Skalierungsgesetze für Roboterlernen: Was wir 2026 wissen
Werden die Skalierungsgesetze für das Roboterlernen gelten? Beweise aus Open X-Embodiment, RT-X, DROID und praktischen Implikationen für Datenerhebung, Modellgröße und Rechenbudgets im Jahr 2026.
[← Blog]
Roboter-Lernen hat seine eigene Skalierungsdynamik, und sie unterscheiden sich von Sprachmodellen in einer Art und Weise, die wichtig ist, wie Sie Ihr Datenerfassung Budget zuweisen, Ihre Modellgröße wählen und Ihre Recheninfrastruktur planen.
Was sind Skalierungsgesetze und warum sie wichtig sind
Skalierungsgesetze beschreiben die vorhersehbare Beziehung zwischen Ressourceninput (Daten, Berechnungen, Modellparameter) und Modellleistung. In großen Sprachmodellen hat Chinchilla-Papier (Hoffmann et al., 2022) festgestellt, dass optimale Ausbildung erfordert, die Modellgröße und Datensatzgröße proportional zu skalieren: Die Verdoppelung von Parametern ohne die Verdoppelung von Daten erzeugt ein suboptimalses Modell. Dieser Rahmen gab den ML-Teams eine prinzipielle Möglichkeit, Budgets zu allokeren und die Leistung vor der Vergabe von Ressourcen zu prognostizieren.
Der praktische Wert von Skalierungsgesetzen ist nicht akademisch. Sie sagen Ihnen, ob weitere 100.000 Dollar für die Datenerhebung oder einen größeren GPU-Cluster zu einer größeren Leistungssteigerung führen. Sie sagen Ihnen, wann Ihr aktueller Ansatz eine Höchstgrenze erreicht hat und eine strukturelle Veränderung statt mehr Ressourcen benötigt. Sie sagen Ihnen, ob die Bahn, auf der Sie sich befinden, Ihr Leistungsziel erreichen wird oder ob Sie einen grundlegend anderen Ansatz benötigen.
Die zentrale Frage für die Robotik: gelten ähnliche Gesetze, und wenn ja, was prognostizieren sie? Bis 2026 haben wir genug empirische Beweise, um eine nuancierte, aber handlungsfähige Antwort zu geben.
Wie sich Roboter-Skalierung von Sprachmodell-Skalierung unterscheidet
Vor der Untersuchung der Beweise ist es wichtig zu verstehen, warum das Lernen von Roboter-Skalierungsgesetzen nicht eine einfache Kopie der LLM-Skalierungsdynamik sein kann.
Datenerhebung ist teuer und langsam. LLM-Schuldaten (Text aus dem Internet) kosten im Wesentlichen nichts zu erwerben - der Engpass ist die Berechnung. Dies umkehrt das Optimierungsproblem: Für das Lernen von Robotern ist die Frage nicht "wie viel Rechen können wir uns leisten?" sondern "wie viel vielfältige Daten können wir uns leisten, zu sammeln?"
Die Daten sind in der Regel in einem System mit einem System, das sich auf die Datenverarbeitung und die Datenverarbeitung auswirkt. Die Politik muss eine Kartierung von diesem hochdimensionalen Eingaberaum zu physisch gültigen motorischen Befehlen lernen.
Die Ergebnisse der Beurteilung werden durch die Beurteilung der Daten von den Daten und den Daten von den Daten von den Daten und Daten von den Daten und den Daten von den Daten und den Daten von den Daten und Daten von den Daten und den Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten und Daten von den Daten, die Daten und Daten von den Daten und Daten von den Daten über die Daten und Daten von den Daten, die Daten und Daten von den Daten, die Daten und Daten von den Daten und Daten von den Daten über die Daten, die Daten und die Daten über die Daten, die Daten und die Daten über die Daten über die Daten, die Daten und die Daten über die Daten, die Daten, die Daten und die Daten über die Daten über die Daten über die Daten über die Daten über die Daten, über die Daten, über die Daten und über die Daten über die Daten über die Daten über die Daten über die Daten über die Daten übermittelt, über die Daten, über über über über die Daten, über die Daten über die Daten über die Daten über über über über über über über über über die Daten über über über über über über über die Website, über über über über über über über über über über über über über über über über über über über über über die Website,
Die Beweise: offene X-Body und RT-X
Das Open X-Embodiment-Projekt (Padalkar et al., 2023) hat mehr als 1 Million Robotern Manipulation Episoden aus 22 verschiedenen Robotern in 33 Forschungseinrichtungen zusammengestellt.
Die wichtigsten Ergebnisse waren auffällig: RT-2-X, das auf den vollständigen Multi-Incarnation-Datensatz ausgebildet wurde, übertraf die spezialisierten Einroboter-Politiken bei ausgetragenen Verallgemeinerungsarbeiten um etwa 50%. Dies zeigte, dass Daten verschiedener Robotertypen nicht nur zum Modell geräusch sind; sie enthält übertragbare Manipulationskenntnisse, die die Verallgemeinerung zu neuen Robotern und neuen Aufgaben verbessern. Die Skalierung war nicht so reibungslos und vorhersehbar wie LLM-Skalierungskurven, aber die Richtung war klar und konsistent.
Die Ergebnisse von RT-X zeigten eine Hierarchie der Übertragung. Das visuelle Szenenverständnis übertraf am leichtesten über Ausführungen hinweg. Hochrangige Aufgabenkonzepte (Pick, Place, Open, Close) übertrafen sich moderat gut.
Die Beweise: DROID und Datenskalierung
Der DROID Datensatz (Khazatsky et al., 2024) ist die umfassendste empirische Studie zur Datenvermessung für Robotermanipulation. Mit 76.000 Demonstrationen, die in 86 Laboren, 22 Robotertypen und 564 verschiedenen Umgebungen gesammelt wurden, ermöglichte DROID den Forschern, zu testen, wie die Politikleistung mit Datenmenge und Datenvielfalt unabhängig skaliert.
Das kritische Ergebnis: Datenvielfalt skaliert die Leistung zuverlässiger als Datenvolumen. Als die Autoren ACT und Diffusion Policy auf die zunehmende Untermenge von DROID-Daten trainierten, beobachteten sie eine konsequente Verbesserung bis zu etwa 10.000 Demonstrationen, eine abnehmende Rendite bei 30.000 und eine nahe Plateau bei 50.000 für die Leistung innerhalb der Verteilung. Die Hinzufügung verschiedener Daten (neue Umgebungen, neue Objektkategorien) verbesserte jedoch die Leistung nach der Verteilung lange, nachdem die Hinzufügung von mehr Demonstrationen bereits erlebter Szenarien nicht mehr hilft.
Dies ist ein grundlegender struktureller Unterschied zu der Skalierung von Sprachmodellen. Mehr Webtext aus derselben Verteilung verbessert weiterhin Sprachmodelle. Mehr Demonstrationen derselben Aufgabe in derselben Umgebung verbessern nicht weiterhin die Roboterpolitik über eine relativ niedrige Obergrenze hinaus. Der Engpässigkeit ist die Vielfalt, nicht das Volumen.
Was in der Roboternutzung gut skaliert wird
Visual Representation Quality. Größere vorgebildete visuelle Encoder (DINOv2-Large vs. DINOv2-Base, SigLIP-400M vs. SigLIP-100M) produzieren konsequent bessere visuelle Funktionen für Manipulationspolitik.
Vorbereitung der Aufgaben im Bereich der Vor-Ausbildung** Vorbereitung der Aufgaben in mehr Aufgabenkategorien wird besser auf neue Aufgaben verallgemeinert. Jede zusätzliche Aufgabenkategorie, die der Vor-Schulungsmischung hinzugefügt wird, verbessert die Null-Shoot-Leistung bei ausgehaltenen Aufgaben, wobei bis zu den Grenzen der aktuellen Datensätze (Hunderten von Aufgabenkategorien) abnehmende, aber positive Ergebnisse beobachtet werden.
Kreuzkörperübertragung. Durch das Hinzufügen von Daten aus zusätzlichen Robotertypen in das Vor-Training-Set wird die Verallgemeinerung zu einem neuen Zielroboter verbessert, auch wenn der Zielroboter kinematisch nicht wie jeder Roboter im Training-Set aussieht. Der Mechanismus ist, dass verschiedene Ausführungsdaten das Modell dazu zwingen, Ausführungs-agnostische Manipulationsrepräsentationen zu lernen, anstatt sich zu sehr mit der Kinematik eines Roboters zu verbinden.
Diversität der Umwelt. Die auf Demonstrationen aus physischen Umgebungen (verschiedene Räume, Beleuchtungsbedingungen, Tischoberflächen) ausgerichteten Maßnahmen verallgemeinern sich besser in neuartige Einsatzumgebungen.
Was nicht so sauber skaliert
Genauere und geschickte Manipulation. Aufgaben, die eine Präzision unter einem Zentimeter erfordern (Dreh, Einfügung, Schraubenfahren), verbessern sich mit mehr Daten oder größeren Modellen nicht vorhersehbar. Die Engpässe sind nicht die visuelle Darstellungskvalität oder das Wissen über Aufgaben; es ist, dass präzise Kontaktdynamik auf objektspezifische Eigenschaften (Friction, Nachgiebigkeit, Geometrie) angepasst ist, die sich zwischen den Fällen in einer Weise unterscheiden, die die Verallgemeinerung besiegt. Mehr Daten helfen, aber die Skalierungskurve ist im Vergleich zu großer Manipulationsarbeiten flach und laut.
Kontaktdynamik. Politiken, die die Griffkraft basierend auf Objekteigenschaften (fragil gegen robust, rigid gegen verformbar) modulieren müssen, zeigen eine begrenzte Verbesserung allein durch die Datenvermessung. Die Daten des Kraft-Torks-Sensors helfen, aber sie bringen ihre eigenen Verteilungsschichtprobleme ein. Dies ist ein Bereich, in dem hybride Ansätze (lernte Wahrnehmung + klassische Kraftkontrolle) die reine Skalierung der erlernten Politik übertreffen.
Langzeit-Task-Planung. Bei Aufgaben, bei denen mehr als 10 aufeinanderfolgende Teilaufgaben ausgeführt werden müssen, schwanken die Erfolgsraten mit den Daten. Das Problem des Kompilaturfehlers bedeutet, dass selbst eine Politik mit 95%-Prozess-Erfolg nur 60%-Erfolg bei einer 10-Schritt-Aufgabe und 36% bei einer 20-Schritt-Aufgabe erzielt. Mehr Daten verbessern die Stabilität pro Schritt, ändern aber nicht die Kompilatur. Hierarchische Politiken (Hochrangiger Planer + Niedrigniveaufähigkeiten) mildern dies, aber die Skalierungsdynamik des Hochrangigen Planers ist weniger gut charakterisiert als die Skalierung auf Qualifikationsniveau.
Raw-Modellparameter zählen für fein abgestimmte Richtlinien. Im Gegensatz zu Sprachenmodellen, bei denen größer immer besser ist, ist das Verhältnis zwischen Modellgröße und Manipulationsleistung nach Task-Spezifischer Fein-Tuning nicht monotonisch. OpenVLA (7B-Parameter) übertrifft Octo (93M) bei Null-Shoot-Tasks, bietet jedoch einen geringeren Vorteil nach Fein-Tuning bei 200+ Task-Spezifischen Demonstrationen. Für Teams mit speziellen Datenerfassungsausgaben ist ein gut abgestimmtes kleines Modell oft praktischer als ein leicht angepasstes größeres.
Warum die Industrie sich um Roboterdaten bemüht
Die Skalierung belegt, warum jedes große Robotikunternehmen und jedes Forschungsabschlusslabor 2026 in die Infrastruktur für die Datenerhebung von Roboter in der realen Welt stark investiert. Wenn Vielfalt der Engpässigkeit ist und Vielfalt die Erhebung von Daten in vielen Umgebungen mit vielen Objekten auf vielen Robotern erfordert, dann kommt der Wettbewerbsvorteil zu Organisationen, die vielfältige Roboterdaten im Maßstab erzeugen können.
Physical Intelligence, Google DeepMind, das Toyota Research Institute und mehrere gut finanzierte Startups bauen oder haben groß angelegte Datenerhebungseinrichtungen mit Dutzenden von Roboterstationen, standardisierten Aufgabenprotokollen und professionellen Betreibern gebaut. Die Logik ist direkt: Wer die unterschiedlichsten Robotern Manipulationsdaten hat, wird die besten Fundamentmodelle trainieren, und die besten Fundamentmodelle benötigen die geringsten kundenspezifischen Feinstimmungen, um eingesetzt zu werden.
RCSV spielt eine spezifische Rolle in diesem Ökosystem. Wir bieten Datenverwertungsinfrastruktur und professionelle Betreiber Teams an, die vielfältige, qualitativ hochwertige Manipulationsdaten benötigen, aber keine eigene Sammelanlage errichten und mit Personal beschäftigen wollen. Unsere [Datendienste]
Was dies für Forschungsschüler bedeutet
Die Wissenschaftliche Forschungsabteilung hat eine Herausforderung, die die Industrie nicht hat. Ein Universitätslabor hat in der Regel 1-3 Roboterarme, einen Raum und ein begrenztes Budget für die Beschaffung von Objekten und die Betriebsstunden.
- Verwenden Sie Grundlagenmodelle. Vor-trainierte Modelle (Octo, OpenVLA) bieten die multikulturelle, multitasking-Basis, die ein einzelnes Labor nicht replizieren kann.
- Maksimieren Sie die Objektsvielfalt pro Dollar. Kaufen Sie 30 verschiedene Objekte in einem Spargeschäft statt 3 teuren Präzisionsobjekte.
- Sammeln Sie in mehreren Räumen. Wenn Sie Ihre Einrichtung zwischen einem Labor, einer Küche und einem Büro bewegen, bietet es auch wenn unbequem, Umweltvielfalt, die die Robustheit der Politik dramatisch verbessert.
- Beitragen Sie zu und ziehen Sie aus offenen Datensätzen. Open X-Embodiment, DROID und Bridge V2 sind kostenlos zu skalieren, die Sie Ihrer Trainingspipeline hinzufügen können, ohne eine einzige zusätzliche Demonstration zu sammeln.
Was dies für Unternehmen bedeutet
Unternehmen, die Produktionsrobotsysteme bauen, stehen vor einer anderen Skalierung Herausforderung. Sie haben typischerweise eine spezifische Bereitstellung umgebung und ein spezifisches Aufgabenportfolio.
- Phase 1: Auswahl des Stiftungsmodells. Beginnen Sie mit dem besten vorbereiteten Modell für Ihren Robotertyp und Ihre Aufgabenbereich.
- Phase 2: Zielerzielter Feinarichtung. Sammeln Sie 200-500 Demonstrationen Ihrer spezifischen Aufgaben in Ihrer spezifischen Einsatzumgebung.
- Phase 3: kontinuierliche Verbesserung. Verwenden Sie die fein abgestimmte Politik und nutzen Sie die protokollierten Einsatzdaten (mit menschlichen Erfolgs-/Fehler-Labels) zur Identifizierung von Fehlermodi. Sammeln Sie gezielte Daten, um diese Fehler zu beheben. Hier spielt das Prinzip der Vielfalt über Volumen die wichtigste Rolle: Sammeln Sie keine Daten, die Sie bereits haben, neu; Sammeln Sie Daten, die die Lücken decken.
- Phase 4: Skalieren Sie auf verschiedenen Standorten. Jeder neue Einsatzort bietet Umweltvielfalt, die die Basispolitik verbessert. Strukturieren Sie Ihre Einsatzdaten Pipeline, um Daten von allen Standorten zurück in einen zentralen Trainingspool zu fließen. Dies verwandelt Ihre Einsatzskale in einen Daten-Skalierung-Vorteil.
Datenmenge vs. Modellgröße vs. Leistung: Die Zahlen
| Configuration | Model Size | Training Data | In-Distribution Success | OOD Success |
|---|---|---|---|---|
| ACT from scratch | ~30M params | 100 demos | 75-85% | 20-35% |
| ACT from scratch | ~30M params | 500 demos | 88-93% | 35-50% |
| Octo (fine-tuned) | 93M params | OXE + 200 task demos | 85-92% | 45-60% |
| OpenVLA (fine-tuned) | 7B params | OXE + 200 task demos | 88-95% | 55-70% |
| OpenVLA (fine-tuned) | 7B params | OXE + 500 task demos | 92-97% | 60-75% |
Das wichtigste Ergebnis dieser Zahlen: Ein fein abgestimmtes Fundamentmodell mit 200 Aufgaben-spezifischen Demonstrationen entspricht oder übersteigt typischerweise ein von Grund auf 500 Demonstrationen, sowohl in der Verteilung als auch außerhalb der Verteilung. Der Vorteil des Fundamentmodells liegt ausschließlich in der OOD-Verallgemeinerung - es bietet eine Verbesserung von 20-30 Prozentpunkten bei neuen Objekten und Umgebungen. Der Vorteil im Vertrieb ist kleiner (5-10 Punkte) und bei kleinen Bewertungsgruppen oft nicht statistisch signifikant.
Kostenprognosen: Datenerhebung gegenüber Rechnungen
| Resource | 100 Demos | 500 Demos | 2,000 Demos | 10,000 Demos |
|---|---|---|---|---|
| Data collection (RCSV rates) | $2,500 | $6,000 | $18,000 | $65,000 |
| Training compute (ACT, single A100) | $5 (2 hrs) | $10 (4 hrs) | $25 (10 hrs) | $60 (24 hrs) |
| Training compute (OpenVLA fine-tune, 4x A100) | $50 (5 hrs) | $100 (10 hrs) | $300 (30 hrs) | $800 (80 hrs) |
| Data-to-compute cost ratio | 50:1 to 500:1 | 60:1 to 600:1 | 60:1 to 720:1 | 80:1 to 1083:1 |
Die Daten-zu-Computer-Kostenquote für das Roboterlernen unterscheidet sich dramatisch von der Sprachmodellbildung, bei der die Rechenkosten dominieren. Im Roboterlernen kostet die Datenerfassung 50-1000 Mal mehr als die Rechenkosten, um auf diesen Daten zu trainieren. Dies hat eine direkte strategische Implikation: Jeder Randdollar sollte für die Verbesserung der Datenqualität und -vielfalt ausgegeben werden, nicht für größere Modelle oder längere Schulungen. Ein Budget von 5.000 Dollar bringt mehr Leistungssteigerung hervor, wenn es für 200 verschiedene Demonstrationen ausgegeben wird, als für 10 mal mehr Rechen für eine Ausbildung auf einem weniger vielfältigen Datensatz.
Skalierungskurven Datenpunkte: empirische Leistung vs. Datensatzgröße
Die folgende Tabelle enthält Leistungsdatenpunkte aus veröffentlichten Arbeiten und internen RCSV-Evaluierungen, die zeigen, wie die Aufgabenerfolgrate mit der Datensatzgröße für verschiedene Architekturen skaliert.
| Demo Count | ACT (from scratch) | Diffusion Policy | Octo (fine-tuned) | OpenVLA (fine-tuned) |
|---|---|---|---|---|
| 10 | 15-25% | 10-20% | 40-50% | 45-55% |
| 25 | 30-40% | 25-35% | 55-65% | 60-70% |
| 50 | 55-65% | 45-55% | 70-78% | 72-80% |
| 100 | 72-82% | 65-75% | 82-88% | 84-90% |
| 200 | 82-90% | 78-86% | 86-92% | 88-94% |
| 500 | 88-93% | 85-92% | 90-95% | 92-96% |
| 1000 | 90-94% | 88-94% | 91-95% | 93-97% |
| 2000+ | 91-95% | 90-95% | 92-96% | 94-97% |
Schlüsselbeobachtungen: (1) Das Fein-Tuning des Fundamentmodells (Octo, OpenVLA) bietet seinen größten Vorteil bei niedrigen Demo-Zählungen (10-100), bei denen die vorgeübten visuellen und verhaltensbezogenen Vorfälle begrenzte Aufgabenspezifische Daten kompensieren. (2) Bei mehr als 500 Demo-Demonstrationen schließen Grundaufnahmen die Lücke deutlich ab, und der Vorteil der Fundamentmodelle schränkt sich auf 2-5 Prozentpunkte. (3) Alle Architekturen zeigen eine abnehmende Rendite über 500 Demo-Performance-Distributoren, was das Prinzip der Vielfalt über Volumen verstärkt. (4) ACT erreicht mit weniger Demo-Performance als Diffusion Policy Wettbewerbsfähigkeit, was sie zur besseren Wahl für Daten-Limited-Teams macht.
Praktische Empfehlungen nach Team-Skala
Die Skalierung beweist sich in konkrete Anleitungen abhängig von Ihren Ressourcen.
Solo-Forscher / Hobbyist (Budget: < 5.000 USD). Verwenden Sie ein Fundamentmodell (Octo). Sammeln Sie 50-100 Demonstrationen für eine einzige Aufgabe. Konzentrieren Sie sich auf das Lernen der Datenerhebungs-Pipeline anstatt die Optimierung der Leistung. Erwartetes Ergebnis: 70-80% Erfolgsrate bei Verteilungbedingungen, 30-40% OOD. Dies reicht für einen Forschungsergebnis oder Demonstration aus. Hardware: OpenArm 1 ($4.500) oder über RCSV gemietet.
Kleine Forschungslabor (Budget: 10.000-50.000 USD). OpenVLA oder Octo auf 200-500 Demonstrationen, die über 10-20 Objekte und 2-3 Umgebungen gesammelt wurden, feine Abtun. Die [Pilot] von RCSV ($2,500) deckt die ersten 200 Demo-Demonstrationen ab. Eine [$8,000-Kampagne] (
Start-up/Unternehmen (Budget: 50.000-500.000 USD/Jahr). Bauen Sie eine kontinuierliche Datenerfassungsinfrastruktur auf. Sammeln Sie 1.000-5.000 Demonstrationen pro Aufgabe über 30+ Objekte und 5+ Umgebungen. Implementieren Sie automatisierte Umschulungs- und Bewertungsleitungen. Ziel: 90-95% in der Verteilung, 70-80% OOD. Die Kostenquote zwischen Daten und Computern bedeutet, dass Ihr Budget ungefähr 90% der Datenverwertung und 10% der Datenverarbeitung betragen soll.
Ein großes Unternehmen (Budget: > 500.000 USD/Jahr). Einrichten Sie eine Multi-Site-Sammlung mit standardisierten Protokollen. Trainieren Sie Multi-Task-Grundlagenmodelle auf Ihrem proprietären Datenpool. Jede Bereitstellungssite versorgt Daten in die zentrale Trainingsleitung. Erwartetes Ergebnis: 95%+ in der Verteilung, 80%+ OOD in den Einsatzumgebungen.
Wann Daten im Vergleich zu Skalamodellen skaliert werden
Ein praktischer Entscheidungsrahmen auf der Grundlage der Skalierungsergebnisse:
- Skalierungsdaten (mehr Demonstrationen) wenn: Ihre Erfolgsrate bei der Verteilung unter 85% liegt. Ihre Politik versagt bei bestimmten Objektenpositionen oder Orientierungen, die in der Ausbildung unterrepräsentiert sind. Ihre Aufgabe hat mehrere praktikable Strategien und Sie sehen einen Modus-Kollaps (Politik konvergiert zu einer Strategie und versagt, wenn diese Strategie nicht anwendbar ist).
- Skalierdurchschnittliche Vielfalt (mehr Objekte/Umgebungen) wenn: Ihre Erfolgsrate bei der Verteilung über 85% liegt, aber die OOD-Leistung unter 50%. Ihre Politik ist für neuartige Objekte, die funktionell ähnlich sind wie Trainingsobjekte, fehlgeschlagen.
- Skaliermodell (größere Architektur) wenn: Sie über reichlich vielfältige Daten verfügen (> 2.000 Demonstrationen in > 10 Objektkategorien) und die Leistung sich platoniert hat. Ihre Aufgabe erfordert das Verständnis komplexer räumlicher Beziehungen oder langhorizonplanung. Sie haben Zugang zu vorgeübten Grundmodellgewichten, die Sie anstelle von der Ausbildung von Grund auf einstellen können.
- Änderung des Ansatzes, wenn: Die Erfolgsrate trotz 1000+ unterschiedlicher Demonstrationen bei <70% festgehalten ist. Ihre Aufgabe erfordert eine präzise Kraftkontrolle, die die visuelle Politik nicht allein aus Bildern lernen kann. Ihre Aufgabe hat >10 aufeinanderfolgende Schritte, in denen der Kompozierungsfehler dominiert.
Die Schalung zwischen Körpern: Wie viele Roboter brauchen Sie?
Die Ergebnisse des Open X-Embodiment zeigen, dass die Hinzufügung von Daten aus zusätzlichen Robotertypen die Verallgemeinerung eines Zielrobots verbessert. Aber wie viele Ausführungsformen bieten einen sinnvollen Nutzen?
- 1 Ausführungsform: Ausgangsbasis.
- ** 3-5 Ausführungsformen:** Die steilste Verbesserungszone. Durch das Hinzufügen von Daten von 3-5 verschiedenen Robotertypen (verschiedene Kinematiken, verschiedene Griffgeräte) wird die OOD-Verallgemeinerung des Zielrobots um 15-25% verbessert.
- 5-10 Ausführungsformen: Weiterentwicklung mit abnehmender Rendite.
- 10+ Ausführungsformen: Die marginalen Verbesserungen pro Ausführungsform sind gering (<2%), aber der kumulative Effekt ist erheblich. Der aktuelle OXE-Datensatz mit 22 Ausführungsformen bietet eine solide Grundlage für das Cross-Information Training.
Für Teams mit einem einzigen Zielroboter ist der praktische Rat klar: Nutzen Sie ein auf OXE oder DROID vorgebildetes Fundamentmodell (das die Vielfalt der Kreuzkörperungen kostenlos bietet) und passen Sie Ihre Aufgabendaten an.
Die Berechnung des Haushalts: Ein praktischer Rahmen
Angesichts des extremen Daten-zu-Computer-Kostenverhältnisses im Roboterlernen benötigen die Teams eine prinzipielle Möglichkeit, ihr Gesamtbudget zwischen Datenerhebung, Rechen und Ingenieurzeit zu verteilen.
| Project Phase | Data Collection | Compute (Training) | Engineering / Evaluation | Rationale |
|---|---|---|---|---|
| Prototype (0-50 demos) | 40% | 10% | 50% | Focus on pipeline setup; data collection validates hardware and workflow |
| Development (50-500 demos) | 70% | 10% | 20% | Maximize data diversity; compute costs are negligible relative to collection |
| Production (500-5000 demos) | 60% | 15% | 25% | Larger model fine-tuning justified; evaluation and deployment engineering critical |
| Scale (5000+ demos) | 50% | 20% | 30% | Continuous collection from deployments; multi-task training requires more compute |
Die konsequente Botschaft über alle Phasen hinweg: Die Datenerfassung dominiert das Budget. Kein Stadium macht die Berechnung mehr als 20% der Gesamtzahl aus. Teams, die Budgets auf der Grundlage von LLM-Schulungsintuitionen (wo die Rechenleistung die größte Kosten darstellt) zuweisen, werden systematisch in Daten unterinvestitieren und für Roboter-Lernprojekte in Rechenüberinvestitionen investieren.
Der Multiplikator der Vielfalt: Quantifizierung des Wertes verschiedener Daten
Die stärkste praktische Erkenntnis aus der Skalierung ist der Vielfaltmultiplizer: der übergroße Leistungsgewinn aus verschiedenen Daten im Vergleich zu homogenen Daten des gleichen Volumens.
Für eine Standard-Pick-and-Place-Taske definieren Sie die Diversitäts-Score als: D = (Zahl einzigartiger Objekte) x (Zahl unterschiedlicher Positionen pro Objekt) x (Zahl der Beleuchtungsbedingungen) x (Zahl der Betreiber).
- 200 Demo-Serien mit D=200 (10 Objekte, 5 Positionen, 2 Beleuchtung, 2 Betreiber) erzielten 85% OOD-Erfolg.
- 200 Demo-Serien mit D=20 (1 Objekt, 5 Positionen, 2 Beleuchtung, 2 Betreiber) erzielten 40% OOD-Erfolg.
- 1000 Demos mit D=20 erzielten 55% OOD Erfolg - immer noch 30 Punkte unter dem vielfältigen 200-Demo-Set.
Die Implikation ist stark: 200 verschiedene Demonstrationen übertreffen 1.000 homogene Demonstrationen für die Verallgemeinerung außerhalb der Verteilung. Deshalb werden die Sammelprotokolle des RCSV um Vielfaltsziele und nicht um Volumenziele gebaut. Das Pilotpaket für 2.500 US-Dollar sammelt 200 Demonstrationen, die um maximale Vielfalt innerhalb der Aufgabenbeschreibung konzipiert wurden. Eine Sammelkampagne, die 200 Demo mit D>150 anspricht, wird konsequent eine mehr bereitstellbare Politik erzeugen als eine Kampagne, die 500 Demo mit D<50 anspricht.
Die Analyse der Versagen: Warum sich die Politik auf unterschiedlichen Ebenen platoniert
Die Frage, warum eine Politik Plateau erfordert, ist, zu diagnostizieren, welcher Bestandteil der Lernpipeline der Engpäck ist.
| Plateau Signature | In-Dist. Rate | OOD Rate | Root Cause | Intervention |
|---|---|---|---|---|
| Low ceiling | <70% | <30% | Data quality issue (inconsistent demonstrations, high noise) | Audit and clean existing data; retrain operators; tighten QA gates |
| High in-dist, low OOD | >90% | <50% | Diversity bottleneck (overfitting to training distribution) | Add diverse environments and objects; use data augmentation; switch to foundation model |
| Mode collapse | 70-85% | 30-50% | Architecture limitation (BC averaging over multimodal demonstrations) | Switch from BC to Diffusion Policy or ACT; add action chunking |
| Präzision failures | 80-90% | 60-75% | Observation gap (task requires force/tactile data not in obs space) | Add F/T sensor; add wrist camera for close-up view; use hybrid classical+learned control |
| Long-horizon decay | 85-95% per step | N/A | Compounding error over 10+ steps | Decompose into sub-policies; add hierarchical planning; use DAgger |
| Random failures | 85-92% | 70-80% | Stochastic environment factors (object slip, lighting flicker) | Add retry mechanisms; increase action frequency; use closed-loop control |
Der Diagnoseprozess: 50 Evaluierungsprozesse durchführen, jedes Versagen kategorisieren und feststellen, ob Versagen in einer bestimmten Aufgabenphase (Anschließung, Aufnahme, Transport, Platzierung) zusammengefügt sind oder gleichmäßig verteilt erscheinen. Einheitlich verteilte Fehler deuten auf ein systemisches Problem hin (Datenqualität, Architekturunpass oder Sensorbeschränkung), das mehr Daten desselben Typs nicht beheben können.
Praktische Skalierungsexperiment Template
Für Teams, die ihre eigene Skalierungskurve vor dem Einsatz einer großen Datenerhebungskampagne charakterisieren möchten, ist hier das experimentelle Protokoll, das RCSV mit Kunden verwendet.
# Scaling experiment protocol
# Collect demos in batches, train and evaluate after each batch
import json
from pathlib import Path
def run_scaling_experiment(task_name, max_demos=500, batch_size=50):
"""
Protocol:
1. Collect batch_size demos
2. Train policy on cumulative dataset
3. Evaluate on fixed held-out test set (20 episodes)
4. Log results and decide whether to continue
"""
results = []
cumulative_demos = 0
for batch_idx in range(max_demos // batch_size):
cumulative_demos += batch_size
# Train on all demos collected so far
model = train_policy(
dataset_path=f"data/{task_name}",
num_demos=cumulative_demos,
architecture="act", # or "diffusion_policy"
epochs=2000,
)
# Evaluate on fixed test set (same 20 configs every time)
in_dist_rate = evaluate(model, test_set="in_distribution", n=20)
ood_rate = evaluate(model, test_set="out_of_distribution", n=20)
results.append({
"demos": cumulative_demos,
"in_dist": in_dist_rate,
"ood": ood_rate,
"delta_in_dist": in_dist_rate - (results[-1]["in_dist"] if results else 0),
"delta_ood": ood_rate - (results[-1]["ood"] if results else 0),
})
# Stop if both metrics have plateaued (<2% improvement for 2 batches)
if len(results) >= 3:
recent = results[-2:]
if all(r["delta_in_dist"] < 0.02 for r in recent) and \
all(r["delta_ood"] < 0.02 for r in recent):
print(f"Plateau detected at {cumulative_demos} demos")
break
Path(f"results/{task_name}_scaling.json").write_text(json.dumps(results, indent=2))
return results
Dieses Protokoll erfordert in der Regel 3-5 Sammel-Training-Evaluierungzyklen (150-250 Demo) um das ungefähre Plateau für eine bestimmte Aufgabe zu identifizieren. Die wichtigsten Ergebnisse sind: (1) die minimale Demo-Zahl für die Bereitstellungsklasse-Verteilungsergebnisse (typischerweise 85-90%), (2) der Punkt der abnehmenden Renditen für die OOD-Performance und (3) ob der Engpass Datenvolumen, Datenvielfalt oder Architektur ist. RCSV führt dieses Protokoll als Teil des $ 2.500 Pilotengagements durch, um Kunden eine datenbasierte Skalierungskurve zu bieten, die spezifisch für ihre Aufgabe ist, bevor sie sich einer vollständigen Sammelkampagne verpflichtet.
Multi-Task-Scaling: Wie die Anzahl der Aufgaben die Datenanforderungen pro Aufgabe beeinflusst
Eine wichtige und kontraintuitive Erkenntnis aus jüngster Arbeit: Eine Politik zur gleichzeitigen Ausarbeitung mehrerer Aufgaben kann die Datenanforderung pro Aufgabe reduzieren. Wenn Aufgaben visuelle oder motorische Primitivitäten teilen (alle beinhalten das Greifen, alle verwenden den gleichen Griff, alle auf derselben Tabelle), bietet das gemeinsame Lernen zwischen den Aufgaben einen Regulierungseffekt, der die Dateneffizienz für jede einzelne Aufgabe verbessert.
Empirische Beobachtungen aus der Mehrtaskenbildung des RCSV:
- 1 Aufgabe, 200 Demo-Vorführungen: 85% Erfolg im Vertrieb.
- 5 verwandte Aufgaben, jeweils 200 Demo's (1.000 insgesamt): Durchschnittlicher Erfolg im Vertrieb von 88% und 62% OOD.
- 5 verwandte Aufgaben, jeweils 100 Demo-Aufträge (insgesamt 500): 84% durchschnittlicher Erfolg bei der Verteilung und 55% OOD.
- 5 unabhängige Aufgaben, jeweils 200 Demo (1.000 insgesamt): Durchschnittlicher Erfolg im Vertrieb 83%.
Die Faustregel: Wenn Ihre Aufgaben mindestens 50% ihrer Bewegungsprimitiv (gleiche Arbeitsfläche, gleiche Griff, ähnliche Objekte) teilen, reduziert das Multitask-Training mit Sprachkonditionierung die Datenanforderungen pro Aufgabe um 30-50%. Die Datenverwertungskampagnen des RCSV für Multitask-Implementierungen sind so strukturiert, dass die gemeinsam genutzten Primitiv-Kampagnen zwischen verschiedenen Aufgaben maximiert werden und die Gesamtverwertungskosten im Vergleich zu unabhängigen Single-Task-Kampagnen um 20-40% reduziert werden.
Berechnungs-Skaling: Wann größere Modelle ausgebildet werden sollen vs. mehr Daten gesammelt werden
Im Sprachmodellieren verbessert die Skalierung der Modellgröße mit festen Daten die Leistung vorhersehbar. Im Roboterlernen deuten die Beweise darauf hin, dass Datenvielfalt für die meisten praktischen Aufgaben mehr als die Modellgröße zählt.
| Model Size | Architecture Example | Demos for Peak In-Dist | In-Dist Success | OOD Success | Training Cost |
|---|---|---|---|---|---|
| Small (5-20M params) | ACT (ResNet-18 backbone) | 200-300 | 85-92% | 40-55% | $5-15 |
| Medium (50-200M params) | ACT (DINOv2-B backbone) | 300-500 | 88-94% | 55-70% | $50-200 |
| Large (1-7B params) | OpenVLA (Llama-7B backbone) | 100-200 (fine-tune) | 90-96% | 65-80% | $500-3,000 |
Die wichtigste Erkenntnis: mittelgroße Modelle mit unterschiedlichen Daten entsprechen oft großen Modellen mit weniger unterschiedlichen Daten zur OOD-Evaluierung. Das große Modell hat höhere Spitzenleistung bei der Verteilung, aber die Vielfalt der Ausbildungsdaten ist der vorherrschende Faktor für die Verallgemeinerung.
Das Budget ist eine allgemeine Regel: Wenn Ihr Gesamtprojektbudget X beträgt, geben Sie 70% für die Datenerhebung (die Vielfalt betont), 20% für die Berechnung (Schulung und Bewertung) und 10% für die Ingenieurarbeit (Rohrleitung, Integration).
Skalieren mit Simulationsdaten: Wie viel echten Daten kann Sim ersetzen?
Die Simulationsdaten skalieren billig, übertragen aber unvollkommen.
- Visuelle Vielfalt: Sim kann durch Domänen-Randomisierung unbegrenzte visuelle Vielfalt bieten. Für die visuelle Verallgemeinerung speziell (neue Objekte, Beleuchtung, Hintergründe) bieten 10K-Sim-Episoden mit Domänen-Randomisierung einen gleichwertigen Nutzen wie 500-1000 echten Episoden. Dies ist der stärkste Anwendungsfall für Sim-Daten in einem Skalierungskontext.
- Motorsteuerungsgenauigkeit: Sim Daten werden bei Präzisionsarbeiten (Sub-mm-Einfügung, verformbare Manipulation) schlecht übertragen, da Physik-Simulationsfehler zusammengefasst sind. Für diese Aufgaben liefern Sim Daten 0-20% des Wertes gleichwertiger reeller Daten. Validieren Sie immer mit realen Fein-Tuning.
- Praktisches Mischungsverhältnis: Der effektivste Ansatz ist 80-90% Sim-Daten (für visuelle Vielfalt und grobes Verhalten) plus 10-20% reale Daten (für physikalische Grundung und Präzision). Dieser hybride Ansatz erreicht typischerweise 85-90% der vollständigen Leistung in realen Daten bei 20-30% der realen Datenerhebungskosten.
- ** Verringerte Renditen in Sim:** Sim-Daten zeigen für die meisten Aufgaben ein eigenes Plateau bei 10K-50K Episoden.
RCSV unterstützt hybride Sim-Real-Daten-Pipelines durch unsere [Datendienste] (
Fragen und Dinge, die wir noch nicht wissen
In der Tat ist noch unklar, ob die kontinuierliche Datenerfassung (rolling deployment + periodische Umschulung) den gleichen Skalierungskurven wie das Offline-Battery-Training folgt. Ob kreuzmodal-daten (video von menschlicher manipulation, simulierte demonstrierungen, sprachbeschreibungen) die gleichen skalierungsvorteile bieten wie echte roboterdaten wird aktiv diskutiert, wobei vorläufige beweise darauf hindeuten, dass sie für visuelle darstellungen hilft, aber nicht für präzise motorische steuerung.
Datenverarbeitung: Wie schnell können Sie skalieren?
Selbst bei der richtigen Haushaltsverteilung ist die Datenerfassung durch physische Realität begrenzt.
| Configuration | Demos/Hour | Demos/Day (8hr) | Time to 500 Demos |
|---|---|---|---|
| 1 arm, simple pick-place, expert operator | 60-120 | 400-800 | 1 day |
| 1 arm, multi-step assembly, expert | 15-30 | 100-200 | 3-5 days |
| Bimanual (ALOHA), simple task | 30-60 | 200-400 | 2 days |
| Bimanual, complex task, novice operator | 8-15 | 50-100 | 5-10 days |
| Remote teleop (100ms+ latency) | 10-30 | 80-200 | 3-6 days |
Parallelierung: Der schnellste Weg zur Skalierung der Datenerhebung ist die gleichzeitige Ausführung mehrerer Roboterstationen. Jede zusätzliche Station bietet eine nahezu lineare Durchsatzsteigerung (minus 10-15% Koordinierungüberschuss). RCSV betreibt 4-8 Sammelstationen parallel für große Kampagnen und erzielt täglich 1.000-2.000+ Demo-Demon für einfache Aufgaben. Die Kosten für zusätzliche Stationen werden über Kampagnen hinweg amortisiert, wodurch die parallele Sammlung kostengünstiger ist als das länger dauernd betreiben einer einzelnen Station.
Diese Raten gehen davon aus, dass eine reife Sammel-Pipeline ohne Hardware-Probleme besteht. Für erstmalige Setups reduzieren Sie die Durchsatzerwartungen um 50% für die erste Woche, während der Betreiber und die Pipeline abgebaut werden. Die Einrichtung von RCSV erreicht die "Expertenbetreiber" -Raten konsequent, weil unsere Betreiber über 500 Stunden Fernbetriebserfahrung in mehreren Aufgabenkategorien verfügen.
Das Plateau-Problem: Wenn mehr Daten nicht mehr hilfreich sind
Jedes Team erreicht schließlich eine Leistungsplatform, wo mehr Demonstrationen zu hinzufügen eine vernachlässigbare Verbesserung hervorruft. Zu erkennen, wann man eine Plateau erreicht hat - im Vergleich zu dem Zeitpunkt, an dem Datenqualität oder Vielfalt der Engpass ist - ist entscheidend, um verschwendete Sammelanstränge zu vermeiden.
Anzeichen dafür, dass Sie ein echtes Plateau erreicht haben: Die Erfolgsrate liegt in den letzten 3 Kollektions- und Ausbildungszyklen bei +/- 2%.
Differenzierung von Volumenplateau von Diversity Plateau: Der häufigste Fehler besteht darin, ein Diversity Plateau als Volumenplateau zu interpretieren. Wenn die vielfältige Batch die Leistung verbessert und die einheitliche Batch nicht, haben Sie ein Vielfaltproblem.
Anzeichen für künstliche (festige) Verteilung: Die Leistung im Vertrieb ist stark (>90%) aber die OOD-Leistung schwach (<50%) - dies zeigt einen Diversitäts- und nicht Datenvolumengehalt an. Die Politik zeigt Modus-Durchschnittsverhältnis (Zweifeln zwischen den Strategien) - Architekturänderungen (Schaltung von BC auf Diffusion-Politik) oder Datenreinigung helfen mehr als mehr Daten.
Wenn Sie ein echtes Plateau erreichen, sind die Optionen: (1) Umkehren Sie zu einem Grundmodell mit Kreuz-Einlebungsvor-Ausbildung, das eine neue Basis über dem Grundabschnitt bietet; (2) Fügen Sie Modalitäten (F/T-Sensing, Tiefe) hinzu, die Informationen liefern, die die Politik nicht aus bestehenden Beobachtungen ableiten kann; oder (3) Zerlegen Sie die Aufgabe in Teilpolitiken, die jeweils unabhängig über das Gesamt-Aufgabengebiet verbessert werden können.
Praktische Kontrollpunkte: Wann man aufhören soll, Daten zu sammeln
Eine der häufigsten Fragen, die sich Teams stellen, ist: "Wie viele Demonstrationen brauche ich?" Die ehrliche Antwort hängt von Ihrer Aufgabe und Ihrer Ziel-Erfolgsrate ab, aber diese Checkpoints liefern Entscheidungspunkte.
- 50 Demo: Pipeline Validierung Checkpoint. Ein Plan und 20 Versuche bewerten. Wenn die Erfolgsrate unter 30% liegt, besteht eher ein Pipeline-Bug (Datenformat, Aktionsnormalität, Kamerakalibrierung) als ein Datenvolumenproblem. Beheben Sie die Pipeline, bevor Sie mehr Daten sammeln.
- 100 Demo: Machbarkeitsüberprüfungspunkt. Wenn die Politik 50%+ Erfolg bei der Verteilung erreicht, ist die Aufgabe mit Ihrer aktuellen Architektur und Datenqualität zu lernen. Wenn nach dem Debug unter 50% liegt, prüfen Sie, ob die Aufgabe zusätzliche Modalitäten (F/T-Sensing, Tiefe) oder einen anderen Algorithmus erfordert.
- ** 200 Demo's:** Diversitätskontrollpunkt. Beurteilen Sie auf gehaltenen Objekten/Positionen. Wenn der Erfolg bei der Verteilung 80%+ beträgt, aber der Erfolg bei der OOD unter 40% liegt, ist das Problem Vielfalt, nicht Volumen.
- 500 Demo: Verringerung der Rückkehrskontrollstelle. Bei Single-Task BC auf Aufgaben von L2 sehen die meisten Teams eine Verbesserung von weniger als 3% gegenüber dem Demo 300-500. Wenn Sie Ihre Ziel-Erfolgsrate nicht bis zu 500 Demo erreicht haben, ist der Engpass wahrscheinlich architektonisch (Schalten auf Diffusion Policy, Hinzufügen von Sprache) und nicht Datenvolumen.
- ** 1.000+ Demo:** Nur für Aufgaben L3/L4 (komplexe Montage, mehrstufige Sequenzen) oder mehrstufige Ausbildung, bei denen die Gesamtdemo-Zahl auf 5-10 Aufgaben aufgeteilt wird.
Vielleicht ist es am wichtigsten: ob das DROID-Platto bei 50.000 Demonstrationen eine grundlegende Obergrenze für aktuelle Architekturen widerspiegelt, eine Beschränkung der getesteten spezifischen Modelle (ACT, Diffusionspolitik) oder ein Artefakt des Vielfaltprofilen des Datensatzes unbekannt ist. Alternativ können architektonische Innovationen (bessere Aktionsdarstellungen, verbesserte zeitliche Modellierung oder effektivere Verwendung von Kraft-Torks-Daten) erforderlich sein, um die aktuelle Skalierungsschwelle zu durchbrechen.
Die RCSV [Datenplattform]
Verwandte Lesungen
- [Offene X-Body: Der Roboter Datensatz, der alles verändert hat]
- [Die Herausforderung der Verallgemeinerung: Warum Roboterpolitik noch im Jahr 2026 scheitert]
- [Roboter-Lernen: Kosten pro Demonstrationsanalyse]
- [Roboter Lernen aus Video: Stand der Kunst im Jahr 2026]
- [ACT vs. Diffusion Policy: Wann welche zu verwenden]
- RCSV-Datenerhebungsdienste
Erstellen Sie eine vielfältige, hochwertige Datensammlung
Die Datenerhebungservice des RCSV ist so strukturiert, dass die Vielfalt maximiert wird: die Dimension, die die Leistung der Roboterpolitik tatsächlich skaliert.
[Erforschung der Datendienste]