Домашний робот обычно хорошо работает только в помещении, где его долго обучали. Figure представила Helix 2.5 — гуманоида, который справляется с домашними задачами в незнакомых домах без предварительной подготовки. Робот протестирован в 30 разных домах без сбора данных, дообучения или настройки под конкретные помещения.
Во время испытаний робот убирал игрушки в корзину, складывал полотенца и застилал кровать. Каждый дом был новым, предметы отличались. Для всех 30 домов использовали одну версию модели, результаты из тестовых помещений не применяли для корректировки. Любая помощь человека считалась неудачей.
Главный результат показывает перенос навыков. Модель, обученная только на данных для конкретных заданий, справилась с 9% испытаний. После предварительного обучения Helix 2.5 на массиве Index успешность достигла 56% — рост более чем в шесть раз. Робот должен был полностью завершить задачу, частичный успех не считался.
«Zero-shot» здесь означает работу в новых помещениях с неизвестными предметами, а не выполнение команды без подготовки. Три типа домашней работы роботу заранее объяснили на данных из других мест. Демонстрация показывает, как робот применяет уже освоенные навыки в новой обстановке, а не придумывает способы действия с нуля.
Index собирает видео человеческого поведения, чтобы робот учился не только на дорогих демонстрациях. Figure сортирует видео по категориям с помощью визуальных и текстовых данных, затем использует их для предварительного обучения. По данным компании, Index добавляет около 35 минут человеческого опыта каждую секунду.
Новый подход снижает нужду в обучении на месте. Helix 2.5 потребовалась вдвое меньше специализированных данных, чем предыдущей модели Helix 02, но при этом успешно перенесла навыки на 30 чужих домов. Ранее Helix 02 работала автономно, но только в знакомой среде.
Работа в квартире усложняется тем, что робот одновременно видит предметы, ходит, меняет положение и работает обеими руками. Helix 2.5 может отступить, изменить позицию или обойти препятствие, если первый захват не удался. Такое самокорректирующееся поведение важно в тесных помещениях, где невозможно заранее запрограммировать траекторию.
Figure проверила влияние размера Index на качество переноса. Четыре модели обучили на вложенных наборах, различавшихся в объёме в восемь раз, при неизменном размере модели и последующем обучении. Ошибка в предсказании следующего действия снижалась равномерно, и результат наибольшей версии предсказали с отклонением 0,54%.
Результаты остаются внутренней оценкой Figure. Компания сама определила критерии, провела испытания и выпустила демонстрацию, но независимого подтверждения нет. Кроме того, 56% полного успеха оставляет значительный промежуток до надёжности, готовой к бытовому использованию — почти половина попыток по строгим критериям всё ещё не удаётся.
Figure рассматривает Helix 2.5 как подтверждение своего подхода: гуманоид получает широкий опыт от людей, а затем осваивает конкретную работу на меньшем наборе робототехнических данных. Компания выделила вычислительные ресурсы стоимостью $3,5 млрд на дальнейшее обучение Helix. Главный вопрос теперь в том, приведёт ли рост объёма данных к надёжной работе вне контролируемых сценариев.
