AgiBot, together with Tsinghua University and Infinigence AI, releases the Collective Experience Learning (CEL) paradigm
English text is being prepared.
AgiBot, together with Tsinghua University and Infinigence AI, releases the Collective Experience Learning (CEL) paradigm, enabling robots to share successful and failed experiences from real operations and achieve autonomous cluster learning. In five real-world tasks—flower arrangement, clothes folding, phone charging, stool assembly, and phone packaging—the policies trained with CEL all surpassed the average level of six human teleoperators, leading by up to 16.7 percentage points; the success rate on the phone packaging task rose from 79.2% to 98.3%. In a real training experiment with 96 robots, the cluster completed a cumulative 9,834 rounds of task collection, with 30 failures occurring, and machine-time loss accounting for only 1.3% of total operating time.
Why read this
AI score 68
The original text presents the change in success rate as the cluster size increases from 16 to 96 units, revealing the correspondence between the number of observable robots and operational capability.
Topics
Body
120次连续包装手机，只失败2次，任务成功率从79.2%提升至98.3%。这份成绩单背后，没有人类逐台示范，机器人的学习经验来自“抄彼此作业”。10月30日，智元携手清华大学、无问芯穹正式发布群体经验学习范式CEL（Collective Experience Learning）。该范式让机器人通过共享真实作业中的成功与失败经验，实现集群自主学习。 传统具身智能训练高度依赖人类示范，机器人需要通过大量人工遥操作积累数据，再进行模型训练。这种方式在小规模实验中尚可行，但当机器人数量扩展至上百台，人类示范的采集效率便可能成为制约性能提升的瓶颈。 CEL尝试改变这一模式：学习素材不再只来自人类，而是来自机器人同伴的真实作业轨迹。一台机器人成功完成某项操作，其经验可以存入共享经验池，供其他机器人学习；另一台机器人遭遇失败，系统则能根据失败场景，从经验池中检索相似工况下的成功操作，帮助策略针对薄弱环节进行优化。由此，单台机器人的练习成果可以转化为整个集群的学习资源，人类的角色也从动作示范者逐渐转向任务结果判定者。 结果是，在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务中，CEL训练的策略全部超过6名人类远程操作员的平均水平，最高领先16.7个百分点。 要让机器人真正实现互相学习，还需要解决长流程任务反馈稀疏和多设备并行运行不稳定两大难题。对此，团队研发了失败引导经验检索微调算法和容错异步训练系统。前者利用失败轨迹定位策略短板，再从群体经验池中检索匹配的成功操作进行重点训练；后者则让机器人完成任务后独立上传数据，无须等待其他设备，同时支持机器人离线、充电或发生故障后的动态恢复，避免个别设备异常影响整个集群。 数据显示，在96台机器人的真实训练实验中，集群累计完成9834轮任务采集，发生30起机器人故障事件，故障造成的机时损耗仅占总运行时间的1.3%。这意味着，即使部分机器人暂时退出，其他设备仍能继续作业和学习。 更值得关注的是，实验验证了一条具身智能规模化发展的新路径。机器人数量增加，可以直接转化为任务执行能力的提升。在手机包装任务中，参与训练的机器人从16台增加至96台，在相同物理交互时间内，测试成功率从86.7%提升至98.3%。 CEL范式的发布意味着，具身智能的能力提升不再完全受限于人类示范数据的增长，机器人集群本身也有望成为持续积累经验、提升作业能力的重要来源。