访问官网
Github
文档
论文项目简介：Scaling Up 和 Distilling Down
Scaling Up 和 Distilling Down 是一个用于语言引导下机器技能学习的框架。团队由来自哥伦比亚大学的Huy Ha和Shuran Song，以及来自Google DeepMind的Pete Florence共同组成。这个项目致力于实现一种无需专家演示、人工奖励监督或手动语言标注的机器人技能获取方法。
项目概述
该框架能够根据任务描述自动生成丰富多样的机器人轨迹，并附带成功标签和详细的语言标记。换句话说，只需给予描述，系统就能自主设计对应的机器人行动路径，而且取得的这些路径信息可以用于进一步的机器学习和技能提升。
技术特性
项目中提供的库支持语言引导的数据生成和语言条件扩散策略的训练。这一代码库已在多种Ubuntu版本（18.04、20.04和22.04）及NVIDIA图形卡（GTX 1080、RTX A6000、GeForce RTX 3080、GeForce RTX 3090）上进行测试，确保了其广泛的兼容性。
核心内容
- 分层动作与策略的嵌套轨迹：通过多个层次的动作和策略，项目实现了复杂任务中的自动化。
- 探索任务树：系统创建一个任务树，帮助机器人更高效地探索可能的行动路径。
- 种子变化：通过为任务加入多样性的种子，框架能够生成与任务相关的不同变化形式，提高适应性。
实施与扩展
项目提供了详尽的步骤与资源，支持用户在不同环境中进行实验和扩展。用户可以根据需要添加新机器人、资源、环境和任务，也可以利用项目现有的工具来提升语言模型和数据生成的能力。
视觉化与效果评估
为了便于理解与分析，项目附带了一些视觉化工具，帮助用户展示基于语言条件的输出结果与效果。这些工具可以帮助用户更清晰地了解机器人在执行任务过程中的表现。
致谢与支持
项目得到了多方帮助与支持，包括Google Research Award和NSF Award的资助。Google还提供了用于实验的UR5机器人硬件设备。参与项目的人员对所有给予过建议和反馈的人表示感谢，并强调这些观点和结论仅反映作者的观点，而不代表资助方的官方政策。
应用与引用
该研究为未来机器人技术的语言引导训练提供了广阔的应用前景，在实现机器人更高程度的智能化和自主化方面具有重要意义。若在相关领域使用该库，团队希望得到相应的引用支持。
通过这整体介绍，希望能让理解Scaling Up 和 Distilling Down项目及其潜在的技术应用变得更加简便。
