Aprendizaje por Transferencia
El aprendizaje por transferencia en robótica implica tomar un modelo preentrenado en un dominio (p. ej., datos de visión-lenguaje de internet, simulación o un robot diferente) y adaptarlo a una tarea objetivo o robot con datos adicionales limitados. El ajuste fino de las capas finales de una red troncal preentrenada en datos de demostración robótica es el enfoque más común; el ajuste fino completo de todos los pesos se utiliza cuando hay suficientes datos robóticos disponibles. El aprendizaje por transferencia es el mecanismo que hace que los modelos fundamentales sean prácticos para robótica — la alternativa de entrenar desde cero solo con datos robóticos requeriría millones de demostraciones. Véase también preentrenamiento, transferencia sim-a-real. Véalo en la práctica: nuestras evaluaciones en el mundo real →