**訓練萬能機械人的更快更佳方法**
受到大型語言模型的啟發，研究人員開發了一種訓練技術，將多元數據結合起來，教授機械人新技能。
麻省理工學院的研究人員開發了一種多用途的技術，將來自多個來源的多元數據整合成一個系統，教導任何機械人執行廣泛的任務。這種方法將來自不同領域的數據，如模擬和真實機械人，以及多種模式，包括視覺感應器和機械臂位置編碼器，對齊成一種共享的“語言”，供生成性AI模型處理。
這種方法不需要每次從頭開始訓練機械人，因此可能比傳統技術更快更便宜，因為它需要的任務特定數據要少得多。此外，在模擬和現實世界的實驗中，這種方法比從頭開始訓練的效果高出20%以上。
**靈感來自大型語言模型**
在機械人學中，人們常說我們的訓練數據不足，但在我看來，另一個大問題是數據來自太多不同的領域、模式和機械人硬件。這項研究顯示如何可以將所有這些數據結合起來訓練機械人。這種方法受到大型語言模型如GPT-4的啟發，這些模型通過大量多樣的語言數據進行預訓練，然後通過少量任務特定數據進行微調。
**實現靈巧動作**
開發HPT的一個最大挑戰是構建用於預訓練轉換器的龐大數據集，包括52個數據集和超過20萬條機械人軌跡，涵蓋人類演示影片和模擬。研究人員還需要開發一種有效的方法來將原始本體感知信號轉換為轉換器可以處理的數據。
當他們測試HPT時，與每次從頭開始訓練相比，它在模擬和現實世界任務中的機械人性能提高了超過20%。即使任務與預訓練數據非常不同，HPT仍然提高了性能。
**編輯評論**
這篇文章展示了一種突破性的機械人訓練方法，將多種來源的數據整合到一個系統中，類似於大型語言模型的訓練方式。這種方法不僅提高了效率，還降低了成本，對於機械人技術的發展具有重要意義。然而，這也引發了一些問題，例如在實際應用中數據的多樣性和質量如何影響訓練效果，以及如何進一步優化這種方法以應對更複雜的任務。這種技術的進步可能會加速機械人技術的普及，甚至改變我們未來與機械人互動的方式。這不僅是技術上的突破，也是在思維方式上的革新，值得我們持續關注。
以上文章由特價GPT API KEY所翻譯
