Шерри Чен

Шерри Чен достигла точности 90% в обучении робота SO-101 благодаря оптимизации сбора данных и стабилизации «железа»

Разработчик Шерри Чен за три недели трансформировала работу робота SO-101 от хаотичных движений до успешного выполнения задачи «взять и положить». Успех был достигнут не за счет усложнения алгоритма ACT, а благодаря устранению аппаратных сбоев (проблемы с USB, калибровкой и драйверами) и переходу к строгой формализации процесса обучения. Шерри Чен расширила датасет с 50 до 72 эпизодов, внедрила стратифицированную выборку и жесткую фиксацию оборудования, что позволило модели обобщать знания на неизвестные сценарии.

Событие: Шерри Чен довела точность выполнения задачи роботом на известных позициях до 90%, а на неизвестных — до 75% после увеличения обучающей выборки до 72 эпизодов.

Фактор: Разработчик устранила системные сбои USB-адресации и потерю калибровки, что позволило обеспечить непрерывность записи данных без обрывов каждые 5 эпизодов.

Инсайт: Шерри Чен выявила, что модель ACT с 52 млн параметров не может компенсировать низкое качество данных, и приоритетом стала инженерная подготовка датасета, а не настройка гиперпараметров.

Риск: Высокая частота опроса в 30 Гц создает угрозу блокировки шины управления из-за перегрузки мотора захвата, что требует программных ограничений усилия.

Анонс: Шерри Чен планирует установить камеру на запястье манипулятора и протестировать мультимодальные модели Vision-Language-Action для улучшения обобщающих способностей робота.

Подробнее →