Vandaag zijn we samen met @rdn_nikita, mede-oprichter en CEO van @FlexionRobotics, om de kloof te bespreken tussen de huidige robotcapaciteiten en wat er nodig is om volledig autonome robots in de echte wereld in te zetten. Nikita legt uit hoe versterkend leren en simulatie snelle vooruitgang in robotlocomotie hebben aangedreven - en waarom locomotie nog steeds ver van "opgelost" is. We duiken in de sim2real-kloof en hoe het toevoegen van visuele invoer ruis introduceert en sim-to-real-overdracht aanzienlijk compliceert. We verkennen ook het debat tussen end-to-end modellen en modulaire benaderingen, en waarom het scheiden van locomotie, planning en semantiek vandaag de dag een pragmatische aanpak blijft. Nikita introduceert ook het concept van "real-to-sim", dat gebruik maakt van gegevens uit de echte wereld om simulatieparameters te verfijnen voor training met hogere nauwkeurigheid, bespreekt hoe versterkend leren, imitatie leren en teleoperatiegegevens worden gecombineerd om robuuste beleidslijnen te trainen voor zowel viervoetige als humanoïde robots, en introduceert Flexion's hiërarchische aanpak die gebruik maakt van voorgetrainde Vision-Language Models (VLM's) voor hoge niveau taakorkestratie met Vision-Language-Action (VLA) modellen en low-level whole-body trackers. Ten slotte deelt Nikita de achter-de-schermen van humanoïde robotdemonstraties, zijn visie op versterkend leren in simulatie versus de echte wereld, de nuances van beloningstuning, en biedt praktische adviezen voor onderzoekers en praktijkmensen die vandaag de dag met robotica willen beginnen. 🗒️ Voor de volledige lijst van bronnen voor deze aflevering, bezoek de show-notes pagina: 📖 HOOFDSTUKKEN =============================== 00:00 - Introductie 04:07 - Is robotlocomotie opgelost? 06:04 - Sim-to-real kloof 08:58 - Semantiek toevoegen aan beleidslijnen 09:42 - Modulaire versus end-to-end architecturen 10:29 - Planner model 12:21 - Aanpassen van RL-technieken van viervoeters naar humanoïden 15:39 - Achter robotdemonstraties 18:09 - Humanoïde robots in thuisomgevingen 22:03 - Trainingsaanpak 23:56 - VLA-modellen 27:59 - De sim-to-real kloof dichten 32:55 - Taakorkestratie met VLM's 36:38 - Gereedschapgebruik 38:10 - Modelhiërarchie 43:37 - Simulator versus simulatieomgeving 44:57 - Combineren van imitatie leren en versterkend leren 46:42 - RL in de echte wereld versus RL in simulatie 52:58 - Beloningstuning en waarde functies in robotica 56:38 - Voorspellingen 1:00:10 - Humanoïden, viervoeters en wielen platforms 1:02:45 - Advies, aanbevolen robotkits en community pla