Почему роботы учатся только с третьей попытки

ACT научился стабильно брать объекты только после переработки данных и пайплайна. Для тебя это значит, что успех в роботике решают не модели, а качество данных и среды. Начни с контроля сетапа и разнообразия датасета.

Первые запуски провалились из-за сдвига камер, плохих углов обзора и рассинхронизации калибровки. Модель переобучалась на фиксированные позиции и не обобщала. После фиксации оборудования, формализации задач и увеличения разнообразия данных поведение стало устойчивым даже вне распределения. Важны не только архитектуры, но и инженерия сбора данных и eval пайплайны.

🔗 https://huggingface.co/blog/sherryxychen/train-act-on-so-101

#robotics #machinelearning #transformers #computervision #AI