Will Scaling Solve Robotics?
10 months ago
- #foundation-models
- #machine-learning
- #robotics
- CoRL 2023创下规模纪录：逾900位与会者、11场专题研讨会、近200篇录用论文
- 核心议题：海量数据训练大型神经网络能否破解机器人学难题？
- 基础模型在CV/NLP领域的成功为机器人学带来曙光，但挑战犹存
- 支持规模化路线的论据：
- - CV/NLP领域已通过大模型+大数据验证成功路径
- - RT-X、RT-2和Diffusion Policies等研究提供初步证据
- - 可复用数据、算力和基础模型的协同发展成果
- - 实际机器人任务可能存在于更简单的流形空间
- - 大模型或赋予机器人常识推理能力
- 反对规模化路线的论据：
- - 机器人领域缺乏CV/NLP级别的海量数据
- - 机器人形态多样性导致数据采集复杂化
- - 作业环境的高方差特性
- - 大模型训练的高成本与能耗问题
- - '99.X%困境'：实际应用需要近乎完美的可靠性
- - 长周期任务中的误差累积效应
- - 自动驾驶公司规模化尝试的前车之鉴
- 其他相关论点：
- - 无理论保证的学习方法仍可实现稳健部署
- - 人机协同系统作为实用部署策略
- - 利用仿真器与现有视觉/语言数据缓解数据荒
- - 传统方法与学习方法的融合创新
- 关键启示：
- - 双轨并行：既探索规模化也开辟新路径
- - 聚焦现实场景的移动操作与用户友好系统
- - 公开负面结果以避免重复试错
- - 鼓励突破常规的创新解决方案