Tsinghua, together with Infinigence AI and AgiBot, proposes Collective Experience Learning (CEL); validation on 96 humanoid robots achieves a 97.5% success rate
English text is being prepared.
Tsinghua University, together with Infinigence AI and AgiBot, proposes a new paradigm called Collective Experience Learning (CEL), enabling robots to share successful experiences and failed lessons among themselves, and completes validation on 96 real humanoid robots. Across five tasks—flower arranging, clothes folding, phone charging, stool assembly, and phone packaging—the collective overall success rate reaches 97.5%, all exceeding the average level of 6 human operators, with the success rate on the phone packaging task rising from 79.2% to 98.3%. The experiment also shows that after the number of robots participating in training expands from 16 to 96, overall capability further improves; at the system level, a fault-tolerant asynchronous training system, FATS, is adopted, with time loss caused by hardware failures accounting for only 1.3% of total runtime, and at the algorithm level, the FERT experience retrieval fine-tuning algorithm is adopted.
Why read this
AI score 60
Tsinghua, together with Infinigence AI and AgiBot, proposes the Collective Experience Learning paradigm and validates its scaling effects on 96 real humanoid robots.
Topics
Body
相关专题top start 相关专题top end 期货推广begin 期货推广end 秒拍begin 秒拍end 视频播放器start 视频播放器end 行情图begin 行情图end
近日，清华大学联合无问芯穹、智元推出群体经验学习（CEL）新范式，并且在96台真实人形机器人群体上完成验证。简单来说，这套新方法改变过去主要靠人类手把手教机器人的模式，让机器人之间互相借鉴经验，一台机器踩过的坑、摸索出的技巧，可以分享给全体同伴，机器越多，积累的经验越丰富，整体能力就越强，为人形机器人大规模落地找到新思路。群体经验学习范式CEL：让机器人从依赖人类示教，到在群体中学习进化
以往训练机器人，大多依靠人类做动作示范、人工纠错。但如果大批量部署机器人，懂操作的专业人员数量有限，人力跟不上机器扩张速度，成为制约行业发展的现实难题。CEL群体学习就是为破解这一痛点而生：机器人完成任务之后，会把成功经验、失败教训统一沉淀共享。当某一台机器人遇到难题，就可以调取同伴过往的实践经验参考学习，不用全部等待人类指导，实现机器人群体共同进化。
在真实环境测试中，团队设置了插花、叠衣服、手机充电、凳子组装、手机包装五项家庭及工业任务。经过群体学习训练，机器人群体整体任务成功率达到97.5%，五项任务的表现全部超过6名人类操作员的平均水平。其中流程复杂的手机包装任务，成功率从79.2%提升至98.3%。实验还证实规模化效应：参与训练机器人由16台扩大到96台，整体能力随之进一步提升。
这套成果由算法与系统双向支撑。系统层面搭建容错异步训练系统FATS，即便出现网络波动、部分机器人硬件故障，近百台机器仍可持续协同训练，硬件故障带来的时间损耗仅占总运行时长1.3%。算法层面采用FERT经验检索微调算法，既从成功案例学操作方法，也从失败记录中定位问题，帮助机器人快速优化动作策略。无问芯穹扎根徐汇，生长在模速空间
本次联合攻关的参与企业中，无问芯穹是扎根徐汇模速空间的AI基础设施企业，致力于以自主式人工智能基础设施底座，助力AI时代各行各业的智能革命；智元是国内具身智能赛道头部企业，具备完整机器人整机与真实测试场景能力 。双方联动清华大学开展产学研协同，把实验室算法落地到真实机器集群，打通从技术研究到工业测试的链路。
群体学习范式的价值在于，把机器人规模化部署从“能力终点”变成“能力进化的起点”。机器人不再孤立工作，依靠群体经验持续迭代，缓解对人工示教的高度依赖，为今后人形机器人走进家庭、工厂等各类场景提供可行路径。article_adlist[
送你一个新闻盲盒
快来打开看看吧 ]article_adlistarticle_adlist[
记者：王永娟
编辑：郑靓
转载请注明来自上海徐汇官方账号 ]article_adlistarticle_adlist[
]article_adlist news_keyword_pub,stock,sz300024 正文下iframe 正文下iframe 总声明 总声明 文末二维码 start 文末二维码 start
文末二维码 start 文末二维码 start 编辑姓名及工作代码 编辑姓名及工作代码