Исследователи представили DEED (Data-Efficient Post-Training and Experience-Driven Learning) — фреймворк для обучения Vision-Language-Action (VLA) моделей, предназначенный для работы роботов-гуманоидов в реальных условиях супермаркетов. Система решает проблему разрыва между лабораторными бенчмарками и эксплуатацией в нестабильной среде, позволяя роботам эффективно справляться с ошибками выполнения, изменениями распределения данных и высокой вариативностью окружения.

Основная сложность внедрения VLA-моделей заключается в их неспособности адаптироваться к непредсказуемым сценариям, возникающим в торговых залах. Традиционные методы требуют огромных массивов данных для дообучения, что экономически невыгодно. DEED использует комбинацию эффективного пост-тренинга и обучения на основе опыта, что позволяет модели быстро корректировать поведение при столкновении с новыми объектами или нештатными ситуациями без необходимости полной переподготовки нейросети.

Практическая значимость подхода заключается в минимизации затрат на сбор данных и повышении надежности автономных систем в ритейле. В ходе тестирования в условиях супермаркета роботы, оснащенные данным фреймворком, продемонстрировали повышенную устойчивость к ошибкам при выполнении задач по навигации и взаимодействию с товарами, что является критическим фактором для автоматизации складских и торговых операций.

Ключевые факты

  • DEED фокусируется на сокращении разрыва между лабораторными тестами и реальной эксплуатацией VLA-моделей.
  • Фреймворк оптимизирует процесс дообучения, делая его менее требовательным к объему обучающих данных.
  • Система успешно протестирована в условиях реального супермаркета, показав высокую адаптивность к вариативности среды.
  • Основные задачи, решаемые с помощью DEED, включают навигацию и манипуляции с объектами в условиях динамического изменения обстановки.