Apprentissage par transfert
L'apprentissage par transfert en robotique consiste à prendre un modèle préentraîné sur un domaine (par exemple, données vision-langage d'Internet, simulation ou un robot différent) et l'adapter à une tâche cible ou un robot avec des données supplémentaires limitées. L'ajustement fin des dernières couches d'un backbone préentraîné sur des données de démonstration robotique est l'approche la plus courante ; l'ajustement fin complet de tous les poids est utilisé quand suffisamment de données robotiques sont disponibles. L'apprentissage par transfert est le mécanisme qui rend les modèles de fondation pratiques pour la robotique — l'alternative d'un entraînement à partir de zéro sur des données robotiques seules nécessiterait des millions de démonstrations. Voir aussi préentraînement, transfert sim-vers-réel. Voir cela en pratique : nos évaluations en monde réel →