Исследователи из Nvidia, Carnegie Mellon University и UC Berkeley представили проект ENPIRE, в котором ИИ-агенты для программирования обучают роботов точному захвату и манипуляциям в реальных условиях. По данным исследования, флот из восьми роботов показал до 99% успешных попыток на трудных задачах.
Точное манипулирование предметами по-прежнему трудно даётся роботам. Обычно человеку приходится собирать обучающие данные, возвращать сцену в исходное состояние после каждой попытки и вручную менять алгоритмы. ENPIRE должен сократить эту ручную работу за счёт цикла с обратной связью на реальном оборудовании: система сбрасывает рабочую сцену, запускает стратегию, проверяет результат и улучшает следующую попытку.
ENPIRE работает в два этапа. На первом агент с небольшой помощью человека настраивает рабочую среду: задаёт безопасные границы, автоматический сброс сцены и автоматическую проверку результата. Вместо человека, который оценивает каждую попытку, агент сам пишет функцию вознаграждения, чтобы отличать успех от неудачи. Для этого ему достаточно нескольких минут примеров на видео с удачными и неудачными попытками.
Например, для вставки штифта агент создал проверку, которая сочетает визуальное выравнивание, высоту захвата и оценку силы. Для затягивания кабельной стяжки он использовал два угла камеры, чтобы снизить число ложных срабатываний, и сократил время реакции до менее чем 150 миллисекунд. Эти инструменты создаются один раз и затем используются повторно без изменений.
На втором этапе агент работает уже без участия человека. Он читает научные статьи, формулирует гипотезы и напрямую меняет код обучения. Система сама выбирает подходящий метод, например клонирование поведения, при котором стратегия повторяет действия человека, или обучение с подкреплением, при котором поведение улучшается методом проб и ошибок. Выбор делается по сигналам успеха в реальной среде.
Система масштабируется на целый флот из восьми станций с двухрукими роботами YAM. У каждой станции есть своё оборудование, компьютер и агент для программирования. Агенты параллельно проверяют разные гипотезы и обмениваются результатами только через Git. Если одна станция находит удачную схему обучения, её быстро перенимают остальные.
Согласно исследованию, агенты достигли до 99% успешности на задачах Push-T, где робот должен сдвинуть Т-образный блок в заданное положение и ориентацию, на сортировке штифтов в коробку и на разрезании кабельной стяжки инструментом. В задаче вставки штифта стратегия вышла на 100% успешности быстрее, чем сопоставимый метод с участием человека в цикле обучения.
Рост числа агентов также сократил время обучения. В тесте Push-T переход от одного агента к восьми уменьшил время до полного успеха примерно с пяти часов до двух. Для вставки штифта показатель снизился с более чем 90 минут до примерно 40 минут.
Исследователи протестировали три актуальных агента для программирования:
- Codex с GPT-5.5
- Claude Code с Opus 4.7
- Kimi Code с Kimi K2.6
Codex показал лучшие результаты в большинстве сценариев.
Авторы также отмечают, что реальные условия заметно труднее симуляции. В тесте Push-T все три агента справились с задачей в симуляции, но в реальной среде два из трёх не смогли её решить. Исследователи связывают это с непредсказуемыми и меняющимися факторами, включая динамику робота, трение и движение объектов.
В симуляции RoboCasa система ENPIRE обошла как модель vision-language-action GR00T, так и подход на базе инструментов без автоматизированного исследования CaP-X. Для оценки эффективности исследователи предложили две метрики: Mean Robot Utilization показывает, какую часть исследовательского времени робот действительно занят работой, а Mean Token Utilization отражает использование языковой модели в расчёте на минуту.
Полученные навыки можно переносить на другие задачи. Опыт, накопленный при вставке штифта, помог агентам устанавливать GPU в материнскую плату с помощью роботизированных рук.
При этом авторы указывают и на ограничения. Роботы и вычислительные ресурсы используются не полностью, потому что агенты тратят много времени на чтение логов, написание кода и ожидание. С увеличением числа роботов падает загрузка каждого отдельного устройства, поскольку агенты дольше сводят результаты друг друга. Расход токенов тоже растёт быстрее, чем выигрыш по производительности: большие флоты быстрее достигают цели, но требуют заметно большего вычислительного бюджета.
Несмотря на это, исследователи считают ENPIRE практическим шагом к роботам, которые смогут самостоятельно улучшать свои навыки в реальных условиях.
Источник: The Decoder, исследование Nvidia, Carnegie Mellon University и UC Berkeley.
