ToyBlocks: Robot öğrenimi ve değerlendirmesi için kontrollü bir dünya
Özgün başlık: ToyBlocks: A controlled world for robot learning and evaluation
💻 Kod | 📊 Veri | 🤖 Modeller | 📖 Dokümantasyon Robotlar çamaşırları katlamayı, parçaları ayırmayı ve tanıdık olmayan nesneleri tutmayı öğreniyor. Ancak bu gösterimler genellikle oldukça dar kapsamlıdır ve bir robotun ne öğrendiğini veya neden başarısız olduğunu açıklamaz. Karmaşık bir sistemi incelemek için bilim insanları genellikle koşulları değiştirebilecekleri ve etkileri gözlemleyebilecekleri petri kabı veya teraryum gibi küçük, kontrollü bir ortamla başlar.
Robot biliminin bu tür araştırmaları mümkün kılan ortamlara ihtiyacı vardır; araştırmacılar eğitim verilerini veya model tasarımını değiştirebilmeli, testi tekrarlayabilmeli ve başarısızlığın nedenini izleyebilmelidir. Bugün bu ortamları yaratmak için bir çerçeve sunuyoruz; biz onlara Vakıf Dünyaları diyoruz.
💻 Code | 📊 Data | 🤖 Models | 📖 Documentation Robots are learning to fold laundry, sort parts, and handle unfamiliar objects. But those demonstrations are often rather narrow and don't explain what a robot has learned or why it fails. To study a complex system, scientists often begin with a small, controlled environment, such as a petri dish or terrarium, where they can vary conditions and observe the effects.
Robotics needs environments that make this kind of investigation possible—researchers should be able to change the training data or model design, repeat a test, and trace the cause of a failure. Today we're introducing a framework for creating these environments; we call them FoundationWorlds.
💻 Código | 📊 Datos | 🤖 Modelos | 📖 Documentación Los robots están aprendiendo a doblar la ropa, clasificar piezas y manipular objetos desconocidos. Pero esas demostraciones suelen ser bastante limitadas y no explican lo que ha aprendido un robot o por qué falla. Para estudiar un sistema complejo, los científicos suelen comenzar con un entorno pequeño y controlado, como una placa de Petri o un terrario, donde pueden variar las condiciones y observar los efectos.
La robótica necesita entornos que hagan posible este tipo de investigación: los investigadores deberían poder cambiar los datos de entrenamiento o el diseño del modelo, repetir una prueba y rastrear la causa de una falla. Hoy presentamos un marco para crear estos entornos; los llamamos FoundationWorlds.
💻 Код | 📊 Данные | 🤖 Модели | 📖Документация Роботы учатся складывать белье, сортировать детали и обращаться с незнакомыми предметами. Но эти демонстрации зачастую довольно узки и не объясняют, чему научился робот или почему он терпит неудачу. Чтобы изучить сложную систему, ученые часто начинают с небольшой контролируемой среды, такой как чашка Петри или террариум, где они могут изменять условия и наблюдать за эффектами.
Робототехнике нужна среда, которая делает возможным такого рода исследования: исследователи должны иметь возможность изменять данные обучения или конструкцию модели, повторять тест и отслеживать причину сбоя. Сегодня мы представляем структуру для создания этих сред; мы называем их FoundationWorlds.