Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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 operatore tiene in mano una pinza portatile, esegue un compito, e nella stanza non si muove alcun braccio robotico. Le telecamere registrano esattamente ciò che vedrebbe un robot. È questo il cuore di HIL-UMI, un nuovo metodo di un team guidato da Hao Dong all'Università di Pechino, in collaborazione con il produttore shanghaiese di robot personali PrimeBot. Il metodo raccoglie i dati di correzione usati per migliorare i modelli vision-language-action, i sistemi di IA che trasformano immagini dalle telecamere e istruzioni in movimenti robotici, senza che alcun robot partecipi alla fase di raccolta.
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.
Addestrare un modello del genere significa di solito lasciare che un robot esegua il compito e sbagli. Nell'approccio classico, il DAgger con controllo umano, o HG-DAgger, un operatore osserva il robot mentre esegue un compito, interviene quando sta per fallire e poi ripristina la scena. Il ciclo è preciso, ma lento: la maggior parte del tempo va a movimenti robotici goffi e ripristini manuali, non ai fotogrammi che insegnano davvero qualcosa al modello.
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 l'essere umano nel ciclo e cambia il luogo in cui il ciclo si svolge. L'operatore lavora con una pinza portatile Universal Manipulation Interface, mentre la policy attuale prevede le azioni future sullo stesso flusso video, senza controllare nulla. Quando un Energy Score mostra che le azioni previste dalla policy si discostano dalla traiettoria dell'operatore, il sistema chiede dimostrazioni aggiuntive su quel segmento. Un secondo ciclo addestra uno stimatore basato sull'avanzamento, che premia le azioni che fanno progredire il compito invece dei movimenti inutili, e la policy viene aggiornata dopo ogni round, così le sessioni successive segnalano casi più difficili invece di quelli facili. Su quattro compiti reali con robot, piegare un asciugamano, pulire un tavolo, impilare blocchi e timbrare, il team riporta un punteggio medio di avanzamento di 94,8 per HIL-UMI contro 58,0 per il semplice fine-tuning supervisionato con lo stesso budget di fotogrammi, con punteggi perfetti nei due compiti di precisione. Nel lungo compito di pulizia del tavolo, gli autori citano 73,40 millisecondi per fotogramma utile contro 412,99 millisecondi per HG-DAgger, cioè circa 5,63 volte l'efficienza di raccolta. Si tratta di risultati degli stessi autori, e nessun gruppo indipendente li ha ancora verificati.
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.
Per chi costruisce robot, il cambiamento pratico riguarda chi può raccogliere i dati e dove. Secondo gli autori, separare la correzione consapevole della policy dal dispiegamento del robot permetterebbe a più operatori di raccogliere dati di post-addestramento in più luoghi, senza dover tenere in laboratorio una fattoria di robot. Questa promessa vale solo se i risultati si riproducono fuori dall'ambiente degli autori. L'articolo non indica una data per un uso più ampio e non dice quanto costi la configurazione con la pinza portatile rispetto a una cella robotica.