私たちは22Dの器用な手を持つヒューマノイドに、模型車の組み立て、注射器の操作、ポーカーカードの仕分け、シャツの折りたたみ・巻くことを訓練しました。これらは主にロボットが関与しない2万時間以上の自己中心的な人間映像から学んだものです。 人間は地球上で最もスケール可能な具現化です。人間の映像ボリュームと動作予測損失の間にほぼ完全な対数線形スケーリング法則(R² = 0.998)を発見し、この損失が実際のロボットの成功率を直接予測します。 ヒューマノイドロボットが最終目標となるでしょう。なぜなら、人間と身体の差が最小限に抑えられる実用的なフォームファクターだからです。これをロボットハードウェアの苦い教訓と呼んでください。運動学的な類似性により、人間の指の動きを器用なロボットの手関節に簡単に再ターゲットできるのです。学習した埋め込みや複雑な転送アルゴリズムも不要です。相対的な手首の動き+再ターゲット化された22-DoFの指の動きは、事前訓練からロボット実行まで一貫した動作空間として機能します。 私たちのレシピは「EgoScale」と呼ばれています: - Sharpaの手によるロボットプレイデータで、2万時間の人間の動画でGR00T N1.5を事前訓練。5つの非常に器用なタスクでゼロからのトレーニングで54%の成長が見られます。 - 最も驚くべき結果:*1回*のテレオプデモで、これまでに見たことのない課題を習得するのに十分です。私たちのレシピは極めてデータ効率を可能にしています。 - 22 DoFの手関節空間で事前訓練しますが、ポリシーは7 DoFの三指手を持つUnitree G1に移行します。G1データだけでトレーニングを30%+上回る。 ロボットの器用さへのスケーラブルな道は、決してロボットが増えることではありませんでした。いつも私たちだった。 スレッドの深掘り: