Autor | Cen Feng
Bajo la ola de IA generativa, la comunidad de robots está experimentando una gran migración desde el control tradicional hacia el aprendizaje end-to-end. Al igual que en muchos campos, también hay una superstición respecto al tamaño de los datos, creyendo firmemente que “cuanto más datos, más inteligente” es el único camino hacia la inteligencia general con cuerpo. Sin embargo, en la reciente conferencia internacional sobre máquinas y sistemas inteligentes IEEE/RSJ IROS, Jen Jen Chung, de la Universidad de Queensland, en su discurso principal, combinando sus más de diez años de casos de investigación, llegó a una conclusión que es muy reflexiva:No todos los datos son iguales; la acumulación ciega de datos incluso puede causar el colapso del sistema y la ineficacia de las estrategias.El profesor Chung comienza su discurso directamente en el punto clave:Los datos masivos no equivalen a un alto volumen de informaciónExisten numerosos ejemplos en los que se poseen grandes cantidades de datos, pero no se obtiene nada, porque muchos de esos datos simplemente no nos ayudan a comprender realmente la esencia del problema. En el camino hacia sistemas autónomos universales,Lo que determina el límite de la inteligencia nunca es la escala absoluta de los datos, sino la calidad de los datos y la densidad de información.En el punto de partida de su carrera científica, en el proyecto de vuelo autónomo de drones, la profesora Chung comprendió profundamente que “la exploración tiene un costo”. Para que los drones de alas fijas utilicen de forma autónoma los flujos de aire ascendente como las aves, es necesario consumir energía valiosa para investigar el espacio de estado y acción desconocido. Esto la obligó a reflexionar: ¿cuándo recopilar datos? ¿Cómo recopilar datos? La muestreo ciego y uniforme no solo desperdicia recursos, sino que también puede retrasar el proceso de aprendizaje. Esta serie de investigaciones iniciales le hizo darse cuenta de que:El valor de los datos no se distribuye de manera homogénea; la información de alto valor recopilada según las necesidades es mucho más valiosa que una gran cantidad de observaciones redundantes y sin diferenciación.Esta profunda comprensión de la heterogeneidad del valor de los datos es especialmente crucial en los sistemas distribuidos con múltiples robots. Cuando el objeto de estudio se expande de una sola unidad a la colaboración entre múltiples máquinas, y se enfrenta a canales de comunicación real limitados, con degradación y alto retraso, “emitar todos los datos a todos los nodos en todo momento y en cualquier lugar” no es solo poco realista, sino que también puede causar un congestionamiento crítico en la red. En este escenario, el profesor Chung propone el único criterio de oro para medir el valor de la distribución de datos.“¿Es posible que este dato impulse un cambio en la toma de decisiones comportamentales?”Basándose en esto, su equipo introdujo una lógica central muy creativa:Transmitir la información más importante, no toda la información. En el discurso, el profesor Chung presentó una serie de casos que ilustraron perfectamente cómo lograr un equilibrio delicado entre el costo del ancho de banda y la fidelidad de los datos. Al final del discurso, el profesor Chung se refirió al paradigma actual de aprendizaje de estrategias punto a punto en robótica, enfrentándose directamente al “elefante en la habitación”. En las complejas tareas de montaje con contacto enriquezado, incluso cuando se proporcionan grandes cantidades de datos multimodales al brazo mecánico (visual, sensación de fuerza y percepción corporal), el rendimiento después de la implementación es extremadamente mediocre; incluso en escenarios sin material, realiza movimientos de inserción de manera mecánica. Por este motivo, el equipo del profesor Chung propuso un método de “reparación estratégica”. Los experimentos demuestran que, con el mismo presupuesto de datos de enseñanza, este método de selección dirigida de muestras “reparadoras” mejora significativamente el rendimiento de generalización estratégica en comparación con la amplificación ciega de datos. Esto confirma nuevamente el tema de la presentación:“La calidad de los datos determina el límite”, perseguir ciegamente la escala de datos solo puede ser un juego numérico inútil.Se presenta el discurso de Jen Jen Chung, y los comentarios sobre tecnología AI lo han editado según su contenido en inglés, sin cambiar su significado original:
▎Título del discurso: （Geometry Strikes Back: Escalado de la Reconstrucción 3D y Estructuración de la Generación de Escenas 3D）
Oradora: Jen Jen Chung, Universidad de Queensland01
Comenzando con el planeo del dron: la desconexión entre datos e información
“Datos” no es lo mismo que “información”. Algunos fragmentos de datos pueden contener una gran cantidad de información; pero, al mismo tiempo, también puede ocurrir que tengas una gran cantidad de datos y, sin embargo, no obtengas nada. Revisar ahora la relación entre “datos e información” resulta especialmente significativo. En medio de las tendencias tecnológicas actuales, estamos obsesionados con recopilar tantos datos como sea posible, creyendo que “cuanto más datos haya, mejor se resolverán todos los problemas”. Lo que quiero hacer hoy es desafiar este modo de pensar. La desconexión entre datos e información ha permeado muchas de mis investigaciones anteriores. Mi tesis doctoral se centraba en el vuelo autónomo de drones no tripulados. La naturaleza nos ofrece un ejemplo maravilloso: las aves saben cómo extraer energía de los campos de viento y utilizar la corriente térmica ascendente para aumentar su altitud. En ese momento, estudiábamos si era posible que los drones tripulados lograran un funcionamiento similar. Desde el punto de vista de las estrategias de exploración, es un tema muy interesante: cuanto mayor sea el tiempo de vuelo, más oportunidades hay para explorar el “espacio estado-acción”. Sin embargo, la clave está en:La exploración requiere un precio a pagarDebes consumir la energía que has obtenido con gran esfuerzo para explorar las zonas desconocidas del espacio de estado-acción; además, no existe ningún mecanismo que garantice que tu viaje sea provechoso. Es posible que hayas investigado un área específica con mucho esfuerzo, pero al final no hayas obtenido nada. Por lo tanto, si deseas aprender rápidamente, debes equilibrar cuidadosamente “cuándo recopilar datos” y “cómo recopilar datos”. Si se manejan las medidas adecuadamente, con un número muy pequeño de rondas de entrenamiento, podrás desarrollar una estrategia de planeo muy eficiente. En las rondas 20~27, ya hemos entrenado una estrategia de control muy buena, que permite al dron obtener energía a través del flujo de aire caliente. Lo más interesante es analizar el espacio de la función de valor. En estos gráficos, las curvas muestran la función de valor bajo diferentes velocidades de vuelo. Verás que, cuando la velocidad de vuelo alcanza un punto crítico, el beneficio neto de energía se reduce a cero: debido a que la velocidad de vuelo es demasiado alta, el dron irá directamente por encima del flujo de aire caliente y no tendrá tiempo suficiente para capturar energía desde allí. En cuanto la estrategia de control comprende esto, es decir, se da cuenta de que explorar esa área no tiene sentido, incluso si continúa recopilando más datos en esa área, la estrategia no mejorará en absoluto. Otra ilustración es la planificación del camino más corto en un campo de costos desconocidos. El problema radica en encontrar el camino óptimo entre dos puntos, mientras que el campo de costos real mostrado en la esquina superior izquierda es completamente desconocido en su estado inicial; debes utilizar muestras locales para entender los costos de cruzar cada área. En este momento, hay dos cosas que debemos tener en cuenta: primero, la muestreo tiene un costo, y debe pagar un precio real para explorar y recopilar datos; segundo, el objetivo final es encontrar el camino más corto, no reconstruir precisamente todo el campo de costos. Una vez que esto está claro, no deberíamos realizar muestreo uniforme, ni muestrar ciegamente solo para reducir el error en la estimación del campo de costos. ¿Cómo podemos guiar la recopilación de datos para mejorar al máximo la precisión en la inferencia del camino más corto? Dado que se conocen el punto de partida y el punto final, podemos realizar una búsqueda heurística bidireccional primero. Proponemos la siguiente suposición: si en este momento se recopilan datos de observación en algún lugar, ¿cómo cambiará ese valor de medición nuestra confianza a posteriori? ¿Cómo reconfigurará nuestros límites de búsqueda? ¿Qué tipo de cambio previo habrá en el tipo de medición o en la escala numérica? ¿En qué orden de magnitud estará el valor esperado? Y lo más importante: ¿cambiará su opinión sobre la dirección del camino más corto? Si se anticipa que ese valor de medición no puede cambiar en absoluto la estimación del camino, entonces esta muestra no es necesaria. Por lo tanto, podemos dirigir de manera específica la recopilación de datos. Consulte el método de exploración rápida que propusimos en 2017: este algoritmo, una vez que determina que una región es de costo extremadamente alto, detiene inmediatamente la muestra del espacio de estado y del subespacio de exploración — porque la probabilidad de encontrar un camino más corto caminando hacia arriba izquierda es mínima. Deberíamos orientar el valioso presupuesto de recopilación de datos hacia la esquina inferior derecha, donde hay mayor potencial para descubrir soluciones mejor. En estos dos casos —ya sea para encontrar el camino más corto o para el vuelo autónomo del dron—, la recopilación de datos redundantes, aunque no aporta ayuda real en la resolución del problema, al menos no daña la solución existente; simplemente retrasa la eficiencia de cálculo.02
Sistema de múltiples robots:
El intercambio de datos nunca ha sido sin costo
En un área específica, introducir más datos al azar en el sistema no solo es inútil, sino que incluso puede causar una deterioración drástica del rendimiento general. Este fenómeno se concentra principalmente en los sistemas distribuidos de múltiples robots. La razón es que la distribución de datos en el sistema depende completamente de la infraestructura de comunicación subyacente.El intercambio de datos nunca ha sido sin costo“En la realidad, nunca se puede evitar el obstáculo de ancho de banda; los canales de comunicación suelen estar llenos de limitaciones, atenuación y retraso. Dadas las restricciones físicas de los canales de red, ‘emular a todos los nodos y difundir toda la información en todo momento y desde cualquier lugar’ es completamente irreal. Además, el valor marginal de los datos no está distribuido de manera uniforme; depende en gran medida de las propiedades del propio dato, la identidad del nodo receptor y la actualidad de su recepción. Teniendo en cuenta estos tres factores, ¿cómo podemos planificar un mecanismo de distribución de datos entre sistemas para que cada nodo pueda obtener la información más crucial?” Podemos comenzar por “objetos de comunicación” y “momentos de comunicación”. El escenario más intuitivo es la prevención de colisiones entre múltiples drones. ¿En qué momento exacto los drones deben conocer la dirección de otros robots? Imaginemos un grupo de drones con rutas entrecruzadas: ¿necesitan mantener una comunicación constante en todo momento? ¿O solo es necesario comunicarse cuando no tienen una estimación suficientemente fiable del comportamiento de los demás individuos? La pregunta clave que debes hacer es:¿Puede este dato provocar un cambio en la toma de decisiones comportamentales?“Cuando los nodos se encienden en amarillo, significa que están comunicándose o solicitando el estado del otro; cuando se muestran en azul, indica que la predicción a bordo es suficientemente confiable y no se necesita datos adicionales. A través de este mecanismo de comunicación selectivo, hemos reducido significativamente la carga de los canales de red y mejorado notablemente la probabilidad de que la información de alto valor llegue correctamente al destino. Otra dimensión del problema es “qué contenido se transmite”. Además de enviar datos originales directamente, podemos utilizar representaciones aproximadas en su lugar. Aquí introducimos una herramienta matemática muy sofisticada: el filtro de Bloom. Imaginemos una tarea de exploración de grafos colaborativa, donde el robot necesita sincronizar las áreas que ha recorrido y observado en el mapa de cuadrados. Por supuesto, se podría transmitir directamente la trayectoria de posición detallada, pero existe un método de codificación mucho más eficiente. Por ejemplo, el filtro de Bloom utiliza una asignación de hash para comprimir la información de estado en grupos de dígitos de alta densidad, logrando así un ratio de compresión de datos sorprendentemente alto. Aunque hay una cierta pérdida en la precisión de los datos, se obtiene un volumen de datos muy reducido, lo que aumenta significativamente la tasa de transmisión exitosa en canales difíciles. Cuando la información se sincroniza con el robot rojo, este recibe el grupo de datos numérico y puede realizar consultas de estado localmente para verificar si una unidad de celda específica ha sido explorada. El robot rojo puede determinar que la celda (1,7)(1,7) ha sido observada por el robot verde; cuando se realiza una consulta sobre otra celda, si el bit de hash es 00, significa que el otro no ha intervenido en esa área, y así se considera un punto potencial digno de ser explorado por el propio robot. Pero el precio de esta compresión perjudicada, como ya he dicho, es sacrificar cierta precisión. Al consultar algunas celdas, puede ocurrir un positivo falso: una celda que claramente no ha sido explorada, pero la consulta por hash indica que está presente en el conjunto. Este es un costo inevitable de una compresión tan alta. Sin embargo, comprender claramente el mecanismo interno de las herramientas nos permite introducir hábilmente otras técnicas de ingeniería, rompiendo los límites máximos de rendimiento de las herramientas existentes. Una solución muy simple pero sofisticada es añadir sal a los datos: es decir, introducir un valor de sal aleatorio, combinarlo con los datos y luego realizar el hash, y transmitir el valor de sal junto con los datos. De esta manera, en los ciclos continuos de observación y comunicación, podemos utilizar valores de sal independientes y distintos en cada ocasión, y el conjunto de dígitos obtenido por el hash también será diferente. Esto significa que los datos transmitidos en la red, desde el punto de vista estadístico, son independientes entre sí, representando muestras de observación separadas. Esta independencia estadística permite que aprovechemos todas las ventajas teóricas de la inferencia bayesiana y la superposición de información secuencial. Esto permite que el dispositivo receptor tome decisiones más robustas. Incluso si el porcentaje máximo de falsos positivos por sesión predefinido por el sistema es del 50%, el porcentaje instantáneo de falsos positivos puede ser muy preocupante, como muestra el error de alerta temprana representado por los puntos en blanco en la imagen; sin embargo, a través de la fusión de información desconectada entre ciclos, el error de confianza a posteriori de cada robot se reduce significativamente, superando con creces el nivel de falsos positivos instantáneos. Esto nos permite disfrutar tanto de los beneficios de la compresión alta de datos en el consumo de canal, como mantener una capacidad de toma de decisiones de alta calidad. Por lo tanto, mecanismos como el filtro de Bloom nos proporcionan un palanca para realizar un equilibrio directo entre el costo del ancho de banda de comunicación y la fiabilidad de la información. En tareas de exploración colaborativa entre múltiples dispositivos, la eficiencia general se optimiza significativamente. Prefiero considerarlo como un equilibrio cuantitativo entre “precisión de datos” y “actualidad”, lo cual corresponde exactamente a “contenido de transmisión” y “momento de transmisión” en el flujo de datos del sistema. Pero el plan mencionado tiene una premisa implícita: el sistema debe recibir toda la paquete de datos antes de poder comenzar a decodificarla. Este es otro obstáculo que intentamos superar. En la arquitectura actual de comunicación de robots existe un tipo de pensamiento inercial: para utilizar cualquier información, se debe esperar a que el paquete de datos sea completamente recibido antes de desempaquetarlo y analizarlo. Una vez que se enfrenta una red débil o condiciones de conexión intermitente, si hay pérdida parcial del paquete, toda la transmisión se anula por completo. En lugar de caer en la dificultad de la transmisión entre blanco y negro, ¿podríamos obtener más resolución de datos a cambio de tiempo? ¿Podríamos introducir un mecanismo de transmisión en flujo que nos permita recibir paquetes ligeros de inmediato sin esperar a toda la información, y decodificarlos de inmediato, de modo que se puedan tomar decisiones oportunas? De esta manera, incluso si el robot azul que está al límite de la señal débil recibe solo la mitad de los paquetes, parte de la información que obtiene puede ser utilizada directamente en la planificación coordinada. Si ustedes han experimentado, como yo, la era del internet de los años 90, quizás recuerden el mecanismo de streaming de aquel entonces. Somos nosotros quienes tomamos prestada esta idea, que sigue siendo común en la vida cotidiana: al ver videos de streaming en un teléfono móvil, no es necesario almacenar completamente el video en alta definición en el dispositivo para que se reproduzca sin problemas. Hemos transferido el concepto de transmisión gradual a los sistemas de robots, permitiendo que la flota tome decisiones razonables rápidamente cuando la información aún no está completa. Con esta idea de transmisión en flujo y con la representación gradual de múltiples niveles de detalle, podemos ajustar libremente la balanza entre precisión y velocidad, permitiendo que los robots tomen decisiones inmediatas sin depender enormemente de la red. La alineación y consistencia del mapa entre los grupos de robots son mucho mejores que los planes tradicionales que requieren sincronización total de todo el dato de una sola vez; en escenarios de creación de mapas a mayor escala y en sistemas complejos, la ventaja de expansión de este método se hace aún más evidente. Aquí hay un conjunto de resultados experimentales cuantitativos que pueden respaldar con fuerza nuestro punto central: más datos no equivalen directamente a decisiones mejoradas. En la parte inferior del gráfico, los métodos de transmisión en flujo marcados en azul presentan el volumen total de comunicación más bajo en comparación con todos los métodos de referencia, y la cantidad de datos recibidos por el receptor también es la menor. Sin embargo, al examinar la calidad de sincronización global del mapa, sigue siendo capaz de acercarse al estado ideal donde el canal está completamente sin daños y sin limitaciones de ancho de banda. Esto muestra que podemos perfectamente procesar los datos mediante una representación razonable, reconstrucción y compresión en flujo, en lugar de introducir todo el dato original en la red de forma despreocupada, esperando que se obtenga un mejor resultado milagrosamente en el destino.03
Aprendizaje de estrategias para robots:
El problema no está en la falta de datos, sino en el sobreajuste
Toda esta preparación anteriormente mencionada tiene como objetivo presentar el “grande elefante en la habitación” que debemos enfrentar actualmente en nuestro campo: el paradigma predominante del aprendizaje estratégico de robots en la actualidad. El paradigma de investigación predominante actual intenta comprimir todo el conocimiento previo de toda la humanidad y aplicarlo de golpe en las estrategias de los robots, con la esperanza de producir una estrategia general a partir de grandes cantidades de datos generalizados, para abarcar todos los escenarios complejos, desde operaciones detalladas, navegación autónoma hasta la interacción dinámica de múltiples puntos de contacto. También hemos tenido dificultades en esta dirección. Anteriormente, hemos estado explorando cómo llevar a cabo el aprendizaje de estrategias para tareas complejas de ensamblaje con contacto abundante. En este experimento, recopilamos datos de demostración mediante teleoperación por expertos y entrenamos el brazo mecánico para que realice la inserción de piezas en un entorno de apilamiento desordenado. Incluimos entradas sensoriales de todos los dimensiones en el modelo: datos visuales bimodales que incluyen imágenes RGB y mapas de profundidad, lecturas de sensores de torque en seis dimensiones del manipulador final, y todo el conjunto de estados de percepción corporal. Inyectamos todos los datos recopilados en el modelo, sin embargo, el rendimiento de la estrategia después de su implementación es extremadamente mediocre. Como se puede ver, el brazo mecánico realiza acciones mecánicas repetidas: choca ciegamente contra los bloques, desordena la escena y tiene contacto físico, imitando mecánicamente las trayectorias enseñadas en el conjunto de entrenamiento. Frente a este rendimiento deficiente, la “solución” que más se propone habitualmente es: aumentar los datos de entrenamiento y recopilar más demostraciones de teleoperación por expertos. Pero si se examina detenidamente su comportamiento anormal en escenarios de cajas vacías, se descubre que, incluso cuando la caja está completamente vacía, el brazo mecánico sigue reproduciendo mecánicamente la misma acción de inserción. Este ejemplo revela claramente que el problema no radica en la falta de datos, sino en una sobreajuste grave de la estrategia. El modelo ignora por completo la entrada visual y desprecia el feedback de fuerza; solo se basa en los datos de percepción tisular de las articulaciones para “recitar” y repetir mecánicamente el camino de enseñanza. El sobreajuste no es un concepto nuevo; existe desde el momento en que nació el aprendizaje automático. Sabemos muy bien de la existencia de este problema. Por lo tanto, debo hacer un llamado especial: al aprender estrategias para abordar este desafío, debemos mantenernos alertas respecto a este obstáculo. Lo crucial no es añadir más datos al modelo, sino examinar de manera más sabia: ¿qué tipo de datos realmente debemos introducir en el modelo? No solo estoy pensando en esto, mis colegas de la Organización de Investigación Científica e Industrial de la Federación de Australia también están trabajando en resolver este problema. Muchos colegas presentes aquí probablemente también han enfrentado situaciones similares: tomando como ejemplo la tarea de apilar bloques de lego, el brazo mecánico debe apilar los bloques verdes con precisión sobre la parte superior de los bloques amarillos. En un entorno nominal con luz uniforme y limpio, cuando las características del entorno se ajustan a la distribución de entrenamiento, el rendimiento de la estrategia es bastante estable. Sin embargo, en cuanto se cambia el fondo o se añaden algunos obstáculos al escenario, el rendimiento de la estrategia se deteriora instantáneamente. Esto no es sorprendente, ya que estos pequeños perturbaciones siempre han sido el “enemigo” de las estrategias entrenadas únicamente con datos nominalmente limpios. No podemos afirmar que esta estrategia haya realmente aprendido la habilidad general de “apilar bloques”; a lo sumo, podemos decir que solo ha aprendido “la apilación de bloques bajo condiciones específicas de iluminación y configuraciones de escenario específicas”. ¿Cuál es la solución? ¿Continuar recolectando masivamente datos de manera ciega? ¿O bien probar diferentes configuraciones de iluminación y inculcar incansablemente más instrucciones de teleoperación experta? ¿O tal vez existe algún método más fundamental para romper esta situación? El primer autor de este trabajo, Giovanni Joseph, eligió investigar los cambios microscópicos dentro del modelo de estrategia: ¿cuál es exactamente la diferencia en los resultados de la estrategia en dos escenarios de entrada? ¿Qué tipo de desviación ocurre en la salida de acciones? Al comparar la distribución de acciones de la estrategia en el escenario nominal con la distribución en el escenario de desviación por perturbación, obtuvimos puntos de evidencia cuantificables, lo que nos permitió entender las cambios en la distribución de la salida de acciones. Realizamos este test en un gran conjunto de datos de entrenamiento, y mediante técnicas de edición de datos, simulamos diferentes condiciones ambientales como la iluminación variable, para luego representar la distribución del desplazamiento de acciones que causan el colapso de dicha estrategia en la fase de razonamiento. Esta distribución revela de manera intuitiva cómo se agrupan los desplazamientos de rendimiento. Por lo tanto, en relación con las variaciones en la representación visual, podemos realizar una búsqueda inversa dirigida: ¿qué tipo de enseñanza teleoperativa experta debe inyectarse en cada escenario específico para proporcionar el máximo soporte en ese espacio de características, y así corregir la estrategia con el menor costo posible, llevándola de vuelta al rumbo correcto de la toma de decisiones? Avanzamos sistemáticamente este trabajo en todo el espacio de distribución. Esto hace que nuestro recopilamiento y uso de las enseñanzas de entrenamiento sea muy proactivo y dirigido. Los experimentos demuestran que, con el mismo presupuesto de datos de enseñanza, el aumento en el rendimiento estratégico final obtenido por este método es mucho mayor que el de un aumento ciego de datos. Esto demuestra claramente que, en lugar de buscar únicamente la escala numérica de los datos, lo que realmente determina el límite es la calidad de los datos que se recopilan. Lo crucial es seleccionar de manera específica aquellos muestras clave que pueden “reparar” con precisión los patrones de ineficiencia estratégica y cubrir las zonas ciegas de las características. Espero que la presentación de hoy pueda ofrecer a todos una nueva perspectiva para avanzar hacia esta nueva era de estrategias de robots lideradas por el aprendizaje automático de extremo a extremo. Finalmente, quiero destacar una vez más mi iniciativa principal: en el camino de seguir avanzando hacia sistemas autónomos universales, debemos respetar los principios científicos en la recolección y uso de datos. Por favor, recuerden siempre: nuestro objetivo final nunca ha sido acumular datos en el sistema sin fin, sino inyectar en los agentes de inteligencia la información más útil y clave para que puedan resolver mejor los problemas del mundo real. Por último, quiero agradecer a todos los excelentes colaboradores que contribuyeron a esta publicación. ¡Muchas gracias a todos! ¡Pueden hacerme preguntas!04
P&Q
▎P: En comparación con el rendimiento de referencia del 90% en el entorno nominal, incluso después de la corrección estratégica, existe todavía una diferencia en la tasa de éxito frente a los cambios externos.
A: Esta es una perspectiva de gran profundidad: indica que todavía necesitamos describir y analizar con mayor detalle la distribución del desplazamiento de acciones en el espacio. En esta etapa, al decidir el lugar donde cae el punto de muestreo, evaluamos si ese punto puede ofrecer el soporte más efectivo en el espacio de características, intentando maximizar la cobertura espacial en un sentido global. Si pudieramos definir una medida de distancia más precisa, quizás podríamos hacer una estimación previa más exacta del costo específico necesario para la corrección estratégica. Pero esto sigue siendo un desafío enorme en la actualidad: la razón es que el espacio de incrustación de alta dimensión es, en esencia, solo una aproximación áspera al espacio de medida. No podemos asegurar matemáticamente que las diversas herramientas de análisis de medidas clásicas sigan siendo estrictamente válidas en el espacio de incrustación, ya que estos espacios de representación no son, desde el principio, espacios de medida realmente estrictos; son simplemente un medio de aproximación en el ámbito de la ingeniería.▎P: Si llegamos al nivel metodológico, ¿cuál es la filosofía fundamental subyacente que uno debe considerar al abordar los problemas de comunicación de robots?
A: Si quiero resumir mi comprensión básica de las comunicaciones, lo clave es una cosa: “¿Esto cambiará la decisión de acción del otro?” Si te envío una información que no puede influir en tu próximo movimiento, en otras palabras, incluso si no te lo digo, seguirás tomando exactamente las mismas acciones, ¿cuál es entonces el sentido de gastar ancho de banda para compartir esa información? Esa es mi principio fundamental.▎P: Quiero preguntar sobre una limitación del filtro de Bloques mencionada al principio. Especialmente en la exploración colaborativa de múltiples robots descentralizados, se suele utilizar métodos probabilísticos para integrar estados; pero existe un problema clásico de “utilización repetida/cuenta circular” de datos: no se puede rastrear quién emitió la información actual ni cómo se transmitió entre los nodos asociados. En esta representación dañada y altamente comprimida, ¿cómo codificaría los metadatos de rastreo como “quién generó estos datos” y “qué nodos han integrado este dato”?
A: Al utilizar el filtro de bloques para sincronizar información, distinguimos estrictamente las fuentes de entrada: es decir, entre “secuencias de observaciones consecutivas provenientes del mismo robot” y “información cruzada proveniente de robots diferentes”. Cuando se trata de la pregunta “¿ha observado un robot individual algún celda?”, en esencia se está realizando una acumulación de confianza bayesiana: a medida que sigo consultando al robot, si esa celda se muestra presente en múltiples hashings, según la independencia estadística, mi confianza en que realmente ha sido observada aumenta de manera progresiva. Pero si varios robots diferentes declaran al mismo tiempo que han observado ese rejillo, la forma matemática del problema se transforma en calcular “la probabilidad de unión realizada por al menos uno de los robots”. Por lo tanto, desde el punto de vista de la inferencia probabilística, el método de tratamiento es completamente diferente. Y una vez que los datos en sí tienen irregularidad —por ejemplo, “¿qué robot es más confiable? ¿Es el sensor de algún robot más preciso? O bien, ¿cuál es el entorno de posición en el que se encuentra con un mayor ratio señal-ruido y fidelidad?”. ”——La complejidad del problema aumentará drásticamente. Cómo integrar de manera elegante los pesos de confianza del robot y las etiquetas de rastreo en un paquete comprimido compacto es, de hecho, un tema muy complicado y digno de investigación. ¡De nuevo, gracias a todos!Para que todos puedan comunicarse entre sí y compartir información sobre las reuniones, hemos creado específicamente el IROS 2026 Grupo de comunicación para la participación¡Entrar en el grupo desbloqueará estas «beneficios»?
Estación de información de reuniones: envíos de DDL, normas de formato, progreso de revisión… Los puntos clave se notifican en el momento adecuado, así no hay más riesgo de pasar el plazo establecido. La preparación para los envíos es sólida y segura.
Reunión de té entre colegas: todos los colegas de todo el mundo están en el grupo. Hablan sobre sus experiencias, discuten ideas y construyen relaciones. Somos compañeros en el camino del investigación científica.
Estación de reabastecimiento de vanguardia: los últimos resultados de investigación y las tendencias principales se sincronizan en tiempo real. Se combina con el tema de la conferencia para ayudarte a organizar tus contribuciones, y proporciona inspiración para tu artículo.
Comité de apoyo en el lugar: (abierto exclusivamente durante la reunión):No necesitas preocuparte al llegar al lugar—
Navegación de rutas: Distribución de los lugares, cómo llegar al salón de informes, pide ayuda en el grupo en cualquier momento;
Leer conjuntamente el tema: sesiones populares y discusiones de Keynote, que puedes seguir aunque se te haya pasado.
Recopilación de pósters: Resumen de los pósters en vivo, guardar con una sola tecla sin omitir nada;
Plaza Yueju: Salas de comida, oficinas de entrevistas, departamentos de comunicación… Si quieres charlar, colaborar o conocer gente en persona, basta con iniciar una reunión en el grupo.
? Puerta de entrada al grupo: Escanee el código para unirse al grupo o agrega a WeChat Luyoyo_2026, y deja un comentario: IROS + institución/sociedad + nombre + área de estudio.
En la investigación científica/tecnología, la diferencia de información es muy importante.
Vamos, darle un paso adelante!
Sube al coche, te mostraré los aspectos más importantes de las conferencias de alto nivel sobre IA del mundo entero
Acceso exclusivo:
PPT para conferencia de experto
Informe completo de la conferencia
Análisis de artículos populares
Entrevista con la estrella académica emergente
Escanee el código QR de arriba
O haga clic en «Leer el texto original» para acceder a la sección de Leifengwang (publicación oficial: Leifengwang).
Artículo original de Leifengwang, no se permite la reproducción sin autorización. Para más detalles, consulte las instrucciones para la reproducción.