Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
An operator holds a handheld gripper, performs a task, and no robot arm moves in the room. The cameras record exactly what a robot would see. That is the core of HIL-UMI, a new method from a team led by Hao Dong at Peking University, working with Shanghai personal-robot maker PrimeBot. It collects the correction data used to improve vision-language-action models, the AI systems that turn camera images and instructions into robot movements, without a robot in the collection step.
Un operador sostiene una pinza de mano, realiza una tarea, y en la sala no se mueve ningún brazo robótico. Las cámaras registran exactamente lo que vería un robot. Ese es el núcleo de HIL-UMI, un nuevo método de un equipo dirigido por Hao Dong, de la Universidad de Pekín, en colaboración con el fabricante de robots personales PrimeBot, con sede en Shanghái. Sirve para recoger los datos de corrección que se usan para mejorar los modelos visión-lenguaje-acción, los sistemas de IA que convierten imágenes de cámara e instrucciones en movimientos de robot, sin necesidad de un robot en la fase de recogida.
Teaching such a model usually means letting a robot run and fail. In the classic approach, human-gated DAgger, or HG-DAgger, an operator watches the robot execute a task, takes over when it is about to fail, and then resets the scene. The loop is accurate, but slow: most of the time goes to clumsy robot motion and manual resets, not to the frames that actually teach the model something.
Enseñar a un modelo de este tipo suele implicar dejar que un robot ejecute la tarea y falle. En el enfoque clásico, el DAgger con supervisión humana, o HG-DAgger, un operador observa cómo el robot ejecuta una tarea, toma el control cuando está a punto de fallar y luego restablece la escena. El bucle es preciso, pero lento: la mayor parte del tiempo se va en movimientos torpes del robot y en reinicios manuales, y no en los fotogramas que realmente enseñan algo al modelo.
HIL-UMI keeps the human in the loop and changes where the loop runs. The operator works with a Universal Manipulation Interface handheld gripper while the current policy predicts future actions on the same video stream, controlling nothing. When an Energy Score shows the policy's predicted actions diverging from the human's trajectory, the system asks for extra demonstrations on that segment. A second loop trains a progress-based estimator that rewards actions advancing the task rather than idle motion, and the policy is updated after each round, so later sessions flag harder cases instead of easy ones. On four real robot tasks, folding a towel, cleaning a table, stacking blocks and stamping, the team reports an average progress score of 94.8 for HIL-UMI against 58.0 for plain supervised fine-tuning under the same frame budget, with perfect scores on the two precision tasks. On the long table-cleaning task, the authors quote 73.40 milliseconds per useful frame against 412.99 milliseconds for HG-DAgger, about 5.63 times the collection efficiency. These are the authors' own results, and no independent group has checked them.
HIL-UMI mantiene al humano en el bucle y cambia el lugar donde se ejecuta. El operador trabaja con una pinza de mano de Universal Manipulation Interface mientras la política actual predice acciones futuras sobre el mismo flujo de vídeo, sin controlar nada. Cuando una puntuación de energía (Energy Score) muestra que las acciones predichas por la política se apartan de la trayectoria del humano, el sistema pide demostraciones adicionales de ese segmento. Un segundo bucle entrena un estimador basado en el progreso que premia las acciones que avanzan la tarea frente al movimiento ocioso, y la política se actualiza tras cada ronda, de modo que las sesiones posteriores señalan casos más difíciles en lugar de los fáciles. En cuatro tareas reales con robot, doblar una toalla, limpiar una mesa, apilar bloques y estampar, el equipo informa de una puntuación media de progreso de 94,8 para HIL-UMI frente a 58,0 del ajuste fino supervisado simple con el mismo presupuesto de fotogramas, con puntuaciones perfectas en las dos tareas de precisión. En la tarea larga de limpieza de mesa, los autores citan 73,40 milisegundos por fotograma útil frente a 412,99 milisegundos con HG-DAgger, unas 5,63 veces más de eficiencia de recogida. Son resultados propios de los autores, y ningún grupo independiente los ha comprobado.
For robot builders, the practical change is in who can collect data and where. The authors argue that separating policy-aware correction from robot deployment would let more operators gather post-training data in more places, without a robot farm parked in the lab. That promise holds only if the gains reproduce outside the authors' setup. The paper names no date for wider use, and it does not say what the handheld gripper setup costs compared with a robot cell.
Para los fabricantes de robots, el cambio práctico está en quién puede recoger datos y dónde. Los autores sostienen que separar la corrección consciente de la política del despliegue del robot permitiría que más operadores recogieran datos de posentrenamiento en más lugares, sin una granja de robots aparcada en el laboratorio. Esa promesa solo se cumple si las ganancias se reproducen fuera del entorno de los autores. El artículo no fija una fecha para un uso más amplio y no dice cuánto cuesta la configuración con pinza de mano en comparación con una celda robótica.