‏Xiaomi-Robotics-1 و شکستن سد دادهٔ رباتیک

تیم رباتیک شیائومی مقاله‌ای دربارهٔ Xiaomi-Robotics-1 منتشر کرده که نقطهٔ شروعش یه گلایهٔ آشناست: مدل‌های پایه تو زبان و بینایی با سواری گرفتن از قوانین اسکیل تجربی مرز رو جابه‌جا می‌کنن، ولی رباتیک از این قافله جا مونده. دادهٔ باکیفیت و در مقیاس بزرگ سخت به دست میاد و به گفتهٔ نویسنده‌ها همین کمبود، بیشتر از هر چیز دیگه‌ای سقف اسکیل شدن مدل‌های سیاست رو تعیین کرده.

راه‌حل پیشنهادی‌شون ترکیب دو مرحله‌ست، شبیه دستور پخت مدل‌های زبانی. پیش‌آموزش روی دادهٔ بدون بدنه (UMI) انجام می‌شه: ۱۰۰ هزار ساعت مسیر حرکت تو بیش از ۱۷۰۰ سناریو، از خانه و فضای تجاری تا سایت صنعتی و محیط بیرون. چون تو این مقیاس برچسب‌زنی دستی عملی نیست، یه خط لولهٔ برچسب‌زنی خودکار ساختن که ویدیوهای بلند رو به کلیپ‌های هم‌اندازه می‌شکنه و با یه مدل بینایی-زبان، گذار وضعیت گریپر و اشیای درگیر رو تو هر کلیپ توصیف می‌کنه.

مرحلهٔ پست‌ترینینگ دو محور داره. هم‌ترازی بدنه با دادهٔ باکیفیت ربات واقعی از چند بدنهٔ مختلف، توانایی عمومی تولید اکشن رو روی ربات‌های واقعی می‌نشونه؛ برای این کار بیش از ۷۲۰۰ ساعت دادهٔ ربات واقعی تو خانه‌های واقعی جمع شده، روی تسک‌هایی مثل مرتب کردن مبل، مرتب کردن جاکفشی و جمع کردن ظرف‌های آشپزخانه. هم‌ترازی دستور هم مدل رو از حالت «اکشن بساز بر اساس توصیف گذار وضعیت» می‌بره به «دستور زبان طبیعی رو بفهم و مستقیم اجراش کن».

یافتهٔ اصلی مقاله همون چیزیه که رباتیک منتظرش بود: پیش‌آموزش رفتار اسکیل تمیزی نشون می‌ده و با بزرگ‌تر شدن داده و مدل، خطای اکشن روی مجموعهٔ اعتبارسنجی به‌طور پیوسته کم می‌شه. مهم‌تر اینکه به گفتهٔ نویسنده‌ها این رفتار به ربات واقعی هم منتقل می‌شه: تو محیط‌های دیده‌نشده و با نمونه‌های تازه‌ای از اشیا، نرخ موفقیت واقعی به‌شکل پیوسته و قابل پیش‌بینی بالا می‌ره و هیچ نشونه‌ای از اشباع هم نداره.

بخش کاربردها دو سنجهٔ عملی داره. اول سازگاری کارآمد با تسک تازه: مدل تسک‌هایی مثل بسته‌بندی گوشی، پر کردن پرینتر، گذاشتن لباس تو ماشین لباسشویی و جعبه‌چینی رو از چند ساعت دموی ربات واقعی یاد می‌گیره. با میانگین زیر ۱۰ ساعت دمو برای هر تسک به نرخ موفقیت کلی ۷۵ درصد می‌رسه، یعنی تقریباً دو برابر بیس‌لاین π0.5 با همون بودجه (۴۰ درصد)؛ و با بالا بردن بودجه به میانگین زیر ۴۰ ساعت، موفقیت کلی به ۸۵ درصد می‌رسه.

دوم بنچمارک‌های شبیه‌سازی: مدل روی چهار سوئیت رایج که تمرکزشون روی تعمیم‌پذیریه، نتیجهٔ state-of-the-art گرفته. روی RoboCasa عدد ۷۴.۵ (۲.۶ درصد بهتر از نفر دوم)، روی RoboCasa365 عدد ۵۷.۴ با اختلاف ۲۳.۲ درصدی، روی VLABench عدد ۵۹.۱ با ۱۱.۱ درصد و روی RoboDojo عدد ۱۳.۹۳ با اختلاف نسبی ۵۸.۳ درصدی نسبت به دوم. خود عدد پایین RoboDojo نشون می‌ده این بنچمارک برای همهٔ مدل‌ها همچنان سخته.

جمع‌بندی خود تیم اینه که یه مسیر عملی برای اسکیل کردن مدل‌های پایهٔ رباتیک نشون دادن: پیش‌آموزش بدون بدنه در مقیاس بزرگ، گلوگاه دادهٔ ربات رو می‌شکنه و بعد هم‌ترازی با ربات واقعی و دستور، اون توانایی عمومی رو به بدنهٔ فیزیکی منتقل می‌کنه.

نکات کلیدی:

• پیش‌آموزش روی ۱۰۰ هزار ساعت مسیر بدون بدنه (UMI) تو بیش از ۱۷۰۰ سناریو
• برچسب‌زنی خودکار با یه مدل بینایی-زبان که گذار وضعیت گریپر و اشیا رو توصیف می‌کنه
• پست‌ترینینگ با بیش از ۷۲۰۰ ساعت دادهٔ ربات واقعی در خانه‌های واقعی، در دو محور بدنه و دستور
• اسکیل تمیز: خطای اکشن با بزرگ شدن داده و مدل کم می‌شه و به عملکرد ربات واقعی هم منتقل می‌شه
• با میانگین زیر ۱۰ ساعت دمو برای هر تسک تازه، موفقیت ۷۵٪ در برابر ۴۰٪ بیس‌لاین π0.5
• رتبهٔ اول روی چهار بنچمارک شبیه‌سازی: RoboCasa، RoboCasa365، VLABench و RoboDojo