Tập 2 · Tuyển chọn 6 thg 11, 2026 · 4 bài nghiên cứu
Robot nên tin vào điều gì?
Bốn nghiên cứu về học an toàn, nhãn trình diễn, biểu diễn điều hướng và hỗ trợ đeo được: SEVI, KiRoSe, RepresentNav và EgoThumb.
Nghe bản tiếng Việt · 6:31
Chưa tải được audio. Bạn có thể tải MP3 hoặc đọc bản chép lời bên dưới.
Giọng đọc AI · VieNeu v3 Turbo · Hải Đăng. Nội dung nghiên cứu có nguồn dẫn bên dưới.
Ba ý chính
- 01
Tách thành công cuối cùng khỏi chi phí an toàn khi học.
- 02
Kiểm tra nhãn tự động theo phạm vi dữ liệu huấn luyện.
- 03
Thử chính sách thị giác và thiết bị đeo ngoài điều kiện quen thuộc.
Các bài được chọn và nguồn gốc
Ngày tuyển chọn khác với ngày công bố. Các bài dưới đây là bản thảo arXiv.
SEVI: Safe Evidential Real-World Reinforcement Learning
Công bố lần đầu 22 thg 10, 2026 · 2610.31829v1
KiRoSe: Using Kinematic Data for Efficient Segmentation of Robot Demonstrations
Công bố lần đầu 22 thg 10, 2026 · 2610.31801v1
See What I Need, Dream What I Want: A Navigation Foundation Model on a Self-Constructed Representation Space
Công bố lần đầu 22 thg 10, 2026 · 2610.31762v1
EgoThumb: A Vision-Driven Supernumerary Robotic Thumb for Autonomous Grasp and Holding Assistance
Công bố lần đầu 27 thg 10, 2026 · 2610.37582v1
Bản chép lời
0:00Mở đầu
Chào mừng bạn đến với Physical AI Weekly của Robotics Research Hub. Đây là tập thứ hai, được tuyển chọn ngày sáu tháng mười một năm hai nghìn không trăm hai mươi sáu. Câu hỏi tuần này là: robot nên tin vào điều gì?
Bốn nghiên cứu tiếp cận câu hỏi qua học an toàn, gắn nhãn chuyển động, biểu diễn thị giác và một ngón cái robot đeo được. Ba bài được nộp lên arXiv lần đầu ngày hai mươi hai tháng mười; riêng bài thứ tư được nộp ngày hai mươi bảy tháng mười. Đây là tuyển chọn của tuần, không phải bốn bài đều mới xuất bản trong tuần lịch này.
Hai bản tiếng Anh và tiếng Việt trình bày cùng bằng chứng. Kết quả do tác giả báo cáo; chúng tôi chưa tái lập độc lập thí nghiệm. Với mỗi bài, hãy chú ý nhiệm vụ, chỉ số đo và giới hạn.
0:38SEVI: lớp an toàn cho học tăng cường trên robot thật
Bài đầu tiên, SEVI, hỏi khi nào robot đang học nên từ chối hành động do chính nó đề xuất. Học tăng cường trên phần cứng thật có thể gây tiếp xúc không an toàn. SEVI thêm một bộ ước lượng an toàn dựa trên bằng chứng: một lần tính toán đánh giá cả rủi ro vi phạm trong tương lai lẫn mức bất định của dự đoán. Rủi ro cao hoặc thiếu bằng chứng sẽ kích hoạt chính sách phục hồi được huấn luyện trước. Hàm mục tiêu của bộ học nhiệm vụ được giữ nguyên.
Thí nghiệm phần cứng là cắm USB bằng cánh tay Franka Research ba. Mỗi phương pháp có ba phiên huấn luyện độc lập, mỗi phiên ba giờ. Chính sách cuối mỗi phiên được đánh giá qua năm mươi lượt thử; sự kiện không an toàn được đếm trong suốt quá trình huấn luyện.
Trung bình qua các phiên, SEVI đạt tám mươi ba phần trăm thành công cuối cùng và mười lăm sự kiện không an toàn mỗi lần huấn luyện. Phương pháp đối chứng SQRL có phục hồi đạt sáu mươi tám phần trăm và ba mươi lăm sự kiện. Đây là trung bình qua ba lần chạy, không phải tổng số sự kiện trong cả chín giờ.
Thành công cuối cùng và chi phí an toàn trong lúc học là hai phép đo khác nhau. Bài còn đánh giá hai nhiệm vụ thao tác mô phỏng, nhưng không nên trộn kết quả đó vào so sánh phần cứng.
Hệ thống không có bảo đảm hình thức rằng vi phạm sẽ bằng không. Phục hồi có thể kém hiệu quả và bộ điều khiển có thể chuyển qua lại gần ranh giới thất bại. Với người huấn luyện robot thật, điểm đáng học là kết hợp rủi ro với bất định. Kết quả cho thấy giảm lỗi quan sát được, chứ chưa chứng minh an toàn tuyệt đối.
1:58KiRoSe: phân đoạn dữ liệu trình diễn từ dữ liệu động học
Bài thứ hai, KiRoSe, hỏi liệu chuyển động robot có giúp gắn nhãn dữ liệu trình diễn hay không. Đánh dấu điểm bắt đầu và kết thúc nhiệm vụ con bằng tay rất tốn công. Đưa các bản ghi nhiều camera dài vào mô hình ngôn ngữ cũng có thể tốn kém.
KiRoSe học biểu diễn gọn từ dữ liệu động học. Bộ mã hóa được huấn luyện để nhận biết chuyển tiếp nhiệm vụ con. Đặc trưng được chuyển thành các token chuyển động rời rạc. Mô hình ngôn ngữ đọc chúng để tạo ranh giới phân đoạn và mô tả hành động có mốc thời gian. Đây là hệ thống gắn nhãn đã được huấn luyện, không phải hệ thống hoàn toàn không cần giám sát.
Tập huấn luyện gồm năm nghìn bốn trăm bảy mươi tám lượt của robot hai tay YAM. Trên hai trăm lượt giữ riêng của cùng robot, chỉ số F một cho ranh giới đạt không phẩy sáu ba, với sai lệch cho phép tối đa một giây so với nhãn. Các bộ token hóa động học khác dùng cùng bộ đọc đạt khoảng không phẩy bốn một đến không phẩy bốn hai.
Tác giả còn đánh giá bộ dữ liệu robot khác và quỹ đạo bàn tay người. Phép thử đảo ngược cho thấy đặc trưng chuyển động có thể nhận biết tiến độ giảm khi hành động được phát ngược. Tuy nhiên, các mô hình tiến độ khác dự đoán tốt hơn khi chạy xuôi, và độ chính xác trên bàn tay người thấp hơn trên robot.
Với nhóm tổ chức dữ liệu trình diễn, biểu diễn chuyển động gọn này đáng khảo sát. Tác giả vẫn khuyên kiểm tra mẫu nhãn, nhất là khi dữ liệu khác xa tập huấn luyện. Nhãn tự động không nên thay người duyệt dữ liệu thất bại và phục hồi quan trọng cho an toàn.
4:29EgoThumb: một ngón cái robot đeo được
Bài thứ tư, EgoThumb, đưa câu hỏi tới thiết bị đeo bên cạnh bàn tay. Trong nhiệm vụ vừa giữ vừa thao tác, ngón cái robot phụ giữ vật trong khi các ngón tay người làm việc trên vật đó. Cơ cấu dẫn động bằng dây cáp đặt ở cẳng tay. Camera hướng về lòng bàn tay quan sát cả tay lẫn vật; chính sách học bắt chước ánh xạ ảnh thành vị trí khớp để nắm, giữ và thả.
Tác giả giới thiệu một hệ thống mã nguồn mở. Đánh giá gồm ba người tham gia, bốn nhiệm vụ và mười lần thử mỗi điều kiện. Khi vật nằm trong vùng đặt ban đầu và vùng đích có trong dữ liệu huấn luyện, thành công trung bình qua các nhiệm vụ của ba người nằm từ tám mươi bảy phẩy năm đến chín mươi hai phẩy năm phần trăm.
Ra ngoài các vùng đó bộc lộ một giới hạn lớn. Ở nhiệm vụ chuyển bóng, khi mở rộng vùng đặt ban đầu và vùng đích, thành công trung bình giảm còn mười bảy phần trăm. Đây là một nhiệm vụ trong điều kiện vùng mở rộng, không phải tỷ lệ thành công chung của toàn thiết bị.
Nhiệm vụ dài và biến đổi không gian lớn khó hơn. Cử động tay nhanh có thể làm nhòe ảnh; thao tác tốc độ cao và nhiều góc tiếp cận khác nhau chưa được kiểm chứng. Camera nhô ra cũng có thể ảnh hưởng cảm giác thoải mái.
Với nhóm phát triển robot đeo được, đóng góp đáng chú ý là phối hợp camera, điều khiển học được và cơ cấu hỗ trợ đơn giản. Ba người tham gia cùng kết quả thành công nhị phân vẫn chưa đủ cho những khẳng định rộng về hỗ trợ sinh hoạt hằng ngày.
5:40Tổng kết
Điểm chung là chọn tín hiệu đáng tin. SEVI kết hợp rủi ro với bằng chứng. KiRoSe biến chuyển động thành nhãn vẫn cần kiểm tra. RepresentNav học thông tin chính sách điều hướng cần giữ lại. EgoThumb dùng góc nhìn từ bàn tay để phối hợp một ngón phụ.
Theo diễn giải của chúng tôi, mỗi tín hiệu hữu ích trong phạm vi đã thử; không nên dùng nó làm bằng chứng cho năng lực ngoài phạm vi đó. Giá trị trung bình cao có thể che điều kiện khó hơn. Thành công nhiệm vụ cũng có thể bỏ qua chi phí để đạt được kết quả.
Hãy bắt đầu với SEVI nếu bạn học tăng cường trên robot thật; KiRoSe nếu cần gắn nhãn trình diễn; RepresentNav nếu nghiên cứu biểu diễn điều hướng; EgoThumb nếu phát triển thiết bị hỗ trợ đeo được. Mỗi mục có liên kết bài phân tích và đúng phiên bản nguồn.
Bản tin sử dụng giọng đọc tổng hợp. Cảm ơn bạn đã nghe Physical AI Weekly. Hãy đọc nguồn, chú ý các giới hạn và hẹn gặp lại ở lần tuyển chọn tiếp theo.
Góp ý cách đọc, bản dịch hoặc nội dung: Gửi góp ý trên GitHub