Durante mucho tiempo, la formación de robots se ha enfrentado a un problema: los entornos de simulación pueden generar rápidamente una gran cantidad de experiencia operativa, pero esa experiencia no siempre resulta útil en el mundo real.
El estudio TUCO de @axisrobotics me ha mostrado una solución que merece atención.
En vez de hacer que el robot aprenda todas las posibilidades, conviene identificar primero qué es lo que más necesita aprender en este momento.
El enfoque de TUCO consiste en utilizar unas pocas demostraciones de operaciones reales para evaluar qué trayectorias simuladas son más útiles para la tarea objetivo y, a partir de ahí, seleccionar los datos adecuados para el entrenamiento.
Los resultados experimentales son bastante interesantes:
→ Usando únicamente demostraciones reales, la tasa media de éxito fue de aproximadamente un 16,7 %
→ Al añadir las 1.200 trayectorias simuladas, la tasa de éxito fue de aproximadamente un 25,8 %
→ Tras seleccionar unas 600 trayectorias simuladas, la tasa de éxito aumentó hasta el 85,8 %
Lo que reflejan estos datos es un posible cambio en la forma de entrenar robots.
Hasta ahora, conseguir que un robot aprenda más operaciones solía requerir más datos y mayores costes de entrenamiento.
Pero cuando los datos contienen muchas experiencias repetidas o incluso inadecuadas para la tarea actual, seguir aumentando su cantidad no necesariamente produce mejores resultados.
TUCO intenta resolver precisamente cómo identificar, entre una gran cantidad de experiencias simuladas, aquellas que realmente pueden mejorar el rendimiento del robot real.
Esto también me ha llevado a replantearme el motor de datos de @axisrobotics.
Si puede convertir las respuestas obtenidas de las operaciones en el mundo real en criterios para seleccionar y optimizar los datos de entrenamiento, su valor no se limitará a producir datos: también incluirá aprovechar mejor cada dato.
Por supuesto, los resultados actuales se basan todavía en tres tareas de manipulación controladas. El rendimiento con distintos tipos de robots y en entornos complejos aún necesita validarse con más experimentos.
Pero sin duda es una línea que merece la pena seguir de cerca.
Cuando los robots no solo aprendan más, sino que también sepan mejor qué deben aprender, la ampliación de la escala de los datos podrá convertirse realmente en capacidad operativa.
El estudio TUCO de @axisrobotics me ha mostrado una solución que merece atención.
En vez de hacer que el robot aprenda todas las posibilidades, conviene identificar primero qué es lo que más necesita aprender en este momento.
El enfoque de TUCO consiste en utilizar unas pocas demostraciones de operaciones reales para evaluar qué trayectorias simuladas son más útiles para la tarea objetivo y, a partir de ahí, seleccionar los datos adecuados para el entrenamiento.
Los resultados experimentales son bastante interesantes:
→ Usando únicamente demostraciones reales, la tasa media de éxito fue de aproximadamente un 16,7 %
→ Al añadir las 1.200 trayectorias simuladas, la tasa de éxito fue de aproximadamente un 25,8 %
→ Tras seleccionar unas 600 trayectorias simuladas, la tasa de éxito aumentó hasta el 85,8 %
Lo que reflejan estos datos es un posible cambio en la forma de entrenar robots.
Hasta ahora, conseguir que un robot aprenda más operaciones solía requerir más datos y mayores costes de entrenamiento.
Pero cuando los datos contienen muchas experiencias repetidas o incluso inadecuadas para la tarea actual, seguir aumentando su cantidad no necesariamente produce mejores resultados.
TUCO intenta resolver precisamente cómo identificar, entre una gran cantidad de experiencias simuladas, aquellas que realmente pueden mejorar el rendimiento del robot real.
Esto también me ha llevado a replantearme el motor de datos de @axisrobotics.
Si puede convertir las respuestas obtenidas de las operaciones en el mundo real en criterios para seleccionar y optimizar los datos de entrenamiento, su valor no se limitará a producir datos: también incluirá aprovechar mejor cada dato.
Por supuesto, los resultados actuales se basan todavía en tres tareas de manipulación controladas. El rendimiento con distintos tipos de robots y en entornos complejos aún necesita validarse con más experimentos.
Pero sin duda es una línea que merece la pena seguir de cerca.
Cuando los robots no solo aprendan más, sino que también sepan mejor qué deben aprender, la ampliación de la escala de los datos podrá convertirse realmente en capacidad operativa.