觀點網訊:近日,覓蜂科技真機操作團隊發佈《真實機器人數據質量背後的隱藏變量:數十萬小時數據帶來的經驗》論文,拆解影響具身智能真機數據質量的隱藏因素。

該研究基於20萬小時以上真機數據、2萬多個任務記錄的工程積累,結合25款雙臂機器人結構分析、多組遙操作對比實驗以及模型訓練後的真機測試,探討後訓練數據的有效性。

論文稱,在具身模型的訓練鏈路中,預訓練無本體數據幫助模型獲得視覺、語言和任務知識;後訓練真機數據則把這些能力對齊到具體機器人、具體任務和真實物理交互,前者容錯率高,後者容錯率極低。

研究指出,任務成功並不等於數據優質,觀測完整性、採集與部署校準一致性及動作效率均會影響後訓練效果。

據團隊披露,模型會保留示範中約90%的額外路徑。當繞行數據佔比由0增至80%,任務耗時由25.3秒增至32.6秒,延長約29%。

另一項實驗中,補全機器人決策所需的視覺信息後,選對機械臂的準確率由約50%升至100%。

在機器人結構分析方面,論文稱,把夾爪長度增加10釐米後,機器人能夠到達的位置增加約39.4%;用肩部在15釐米範圍內平移來模擬腰部帶來的位置調整,部分姿態下的有效工作空間擴大至固定肩部時的3.4至5.5倍。

論文還稱,使不同身體部位可以並行運動,任務完成時間由此縮短43%至53%;柔順控制在測試任務中提高了成功率,並使開門和擦拭任務的峯值接觸力分別降低71.3%和69.1%。