки зору сенсорики та «тіла» самого робота. Після цього алгоритм вибудовує ланцюжок дій для досягнення результату. Жодних сотень повторень чи ручної розмітки — один перегляд і один прохід.
Швидкість проти надійності: 29 секунд на роздуми
На практиці «усвоєння» нової навички займає в середньому лише 29 секунд. Це вражає, якщо порівнювати з традиційним тонким налаштуванням (fine-tuning). Автори стверджують, що HOST працює у 507 разів швидше, ніж методи, які потребують 50 демонстрацій для кожного окремого завдання. Прогрес у порівнянні з підходом «zero-shot» (коли робот діє взагалі без підказок) також очевидний: успішність зросла з 17% до 62%.
Втім, відкривати шампанське зарано. Показник у 62% означає, що майже у чотирьох випадках з десяти машина помиляється. Для сучасної робототехніки це непоганий дослідницький результат, але для реального виробництва такої надійності замало. Крім того, тести проводилися у «стерильних» умовах: на власних платформах розробників і зі знайомими їм об’єктами. Як поведеться HOST у незнайомому приміщенні з чужим обладнанням — питання відкрите.
Перспективи для індустрії
Для інженерів HOST цікавий передусім концептуально. Якщо спільнота зможе відтворити результати та підняти успішність хоча б до 85–90% за рахунок кращої оцінки прогресу, метод може стати стандартом для швидкого переналаштування промислових маніпуляторів. Можливість «пояснити» роботу нову задачу за пів хвилини без залучення програмістів — це саме те, чого не вистачає сучасним фабрикам.
Поки HOST вчить маніпулятори базовим рухам, великі гравці ринку готують складніші системи — наприклад, LG готує двоногого гуманоїда на базі технологій Nvidia, прем'єра якого запланована на 2027 рік.
