Предпечатът BlinkMimic, подаден в arXiv на 12 ноември от Fuyi Chen, описва по-бързо обучение на контролер за движения на хуманоиден робот. Авторът съобщава достигане на конкретен тестов критерий за приблизително 3,4 минути с една RTX 4090. Експериментът е със симулиран Unitree G1 и библиотека от 40 движения LAFAN1.

Това не е демонстрация, че физически робот научава произволно ново умение за три минути. Разликата е съществена: изследването измерва обучение за следване на референтни движения в определена симулация.

Как се получава резултатът

Методът стъпва върху диференцируем модел на динамиката. Такъв модел предсказва развитието на симулираното движение и позволява оптимизиране на управляващата политика чрез въображаеми последователности. По-ранната разработка SuperMimic е посочена като основа; BlinkMimic надгражда и промените от InstantTrack.

Новите елементи в предпечата включват намаляваща стъпка на обучение, насочване на повторните стартирания към проблемни участъци и GPU graph capture на итерацията. Авторът разглежда отделно времето за една итерация и броя итерации до желаното качество. Това помага да се различи по-ефективно изчисление от по-добро използване на обучаващите опити.

Публикуваното хранилище използва mjlab и MuJoCo Warp и предоставя код и резултати по случайни инициализации. То е материал за проверка и възпроизвеждане, а не независима репликация от друга лаборатория. SIExpo не е изпълнявала обучението.

Защо 2,9 и 3,4 минути не са взаимозаменяеми

В хранилището има два критерия. По-ранният е първо достигане на нормализирана възвръщаемост поне 0,82 — средно около 2,9 минути. По-строгият изисква същия праг, липса на неуспешен клип и три последователни контролни точки — около 3,4 минути. Числата са усреднени върху три инициализации.

Тази нормализирана възвръщаемост е оценка по функцията за награда на експеримента, а не универсален процент „човешко качество“. Липсата на неуспех в 40-те тестови клипа също не установява надеждност при всички възможни движения.

Авторовият отчет за време включва компилация, улавяне на GPU графи, контролни проверки и записване на състояния. Стартирането на процеса и зареждането на данните са изключени. Някои времена за сравнявания SuperMimic са оценени, което трябва да се запази като уговорка при сравненията.

Какво означава това за роботизираното обучение

Редакционен анализ: по-краткият цикъл за един експеримент може да даде на изследователите възможност да сравнят повече идеи със същия хардуер. Ползата обаче зависи от това дали сравняват една и съща задача, еднакъв критерий за успех и целия съответен изчислителен разход.

Полезно продължение е проверката върху нови движения и променени условия, които не са използвани за настройване на метода. Отделен въпрос е пренасянето към физически робот, където моделът на контактите, сензорите и задвижването може да се различава от симулацията. Представените резултати не решават автоматично този въпрос.

Положителната научна новина е конкретна и проверима: има публикувана рецепта, критерий, хардуерна конфигурация и резултати от няколко стартирания за по-бързо обучение в симулация. Отвореният код позволява други екипи да проверят условията и ограниченията, вместо да разчитат само на кратко видео или впечатляващо число.

Източници: Fuyi Chen: BlinkMimic research preprint, BlinkMimic: Code, per-seed results and timing methodology, SuperMimic: Differentiable world model background.

Корицата е концептуална AI илюстрация, не документална снимка.

Проверено от редакцията: 2026-11-13T17:42:40.897636+00:00.