来自北京大学和启元机器人的研究人员开发了HIL-UMI,这是一种新颖的、无需依赖实体机器人即可对具身AI模型进行训练后部署的方法。该方法解决了传统机器人训练的高成本和后勤挑战,而传统训练通常需要广泛的真实世界数据收集和干预。HIL-UMI使用一个“人在回路”系统,操作员使用手持设备执行任务,同时后台的AI模型预测动作并标记差异,仅在模型遇到困难时触发有针对性的数据收集。这大大提高了数据收集效率,并允许具身智能体的分布式、可扩展训练。 AI
影响 实现了更高效、可扩展的具身AI训练后部署,可能加速实体机器人在现实世界的应用。
排序理由 详细介绍具身AI训练新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Dagger
- Direct Preference Optimization
- Dong Hao
- HG-DAgger
- HIL-UMI
- Peking University
- Qiyuan Robot
- reinforcement learning from human feedback
- Ursa Minor
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →