Submitted 2 September, 2024; originally announced September 2024. , Comments: Accepted for publication by IJRR. First 3 authors contributed equally. Last 3 authors advised equally
توضیحات به فارسی
ارسال شده در 2 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای انتشار توسط IJRR پذیرفته شده است.3 نویسنده اول به طور مساوی کمک کردند.3 نویسنده آخر به همان اندازه توصیه کردند
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Generalization to unseen real-world scenarios for robot manipulation requires exposure to diverse datasets during training. However, collecting large real-world datasets is intractable due to high operational costs. For robot learning to generalize despite these challenges, it is essential to leverage sources of data or priors beyond the robot's direct experience. In this work, we posit that image-text generative models, which are pre-trained on large corpora of web-scraped data, can serve as such a data source. These generative models encompass a broad range of real-world scenarios beyond a robot's direct experience and can synthesize novel synthetic experiences that expose robotic agents to additional world priors aiding real-world generalization at no extra cost. In particular, our approach leverages pre-trained generative models as an effective tool for data augmentation. We propose a generative augmentation framework for semantically controllable augmentations and rapidly multiplying robot datasets while inducing rich variations that enable real-world generalization. Based on diverse augmentations of robot data, we show how scalable robot manipulation policies can be trained and deployed both in simulation and in unseen real-world environments such as kitchens and table-tops. By demonstrating the effectiveness of image-text generative models in diverse real-world robotic applications, our generative augmentation framework provides a scalable and efficient path for boosting generalization in robot learning at no extra human cost.
چکیده به فارسی (ترجمه ماشینی)
تعمیم سناریوهای دنیای واقعی غیب برای دستکاری ربات نیاز به قرار گرفتن در معرض مجموعه داده های متنوع در طول آموزش دارد.با این حال ، جمع آوری مجموعه داده های بزرگ در دنیای واقعی به دلیل هزینه های بالای عملیاتی قابل تحمل است.برای یادگیری ربات برای تعمیم این چالش ها ، استفاده از منابع داده یا مقدماتی فراتر از تجربه مستقیم ربات ضروری است.در این کار ، ما مطرح می کنیم که مدل های تولیدی متن ، که از قبل در شرکت های بزرگ داده های وب به صورت وب از قبل آموزش داده می شوند ، می توانند به عنوان یک منبع داده خدمت کنند.این مدل های تولیدی شامل طیف گسترده ای از سناریوهای دنیای واقعی فراتر از تجربه مستقیم یک ربات هستند و می توانند تجربیات مصنوعی جدید را که عوامل روباتیک را در معرض مقدمات جهانی اضافی قرار می دهد ، بدون هیچ هزینه اضافی در معرض تعمیم دنیای واقعی قرار دهند.به طور خاص ، رویکرد ما از مدل های تولیدی از پیش آموزش داده شده به عنوان ابزاری مؤثر برای تقویت داده ها استفاده می کند.ما یک چارچوب تقویت تولیدی را برای تقویت معنایی قابل کنترل و ضرب سریع مجموعه داده های ربات در حالی که باعث ایجاد تغییرات غنی می شود که باعث تعمیم در دنیای واقعی می شود ، پیشنهاد می کنیم.بر اساس تقویت متنوع داده های ربات ، ما نشان می دهیم که چگونه سیاست های دستکاری ربات قابل مقیاس می توانند هم در شبیه سازی و هم در محیط های دنیای واقعی مانند آشپزخانه ها و میزهای جدول ، آموزش داده و مستقر شوند.با نشان دادن اثربخشی مدل های تولیدی متن تصویر در برنامه های متنوع روباتیک در دنیای واقعی ، چارچوب تقویت تولیدی ما مسیری مقیاس پذیر و کارآمد را برای تقویت تعمیم در یادگیری ربات و بدون هزینه اضافی انسانی فراهم می کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
