Digitaler Cousin

Digital Cousin ist ein Konzept, das 2024 von einem Team unter der Leitung von Professor Fei-Fei Li von der Stanford University vorgeschlagen wurde. Ziel ist es, eine effizientere und wirtschaftlichere Lösung für das Robotertraining bereitzustellen. Dieses Konzept verändert die Art und Weise, wie Roboter lernen, und hat große Aufmerksamkeit erregt. Die relevanten Papierergebnisse sindACDC: Automatisierte Erstellung digitaler Cousins für robustes Policy-Lernen".

Anstatt eine Eins-zu-eins-Entsprechung mit realen Objekten anzustreben, konzentrieren sich digitale Cousins auf ähnliche geometrische und semantische Eigenschaften und generieren so praxisnahe Trainingsdaten zu geringeren Kosten. Es handelt sich um ein virtuelles Objekt oder eine virtuelle Szene, die im Gegensatz zu einem digitalen Zwilling ihr reales Gegenstück nicht explizit simuliert, aber dennoch ähnliche geometrische und semantische Funktionen aufweist. Dieser Ansatz kann gleichzeitig die Kosten der Real-zu-Simulation-Generierung senken und die Generalisierbarkeit des Lernens verbessern.

Digitale Cousins können für das Robotertraining verwendet werden, indem sie eine der realen Welt ähnliche virtuelle Umgebung bereitstellen, um Roboterrichtlinien zu trainieren und gleichzeitig die Kosten zu senken und die domänenübergreifenden Generalisierungsfähigkeiten zu verbessern. Dieser Ansatz generiert eine vollständig interaktive Simulationsszene aus einem einzelnen RGB-Bild und besteht aus drei aufeinanderfolgenden Schritten: Informationsextraktion, digitales Cousin-Matching und Szenengenerierung.

Experimentelle Ergebnisse zeigen, dass die mit digitalen Cousins trainierte Roboterstrategie bei der Nullstichprobenmigration von virtuell zu real eine Erfolgsrate von 90% erreichte und damit die mit digitalen Zwillingen trainierten 25% bei weitem übertraf. Dies zeigt, dass digitale Cousins sowohl innerhalb als auch außerhalb der Verteilung eine bessere Leistung aufweisen, was ihren Vorteil bei der Generalisierung beweist.