Первый Real-world Embodied AI Learning (REAL-I) Challenge на ICRA 2026 оценивал политик...
Первый Real-world Embodied AI Learning (REAL-I) Challenge на ICRA 2026 оценивал политики роботов в трёх контурах: симуляция, реальный робот и финальный очный этап на общей двухрук… Главные наблюдения, которые организаторы вынесли из отчётов команд: нужно адаптироваться к среде развёртывания, сохраняя прежние навыки; качество демонстраций важно оценивать на правильном временном масштабе; ошибки в неактивных узлах робота надо подавлять. Отдельно зафиксировано: офлайн-метрики предсказания действий плохо прогнозируют успех замкнутого контура. Для российского производства это означает практическое правило приёмки: качество VLA-политики нельзя закрывать по loss или точности предсказания действия на отложенной выборке. Нужен стенд с реальным циклом, фиксированным бюджетом демонстраций и протоколом выбора чекпойнта — иначе проект роботизации рискует пройти лабораторные тесты и остановиться на участке. Вероятно, наиболее переносимы два элемента: разделение «адаптация к площадке» и «сохранение базовых навыков» при дообучении, а также контроль неактивных осей манипулятора, которые дают ложные срабатывания. Что зависит от локальных условий: доступность самой двухрукой платформы, качество и объём собственных демонстраций, наличие кадров для ведения стенда и повторяемость сцены на конкретном участке. Пока неизвестно, насколько выводы масштабируются на длинные промышленные операции и на оборудование, отличное от соревновательного. Источники: arXiv — Robotics (cs.RO)