Die Entwicklung eines Robotern lernenden Lehrplans: Aufgabensequenzierung und Schwierigkeitsfortschritt

[← Führer]

Ein strukturierter Ansatz zur Lehrplangestaltung für das Imitationslernen von der primitiven Fähigkeitserlangung über die komplexe mehrstufige Manipulation.

Warum das Lehrplan wichtig ist

Ein Roboter-Lernprogramm mit komplexen Aufgaben zu starten ist der häufigste und teuerste Fehler, den Teams machen. Eine Politik, die direkt auf eine komplexe Aufgabe wie das Bimanuale Falten von Stoff aus dem Grund aus ausgebildet wird, wird in den ersten 2.000 Demonstrationen nichts Nützliches lernen. Der Aufgabenraum ist zu groß, das Belohnungssignal zu spärlich und das Netzwerk hat keine vorherigen Fähigkeiten, auf die es aufbauen kann.

Ein gut gestalteter Lehrplan führt Aufgaben von primitiven Fähigkeiten bis zu komplexen Kompositionen, wobei jede Stufe auf Fähigkeiten basiert, die in der vorherigen Stufe erworben wurden. Die Teams, die das Lehrplan-Lernen am RCSV nutzen, haben die Gesamt-Demonstrationsanforderungen für komplexe Manipulationsarbeiten um 40-60% verringert, verglichen mit der direkten End-to-End-Ausbildung.

Das Konzept stammt direkt vom menschlichen motorischen Lernen. Man lehrt ein Kind nicht, zu jonglieren, bevor es erfassen kann. In der Robotik wird die Theorie als Lernplan Lernen (Bengio et al., 2009) formalisiert: Training auf Beispielen, die durch zunehmende Schwierigkeit angeordnet sind, führt zu einer besseren Verallgemeinerung als zufälliges Ordnen, auch mit identischen Gesamttrainingdaten.

Lehrplan Lerntheorie für Robotik

Das Lehrplan im Zusammenhang mit der Roboternappilation beruht auf drei theoretischen Säulen, die jeweils praktische Auswirkungen auf die Abfolge der Aufgaben und die Zuweisung von Demonstrationsbudgets haben.

Einfache Bestellung

Das Grundprinzip: zuerst einfache Aufgaben vorstellen, wobei schwierige Varianten nach und nach eingeführt werden. Für die Manipulation bedeutet "einfach" weniger Kontaktübergänge, kürzeren Horizont, weniger visuelle Variation und eingeschränktere Anfangsbedingungen.

1. Fixed-Position-Gripps Objekt immer in der gleichen Pose, dieselbe Beleuchtung, dieselbe Hintergrund.
2. Variate-Position-Griff Objektposition randomisiert innerhalb einer 20 cm x 20 cm-Region.
3. Variate-Object-Gripts mehrere Objektformen in unterschiedlichen Positionen.
4. Sequenzmanipulation Auswahl, Transport, Ort. Mehrfache Zustandsübergangs.
5. Kontaktreiche Aufgaben Einfügung, Montage, Kraftempfindliche Arbeiten.

Die Entwicklung von Abfalldemonstrationen zu früh auf einer Politik, die nicht die Grundlage für eine effiziente Erlernung der schwierigen Aufgabe hat.

Automatische Lehrplansmethoden

Die Handarbeit erfordert menschliches Urteilsvermögen über die Aufgabenschwierigkeit der Beordnung.

Method	How It Works	Best For	Limitation
Self-paced learning	Up-weight training samples where the policy's loss is low (already learned) or in a "learning zone" (moderate loss)	Large, heterogeneous demonstration datasets	Requires all data upfront; no active collection
Competence-based progression	Evaluate policy on current stage every N episodes; advance when success rate > threshold	Active data collection pipelines (RCSV default)	Requires evaluation infrastructure between stages
Hindsight relabeling	Failed demonstrations are relabeled as successes for easier goals (e.g., "reach to where the object ended up")	Goal-conditioned policies; RL fine-tuning	Not directly applicable to pure IL without RL component
Domain randomization scheduling	Gradually increase visual/physical randomization range during training	Sim-to-real transfer; robustness training	Requires simulation environment

In der Praxis verwendet das RCSV kompetenzbasierte Weiterentwicklung für aktive Datenerhebungsprojekte: Demonstrationen in der aktuellen Lehrplanstufe sammeln, trainieren, bewerten und erst vorantreiben, wenn die Erfolgsschwelle erreicht ist. Dies verhindert, dass der Betreiber teure Zeit für Demonstrationen verschwendet, von denen die Politik noch nicht lernen kann.

Injektion bei Ausfall

Ein Lehrplan, der nur erfolgreiche Demonstrationen enthält, erzeugt eine zerbrechliche Politik. Wenn die eingesetzte Politik eine neue Situation begegnet und teilweise versagt, hat sie nie eine Erholungspfad gesehen und tritt in einen ausvertriebenen Zustand ein, der typischerweise zu einem vollständigen Misserfolg kaskadiert.

Vollgesehene Fehler-Injektion befasst sich mit diesem Problem, indem sie in jeder Lehrplanstufe 10-20% Fehler- und Erholungsdemonstrationen aufweist:

• Graps-Fehler: Der Betreiber führt absichtlich einen schwachen Griff durch, erkennt den Schlupf, greift erneut.
• Positionierungsfehler: Der Operator nähert sich dem Objekt etwas außerhalb des Zentrums, korrigiert die Zwischenanlage.
• Objektstörung: Eine zweite Person bewegt das Objekt während der Annäherung. Der Betreiber planet neu. Die Politik lernt reaktives Neuplanen.
• Teilvollständigung der Aufgabe: Der Betreiber vollendet 70% der Aufgabe, das Objekt fällt, der Betreiber erholt sich und vollendet.

In L1 (feste Primitive) sind Fehler selten und nicht informativ. Bei L2+ ist Fehlerwiederherstellung eine kritische Fähigkeit, die die Produktion robust verbessert.

Lehrplanentwurf

• Start mit primitiven Fähigkeiten (Reaching, grasping): Eine Politik "Reichweite to Objects" und eine Politik "grap stable object" sind die Grundlage für praktisch jede Manipulationsarbeit.
• ** Komplexe Aufgaben aufteilen:** Sobald primitive Fähigkeiten ausgebildet sind, werden komplexe Aufgaben viel schneller gelernt, da die Politik bereits die relevanten Wahrnehmungs- und motorischen Unterfähigkeiten hat. Eine "Place cup in tray"-Tasche, die nach der Erreichung und dem Erfassen von Richtlinien ausgebildet wird, benötigt nur 300-500 Demonstrationen, um die Zusammensetzung zu lernen; eine Ausbildung von Grund auf benötigt 2.000-5.000.
• ** Wiederverwendung von Demonstrationen über Aufgaben hinweg:** Demonstrationen von primitiven Fähigkeiten können als Vor-Schuldaten für alle Aufgaben, die diese Fähigkeiten erfordern, wiederverwendet werden.
• Messen Sie die Qualität der primitiven Fähigkeiten streng: Eine primitive Fähigkeit, die nur 80% der Zeit funktioniert, wird sich in einer komponierten Aufgabe schlecht zusammensetzen.

Aufgabenverteilungssysteme

Jede komplexe Manipulationsarbeit kann in eine Reihe primitiver Aktionen aufgeteilt werden. Die Auflösung bestimmt, wie Sie Ihren Lehrplan strukturieren, Demonstrationsbudgets zuweisen und Richtlinien zusammenstellen. Drei Auflösungsstrategien, die nach Implementierungskomplexität eingestuft werden:

Strategie 1: Sequenzprämie (einfachste)

Die Aufgabe in eine feste Abfolge von Primitivs aufteilen, die eine nach der anderen mit expliziten Handoff-Bedingungen ausgeführt werden.

• Beispiel Tassenstapling: REACH(cup_A) → GRASP(cup_A) → TRANSPORT(cup_A, oben_cup_B) → PLACE(cup_A, auf_cup_B) → RELEASE
• Übergabe-Zustand: Jeder Primitiv erklärt einen Erfolgszustand (z.B. Greifer geschlossen und Gripperkraft > 2N für GRASP).
• Vorteile: Einfach zu debuggen (Fehler ist auf eine Primitive lokalisiert), jeder Primitive kann unabhängig ausbildet werden, Primitive sind wiederverwendbar.
• Beschränkungen: Die starre Sequenzierung kann keine Aufgaben erledigen, bei denen die Reihenfolge kontextabhängig ist oder sich Primitive im Zeitverlauf überschneiden.

Strategie 2: Hierarchische Politik (gemäßig)

Eine Politik auf hoher Ebene wählt, welche Primitiv auf der Grundlage der aktuellen Beobachtung umgesetzt werden soll.

• Beispiel Sortierungsaufgabe: Die hochrangige Politik beobachtet die Szene, identifiziert das nächste zu sortierende Objekt und wählt REACH → GRASP → PLACE_BIN_A oder REACH → GRASP → PLACE_BIN_B aus.
• Schulung: Alle Primitivpersonen selbständig vorschulen (L1-L2-Schulstufen). Dann schulen Sie die Hochniveaupolitik mit Demonstrationen der vollständigen Sortierungs-Aufgabe, bei der die Aktionen auf hoher Ebene primitive Auswahl sind, nicht roher gemeinsamer Befehl.
• Vorteile: Befördert Aufgaben mit variabler Länge und bedingte Abgrenzung.

Strategie 3: End-to-End-Vorbildung mit Lehrplan (meist flexibel)

Erstellen Sie eine einheitliche End-to-End-Politik für die gesamte Aufgabe, aber initialisieren Sie die visuellen Encoder- und Aktionsdekodergewichte aus primitiver Fähigkeitsbildung.

• Vorgang: (1) Ausbilden von Primitiv, die visuellen Encodergewichte extrahieren. (2) Initialisieren Sie die Volltask-Politik mit dem Primitivencoder. (3) Fein-Tuning auf die Demonstrationen der vollen Aufgabe.
• Vorteile: Keine ausdrücklichen Handoverbedingungen; die Politik lernt implizite Übergangsformen.
• Beschränkungen: Schwieriger zu debuggen, wenn Fehler auftreten.

Aufgabenschwierigkeitsstufen L1-L5

Level	Task Description	Examples	Demo Requirement	Key Challenge
L1 — Primitive single-step	Top grasp of flat, stationary object in fixed position	Pick flat block, open/close gripper on fixed peg	50-200	Precise approach trajectory
L2 — Varied grasp	Grasp objects with varied size, position, or orientation	Pick cylinder of varying diameter, grasp in +/-30 deg orientation range	500-1,000	Visual generalization
L3 — Two-step manipulation	Sequential actions with state dependency	Pick and place, open box lid then insert item	1,000-5,000	State estimation between steps
L4 — Contact-rich assembly	Precise insertion, assembly under uncertainty	USB plug insertion, snap-fit assembly, nut threading	5,000-20,000	Reactive force control
L5 — Bimanual deformable	Two arms, deformable objects, long horizons	Fold towel, bag groceries, cut with knife and fork	20,000+	Bimanual coordination, deformable state

Diese Bereiche nehmen moderne transformatorbasierte Imitationslernarchitekturen (ACT, Diffusion Policy) an. Ältere Verhaltensklonungsmethoden erfordern 2-5x mehr Demonstrationen für die gleiche Aufgabe. Wenn Sie eine neuere Architektur wie pi-0 oder ein großes vorgebildetes Vision-Language-Action-Modell verwenden, können die Demonstrationsanforderungen bei L1-L3 aufgrund vorgebildeter Vorgeschichte 3-10x niedriger sein.

Demonstrationszahlen Skalierung pro Lehrplanstufe

Die Demonstrationsbudgets sollten über die einzelnen Lehrplansphasen hinweg einem nichtlinearen Skalierungsmuster folgen.

Curriculum Stage	Demos (Without Curriculum)	Demos (With Curriculum)	Savings	Success Threshold to Advance
L1 — Reichweite + grasp (fixed)	100-200	100-200	0% (baseline)	95%
L2 — Varied grasp	500-1,000	300-600	30-40%	90%
L3 — Pick-place sequence	2,000-5,000	800-2,000	50-60%	85%
L4 — Contact assembly	10,000-20,000	4,000-8,000	50-60%	80%
L5 — Bimanual deformable	20,000-50,000	8,000-20,000	50-60%	75%

Die wichtigste Erkenntnis: Die prozentualen Einsparungen aus dem Lehrplan sind am höchsten bei L3-L5, genau wo Demonstrationen am teuersten sind. Bei 25 bis 80 US-Dollar pro Demonstration (RCSV Data Services pricing spart der Lehrplanansatz 50 bis 200 US-Dollar bei einer typischen L4-Tasche im Vergleich zu direktem Training.

Lehrplan für Manipulation: Auswählen, Stapeln, Einfügen

Dieses bearbeitete Beispiel zeigt einen vollständigen Lehrplan für eine Produktionsmontage-Aufgabe: Einfügen einer Komponente in einen Gehäuse.

Stufe 1: Erreichen der Komponente (L1) - 150 Demo

Bewegung des Arms von der Position vor dem Greifen auf eine Pre-Griff-Position 3 cm über der Komponente.

• Hardware: OpenArm 1 (6-DOF, 500g Nutzlast) mit Handgelenkmontiertem RealSense D405
• Datenrate: 30 Hz Gelenkpositionen + 60 fps RGB von der Handgelenkkamera
• Ausgangsformat: HDF5 mit /observations/qpos [6], /observations/images/cam_wrist [480x640x3], /action [6]
• Bewertung: 20 Studien, Ziel > 95% Erfolg

Stufe 2: Grap-Komponente (L2) - 400 Demo

Die Position der Komponenten variiert innerhalb von 15 cm x 15 cm. Drei Komponentengrößen (kleine, mittlere und große). Erfolg: stabiler Griff, der durch 5 cm ohne Abfall ermittelt wird.

• Initialisieren Sie den visuellen Encoder von den Schwerpunkten der Stufe 1
• Einbeziehung von 10% der Demonstrationen von Greif- und Greifversagen
• Bewertung: 50 Versuche in allen Varianten, Ziel > 90% Erfolg

Stufe 3: Transport und Align (L3) - 800 Demo

Die Komponente wird ausgesucht, in den Gehäuse transportiert, über dem Einfügungspunkt ausgerichtet.

• Initialieren Sie aus den Gewichten der Stufe 2 (Encoder + Aktionsdekoder)
• Unterschiedliche Position des Gehäuses innerhalb von 10 cm x 10 cm
• 15% der Demonstrationen mit einer außerhalb des Zentrums gerichteten und korrekten Annäherung
• Bewertung: 50 Versuche, Ziel > 85% Erfolg

Stufe 4: Einfügen von Komponenten (L4) - 2.000 Demo

Vollständige Einfügung mit Kraftregelung. Fügen Sie F/T-Sensordaten in den Beobachtungsraum hinzu. Erfolg: Komponente voll sitzend (F/T-Sensor erkennt Sitzgestärke).

• Initialieren von Schritt 3 Gewichten; Fügen Sie den F/T-Beobachtungsbereich zum Netzwerk hinzu
• Sammeln Sie mit [Handflächen-F/T-Sensor]T3) bei 100 Hz und mit 30 Hz
• Einbeziehung von 20%-Erholungs-Demonstrationen: Fehlinterstützung, Korrektur durch Kraftfeedback
• Bewertung: 100 Versuche, Ziel > 80% Erfolg

Gesamt mit Lehrplan: 3.350 Demonstrationen. Gesamt ohne Lehrplan: 10.000-20.000 Demonstrationen. Kosteneinsparungen bei 40 $/Demo: $266K-$666K gespart.

Bewertungsmesswerte in jeder Stufe

Jede Lehrplanstufe erfordert spezifische Bewertungsgrenzen, die über einfache Erfolge/Niederlagen hinausgehen.

Metric	What It Measures	Target	Stage Applicability
Success rate	Binary task completion	75-95% (by stage)	All stages
Trajektorie smoothness (jerk)	Third derivative of joint positions; lower = smoother	<2x demonstration average	L1-L3
Positional accuracy	End-effector error at target pose	<5 mm for L1-L2, <2 mm for L3-L4	L1-L4
Episode duration variance	Consistency of task execution timing	CV < 0.3	L2-L5
Force regulation error	Deviation from target contact force	+/- 1 N of target	L4-L5 only
Bimanual sync error	Timing offset between left and right arm actions	<50 ms	L5 only
Generalisierung gap	Success rate on held-out object positions vs. training positions	<10% drop	L2-L5

Alle Bewertungsdaten werden auf die [RCSV-Datenplattform] (T4) für automatisierte Metrikberechnungen und Trendverfolgung über die einzelnen Lehrplanstufen hochgeladen.

Beispiel für die Fähigkeitenverfallung

Ein Beispiel für eine Taschenstaplingsaufgabe (L3) ist: Nehmen Sie eine Tasse und stapeln Sie sie auf eine zweite Tasse.

• Reichweite-Fähigkeit: Bewegen Sie den End-Effektor innerhalb von 2 cm vom Taschenhandhabungsbereich mit korrekter Annäherungswinkel.
• Greifer-Fähigkeit: Schließen Sie den Griff auf der Tasse aus der Reichweite-Position, überprüfen Sie den Griff-Erfolg durch Rückkopplung der Griffposition.
• Spielfähigkeiten: Tasse auf die Zieltasse senken, Zentren ausrichten, Griff freisetzen. Die neuartige Fähigkeit beim Tassenstapeln. Es sind 300-500 Demos erforderlich, die vorübergehend mit Reichweite+Grasp ausgebildet werden.

Das Programm reduziert die Datenanforderungen für diese Aufgabe um 4-6x.

Übertragen Sie das Lernen zwischen den Aufgaben

Moderne Politikarchitekturen teilen einen visuellen Encoder über den Beobachtungsraum hinweg. Dieser Encoder lernt, Aufgabenrelevant-Funktionen aus Bildern zu extrahieren. Wenn Sie den Encoder über eine Vielzahl von Aufgaben durch den Lehrplan trainieren, entwickelt er reichere Darstellungen, die effektiver auf neue Aufgaben übertragen.

• Geteilte visuelle Encoder: Trainieren Sie einen einzigen ResNet-18- oder ViT-kleinen Encoder gemeinsam bei allen Lehrplansaufgaben. Dieser Encoder lernt Funktionen wie "Objektrand", "Greifer Nähe" und "Greifer-Kontakt", die für viele Aufgaben nützlich sind.
• 3x Probeneffizienz mit Lehrplan: Empirisch reduziert ein Lehrplan-Visueller Encoder die Demonstrationsanforderung für eine neue L3-Tasche von 2.000 Demo auf etwa 600-700 Demo ungefähr ein 3-faches Verbesserungsgrad der Probeneffizienz.
• Feinabstimmung-Strategie: Für eine neue Aufgabe, die Encodergewichte aus dem Lehrplan zu eingefroren (oder eine niedrige Lernrate zu verwenden), und nur den Aktions-Decoder auf die Demonstrationen der neuen Aufgabe zu trainieren. Dies verhindert, dass die vorherigen Fähigkeiten während des Lernens der neuen Aufgabe vergesst werden.

Wann man den Lehrplan überspringen sollte

Die Entwicklung von Lehrplänen erfordert Zeit und lohnt sich nur für komplexe Aufgaben.

• L1-L2 Aufgaben: gehen Sie direkt. Einfache Ein-Schritt- oder vielfältige-Griff-Tätigkeiten können in 100-1.000 Demo-Demos von Ende zu Ende ausgebildet werden.
• L3-Aufgaben: Situationsabhängig. Wenn Sie eine klare Fähigkeitszerlegung haben und bereits primitive Fähigkeitsdaten aus einem anderen Projekt haben, verwenden Sie den Lehrplan.
• L4-L5 Aufgaben: Lehrplan ist wesentlich. Versuche, kontaktreiche Zusammenstellungs- oder zweibrochliche Aufgaben direkt von Grund auf ohne Lehrplan zu schulen, sind teuer und meistens nicht erfolgreich.
• Verwenden von VLAs: Wenn Sie ein vorgeübtes Modell für Vision-Language-Action (RT-2, Octo, pi-0) aufpassen, verfügt das Modell bereits über erhebliche Vorkenntnisse.

Datenerhebungsanordnung

Erfassen Sie Daten in Lehrplanfolge Erfassen Sie nicht alle Aufgabendaten vor Beginn der Ausbildung. Dies ermöglicht es Ihnen, frühere Aufgabenrichtlinien als Ausgangspunkt für die Erhebung von härteren Aufgabendemonstrationen zu verwenden:

• Erste L1-Daten erfassen: L1-Politiken auf > 95% Erfolg ausbauen. Diese Politiken können nun autonom Ansatzbahnen für die L2/L3-Datenerhebung erfassen (Betreiber korrigiert den Kontakt nahe, nicht den vollständigen Ansatz).
• Verwenden Sie ausgebildete Strategien zur Datenvergrößerung: Eine ausgebildete Reichweite-Politik kann die Ansatzphase autonom durchführen, während ein menschlicher Betreiber von der Anfassenphase an die Teleoperation durchführt. Dies reduziert die kognitive Belastung des Betreibers und führt zu konsistenten Demonstrationen.
• ** Priorisierung der Kohärenz gegenüber der Geschwindigkeit in den frühen Stadien:** Die Demonstrationen L1 und L2 sollten langsam und bewusst durchgeführt werden.
• Straining und Sammlung: Nach jeder 100 bis 200 Demonstrationen trainieren Sie einen Kontrollpunkt und bewerten Sie.

Lernplanentwurf Checkliste

• Definition der endgültigen Ziel- und Erfolgskriterien
• Aufschlüsselung in 3-5 Lehrplanschritte von L1 bis Zielniveau
• Geben Sie den Demonstrationszählerbudget pro Stufe an (Verwenden Sie die Skalierungstabelle oben)
• Definition von Bewertungsgrenzen und Fortschrittsschwellen für jede Stufe
• Planungsschwachstumsinspritzungen bei 10-20% für Stufen L2 und höher
• Einrichten der Datenplattform für die Schritt-zu-Schritt-Verfolgung vor Beginn der Erhebung
• 20% des Haushalts als Reserve für Phasen zuweisen, die mehr Demonstrationen als geplant benötigen
• Planung der Gewichtsübertragungstrategie des Encoder (Freiheit vs. Fein-Tuning) zwischen den Stufen
• Schema-Betriebsmitarbeiter-Schulung über Aufgabenspezifische Anforderungen vor jeder Stufe
• Ein Überprüfungsquenz festlegen: Überprüfungsstellen alle 200 Demo-Konzepte bewerten, nicht nur am Ende der Etappe

Verwandte Leitfäden

• Roboter-Daten-Sammlungsdienst-Käuferführer Bewertung von Datenanbietern für Projekte im Lehrplan
• [Datenformatenleitfaden (HDF5/RLDS/LeRobot) T7) Sicherstellung der Speicherung von Lehrplandaten in kompatibelem Format
• Bimanuelle Teleoperations-Hardware-Einstellung Hardware für L5-Lehrplan-Aufgaben
• [Betriebspersonal Rekrutierung und Ausbildung]T9) Teambau, um Ihren Lehrplan auszuführen
• Force/Torque Sensor Selection Guide Hinzufügen von F/T-Sensoren für L4+-Lehrplanstadien
• [Wie ein Teleoperationslabor eingerichtet wird]T11) Laborinfrastruktur für die Datenerhebung

Arbeiten mit RCSV

RCSV bietet end-to-end Lehrplanentwurf und -ausführung für Roboter-Lernprojekte. Unser Team hat Lehrpläne für Manipulations Aufgaben entwickelt und ausgeführt, die von L1-Ein-Schritt-Griff über L5-Bimanual-deformierbare Objektmanipulation reichen.

• Lehrplanberatung: Wir überprüfen Ihre Ziel Aufgabe, schlagen eine Lehrplanstruktur vor und schätzen die Demonstrationsbudgets, bevor die Datenerhebung beginnt.
• Datenerhebung: Unsere zertifizierten Betreiber in San Francisco, CA und Allston, MA Sammeln Studien-Daten auf OpenArm 1, DK1 bi-manual, Unitree G1 und 5+ zusätzliche Arm-Plattformen.
• Plattformintegration: Alle gesammelten Daten werden mit Stufenmessungen, Evaluierungs-Dashboards und Format-Export auf HDF5/LeRobot/RLDS auf die [RCSV-Datenplattform]*T15 hochgeladen.
• Hardwarevermietung: Brauchen Sie Hardware für die interne Ausführung des Lehrplans? Lease Roboter von RCSV für tägliche, wöchentliche oder monatliche Termine.

Erstellen Sie Ihre Schulungsdaten

RCSV Data Services bietet eine kursy-bewusste Datenerfassungsinfrastruktur, Operator-Schulung und Datenbestandsqualitätsanalyse für Roboter-Lernteams.

[Erforschung von Datendiensten] [T17] [Gespräch mit einem Experten] [T18]