As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
Um operador segura numa pinça manual, executa uma tarefa, e nenhum braço robótico se mexe na sala. As câmaras registam exatamente aquilo que um robô veria. Esta é a essência do HIL-UMI, um novo método de uma equipa liderada por Hao Dong, da Universidade de Pequim, em colaboração com a fabricante xangainesa de robôs pessoais PrimeBot. O método recolhe os dados de correção usados para melhorar os modelos visão-linguagem-ação, os sistemas de IA que transformam imagens de câmara e instruções em movimentos de robôs, sem que haja um robô na fase de recolha.
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.
Ensinar um modelo desta natureza costuma significar deixar um robô executar e falhar. Na abordagem clássica, o DAgger com validação humana, ou HG-DAgger, um operador observa o robô a executar uma tarefa, assume o controlo quando ele está prestes a falhar e depois repõe a cena. O ciclo é preciso, mas lento: a maior parte do tempo vai para movimentos desajeitados do robô e para reposições manuais, e não para os fotogramas que realmente ensinam alguma coisa ao 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.
O HIL-UMI mantém o humano no ciclo, mas muda o local onde o ciclo decorre. O operador trabalha com uma pinça manual da Universal Manipulation Interface, enquanto a política atual prevê as ações futuras na mesma transmissão de vídeo, sem controlar nada. Quando uma métrica chamada Energy Score mostra que as ações previstas pela política divergem da trajetória do humano, o sistema pede demonstrações adicionais desse segmento. Um segundo ciclo treina um estimador baseado no progresso, que recompensa as ações que fazem avançar a tarefa e não os movimentos inúteis, e a política é atualizada após cada ronda, pelo que as sessões seguintes assinalam casos mais difíceis em vez de casos fáceis. Em quatro tarefas reais com robôs, dobrar uma toalha, limpar uma mesa, empilhar blocos e carimbar, a equipa reporta uma pontuação média de progresso de 94,8 para o HIL-UMI, contra 58,0 para o ajuste fino supervisionado simples com o mesmo orçamento de fotogramas, com pontuações perfeitas nas duas tarefas de precisão. Na tarefa mais longa, a limpeza de uma mesa, os autores indicam 73,40 milissegundos por fotograma útil contra 412,99 milissegundos para o HG-DAgger, cerca de 5,63 vezes mais eficiência na recolha. São resultados dos próprios autores, e nenhum grupo independente os verificou.
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 quem constrói robôs, a mudança prática está em quem pode recolher dados e onde. Os autores defendem que separar a correção ciente da política da utilização do robô permitiria que mais operadores recolhessem dados de pós-treino em mais locais, sem um parque de robôs instalado no laboratório. Essa promessa só se confirma se os ganhos forem reproduzidos fora da configuração dos autores. O artigo não indica uma data para uma utilização mais ampla e não diz quanto custa a configuração com pinça manual em comparação com uma célula robótica.