Một cánh tay robot có thể luyện hàng nghìn giờ để vặn ốc, rồi gần như mất kỹ năng khi chuyển sang tay máy khác. Nhóm Qwen của Alibaba nhắm đúng vào chi phí đó.
Một ngôn ngữ hành động chung
RobotManip nén hành động của nhiều robot vào vector hành động chuẩn 80 chiều và dùng switch để chọn chiều nào đang cần. Việc mô tả chuyển động bằng độ dịch tương đối từ góc nhìn camera tạo ra một ngôn ngữ chung cho nhiều tay máy.
Con số chính nằm ở đây: success rate chuyển qua cấu hình robot khác tăng từ mức tốt nhất trước đó 7,5% lên 23,9%. Các bài kiểm tra chưa thấy trước cũng tăng, gồm LIBERO-Plus 91,4%, RoboTwin-C2R hard 69,4% và EBench 45,6%.
Ba mô hình, không phải một
RobotNav xử lý làm theo lệnh, đi tới mục tiêu, tìm vật thể, tracking và tự lái. RobotWorld dùng Qwen2.5-VL đóng băng cùng diffusion Transformer 20B để tưởng tượng frame tương lai trước khi robot hành động.
Câu chuyện thật nằm ở dữ liệu
Phần thực dụng nhất có thể là làm sạch dữ liệu. Một subset bị loại tới 81% đoạn vì hành động nhảy, lệch thời gian và giá trị ngoại lai. Nếu đi vào dây chuyền, giá trị không nằm ở demo thông minh hơn, mà ở kỹ năng có thể chuyển qua nhiều thân robot.
Nguồn tham khảo: MarkTechPost, TechNode, CocoLoop; kiểm chứng ba mô hình robot Qwen, success rate 23,9%, số benchmark, 38.100 giờ dữ liệu thao tác và trạng thái mã nguồn mở của RobotManip và RobotNav.