Με πάνω από 20 χρόνια εμπειρίας, μεταμορφώνουμε την ψηφιακή σας παρουσία. Εξειδικευόμαστε στην κατασκευή ιστοσελίδων και E-Shop, το SEO και το Digital Marketing, τα ERP λογισμικά και τους έξυπνους αυτοματισμούς που απογειώνουν την επιχείρησή σας.
Διεύθυνση:
Εγνατία 154, Θεσσαλονίκη 546 36
Τηλέφωνο:
+30 231 231 4095
E-mail:
hello@twodots.gr
Έτοιμοι για το επόμενο βήμα;
Το ForeTime-VLA συμπιέζει τη γνώση ενός world action model σε αιτιακό VLA χωρίς μελλοντικά καρέ, με ελεγχόμενα πειράματα σε πραγματικό ρομπότ.
Το ForeTime-VLA μεταφέρει προγνωστική γνώση από έναν βαρύ offline world-action teacher σε έναν causal VLA student, ώστε το ρομπότ να προετοιμάζει την επαφή με κινούμενο στόχο χωρίς μελλοντικά καρέ ή video generation στη λειτουργία. Στο συγκεκριμένο conveyor-belt setup, το paper αναφέρει 58,9% επιτυχία σε αργά κινούμενο στόχο και κάτω από 3% πρόσθετο latency στην A100.
Η πρακτική αξία για AI αυτοματισμούς επιχειρήσεων δεν είναι μια υπόσχεση ότι κάθε ρομπότ θα πετύχει τα ίδια ποσοστά. Είναι το pattern «πλούσια επίβλεψη offline, μικρό αιτιακό σήμα online», με production monitoring και ανάλυση λειτουργικών αστοχιών πριν από οποιαδήποτε επέκταση.
Όπως δείχνει και η κλίμακα εκπαίδευσης του Dyna-2 για ρομποτική μάθηση από βίντεο, τα vision-language-action μοντέλα, ή VLA, συνδέουν οπτικές παρατηρήσεις και γλωσσικές εντολές με ενέργειες ενός ρομπότ. Η οικογένεια π0/π0.5, το OpenVLA, το Octo και άλλα συστήματα δείχνουν ότι ένα κοινό μοντέλο μπορεί να προσαρμοστεί σε διαφορετικές εργασίες και σώματα. Ωστόσο, ένα στιγμιότυπο του παρόντος δεν περιγράφει από μόνο του την κατεύθυνση και την ταχύτητα ενός κινούμενου στόχου.
Στον ιμάντα, ένα λάθος χρονισμού γίνεται γρήγορα λάθος γεωμετρίας. Το αντικείμενο μετακινείται όσο ο βραχίονας πλησιάζει. Η αρπάγη μπορεί να κλείσει νωρίς, αργά ή με λάθος κλίση. Η μελέτη αντιμετωπίζει λοιπόν τον χειρισμό ως πρόβλημα πρόβλεψης συμβάντων: προσέγγιση, σύλληψη ή απελευθέρωση, μεταφορά και τοποθέτηση ή επιστροφή.
Η επιχειρηματική αναλογία είναι άμεση, αλλά πρέπει να διατυπωθεί ως ερμηνεία και όχι ως αποτέλεσμα του paper: πολλά συστήματα αυτοματοποίησης αποτυγχάνουν όχι επειδή δεν αναγνωρίζουν την τρέχουσα κατάσταση, αλλά επειδή δεν εκτιμούν σωστά την επόμενη κρίσιμη μετάβαση. Στον σχεδιασμό robotics και AI automation ως επιχειρησιακού εργαλείου, σε γραμμές παραγωγής, αποθήκες ή δυναμικά σημεία εξυπηρέτησης, η αξία βρίσκεται συχνά στον σωστό χρόνο της απόφασης.
Το ForeTime-VLA χρησιμοποιεί μια δομή teacher-student. Κατά την offline προεπεξεργασία, ο teacher βλέπει την τρέχουσα παρατήρηση και οκτώ μελλοντικά σημεία του βίντεο. Ένας παγωμένος video VAE από τη γραμμή Fast-WAM μετατρέπει τις εικόνες σε χαρακτηριστικά. Ένας adapter συνδυάζει την τρέχουσα και τη μελλοντική πληροφορία με την κατάσταση του ρομπότ και δημιουργεί έναν κώδικα 64 διαστάσεων.
Ο κώδικας δεν εκπαιδεύεται απλώς να μοιάζει με ένα οπτικό embedding. Συνδέεται με την ανακατασκευή της πραγματικής ακολουθίας ενεργειών, με τη διαφορά ανάμεσα στο παρόν και το μέλλον και με τη γεωμετρία μεταξύ παραδειγμάτων. Η μελέτη προσθέτει περιορισμούς διακύμανσης και συνδιακύμανσης για να αποφύγει την κατάρρευση της αναπαράστασης, δηλαδή την παραγωγή ενός φτωχού κώδικα που δεν ξεχωρίζει ουσιαστικά διαφορετικές καταστάσεις.
Στο deployment, ο teacher, το video VAE και ο offline adapter απουσιάζουν. Ο student βλέπει μόνο οκτώ προηγούμενες παρατηρήσεις. Από αυτές προβλέπει τον συμπιεσμένο μελλοντικό κώδικα, μία από τέσσερις φάσεις χειρισμού και έναν κανονικοποιημένο χρόνο μέχρι την επόμενη μετάβαση. Η αρχιτεκτονική παραμένει αιτιακή: δεν χρησιμοποιεί δεδομένα που δεν θα ήταν διαθέσιμα τη στιγμή της απόφασης.
Current-only VLA
Αποφασίζει από το παρόν καρέ και μαθαίνει έμμεσα τη χρονική δομή. Σε κινούμενο στόχο, η σωστή θέση μπορεί να έχει ήδη αλλάξει όταν εκτελεστεί η ενέργεια.
Imagine-then-act
Παράγει ρητά μελλοντικά καρέ πριν αποφασίσει. Προσφέρει πλούσια πρόβλεψη, αλλά προσθέτει video generation μέσα στον κρίσιμο βρόχο ελέγχου.
ForeTime-VLA
Χρησιμοποιεί μελλοντικά καρέ μόνο στον offline teacher και μεταφέρει action-equivalent κώδικα στον causal student, χωρίς WAM inference στη λειτουργία.
Το πιο ενδιαφέρον στοιχείο της προσέγγισης είναι ότι δεν προσπαθεί να μεταφέρει κάθε λεπτομέρεια των μελλοντικών καρέ. Ο teacher συμπιέζει την πρόβλεψη σε μια αναπαράσταση που περιορίζεται από τη δράση. Αλλαγές στην εμφάνιση που δεν επηρεάζουν τον χειρισμό μπορούν έτσι να υποβαθμιστούν, ενώ η θέση, ο χρόνος και ο προσανατολισμός της επαφής παραμένουν σημαντικά.
Αυτό διαφοροποιεί τη μέθοδο από μια ακολουθία «δημιούργησε βίντεο και μετά αποφάσισε». Η δημιουργία μελλοντικών frames μπορεί να είναι ακριβή και να επιβαρύνει τον βρόχο ελέγχου. Το ForeTime-VLA μεταφέρει την προβλεπτική δομή πριν από την παραγωγή και απαιτεί από τον student να την ανακτήσει από την πρόσφατη ιστορία.
Για έναν CTO ή έναν υπεύθυνο automation, η αρχή αξίζει προσοχή: δεν χρειάζεται πάντα να μεταφέρεις ολόκληρο το ακριβό μοντέλο σε κάθε edge AI περιβάλλον ή real-time βρόχο. Μπορείς να εξετάσεις αν το απαραίτητο μέρος της γνώσης συμπιέζεται σε σήματα που συνδέονται άμεσα με την επιχειρησιακή απόφαση. Το paper αποδεικνύει αυτή την ιδέα μόνο στο συγκεκριμένο ρομποτικό πλαίσιο, όχι σε κάθε εφαρμογή AI.
Ο student δεν τροφοδοτεί την πρόβλεψη σε ένα μόνο σημείο. Στην αργή διαδρομή, ο κώδικας παράγει τέσσερα future tokens και η προβλεπόμενη φάση ένα πέμπτο token. Αυτά προστίθενται στο prefix του vision-language μοντέλου. Στη γρήγορη διαδρομή, ο μελλοντικός κώδικας και ο χρόνος μέχρι τη μετάβαση δημιουργούν ένα residual που εισάγεται στον action expert.
Η επιλογή συνδέει δύο επίπεδα. Το σημασιολογικό επίπεδο χρειάζεται να καταλάβει την κατάσταση της εργασίας: πλησιάζουμε, πιάνουμε, μεταφέρουμε ή απομακρυνόμαστε; Ο μηχανισμός δράσης χρειάζεται άμεση, αριθμητική πληροφορία για το επόμενο chunk κινήσεων. Οι πύλες των δύο εισαγωγών ξεκινούν από μικρή τιμή 0,05, ώστε να μην αναστατώσουν απότομα το προεκπαιδευμένο μοντέλο στην αρχή της προσαρμογής.
Η ablation μελέτη ενισχύει ότι και οι δύο διαδρομές χρησιμοποιούνται. Στα 48 κρίσιμα παράθυρα μετάβασης, η αφαίρεση του future condition αύξησε το transition MAE κατά 10,1%, ενώ η αφαίρεση phase/time κατά 10,6%. Η χρήση μόνο της αργής ή μόνο της γρήγορης διαδρομής επίσης χειροτέρεψε το σφάλμα μετάβασης.
Η ποιότητα της σύγκρισης εξαρτάται από τη δομή των δεδομένων. Οι ερευνητές εντόπισαν 487 αρχεία HDF5. Ένα ήταν μη αναγνώσιμο και 28 ήταν ακριβή διπλότυπα. Τα 458 κανονικά επεισόδια περιείχαν 96.512 frames, δηλαδή 1,79 ώρες στα 15 Hz. Χωρίστηκαν ντετερμινιστικά σε 402 επεισόδια εκπαίδευσης, 31 validation και 25 test.
Οι εργασίες περιλάμβαναν κουτιά, καλαμπόκια και καρπούζια, με μεταβολές στην ταχύτητα του ιμάντα, στη γωνία θέασης και στη διάταξη της σκηνής. Όλα τα συγκρινόμενα μοντέλα έλαβαν τις ίδιες τρεις κάμερες, κατάσταση 26 διαστάσεων, απόλυτη δράση 16 διαστάσεων και ορίζοντα 20 βημάτων.
Για κάθε split, η αξιολόγηση χρησιμοποίησε 768 ταιριασμένα παράθυρα. Η άμεση σύγκριση ανάμεσα στο βασικό π0.5 και το ForeTime-VLA κράτησε σταθερά backbone, αρχικοποίηση και action targets. Τα διαστήματα εμπιστοσύνης υπολογίστηκαν με 20.000 paired bootstrap επαναδειγματοληψίες. Αυτό δεν εξαλείφει όλους τους περιορισμούς, αλλά κάνει πιο καθαρό ποια διαφορά αποδίδεται στο temporal conditioning.
Στο test set, το MAE μειώθηκε από 0,134119 σε 0,130593, βελτίωση 2,63%, με 95% διάστημα εμπιστοσύνης από 0,82% έως 4,48%. Το L2 μειώθηκε κατά 3,02%, με διάστημα 0,94% έως 5,07%. Στο validation, το MAE βελτιώθηκε κατά 2,96%. Αντίθετα, τα διαστήματα για MSE τέμνουν το μηδέν, γι’ αυτό οι συγγραφείς δεν ισχυρίζονται στατιστικά σημαντικό πλεονέκτημα στο MSE.
Αυτή η διάκριση έχει σημασία. Το StarVLA πέτυχε το χαμηλότερο test MSE, ενώ το ForeTime-VLA είχε το χαμηλότερο MAE και L2 και στα δύο splits. Το MSE είναι περισσότερο ευαίσθητο σε λίγα μεγάλα residuals. Επομένως, το paper δεν παρουσιάζει μία καθολική νίκη σε κάθε αριθμό, αλλά μια συνεπή βελτίωση στις μετρικές που ευθυγραμμίζονται καλύτερα με τα αποτελέσματα του ρομπότ.
Η μεγαλύτερη βελτίωση ανά ομάδα δράσης εμφανίστηκε στον προσανατολισμό roll, pitch και yaw του end effector: 4,12% στο validation και 3,78% στο test. Η θέση του end effector βελτιώθηκε κατά 1,03% στο test. Το μοτίβο υποστηρίζει την ερμηνεία ότι η μελλοντική επίβλεψη βοηθά ιδιαίτερα στην προετοιμασία της γωνίας επαφής.
Τι πέτυχε το ForeTime-VLA στο πραγματικό ρομπότ
Μετρημένα αποτελέσματα του paper στο συγκεκριμένο conveyor-belt setup· όχι πρόβλεψη απόδοσης για άλλη γραμμή παραγωγής.
Η πρώτη καμπάνια πραγματικού ρομπότ περιλάμβανε 90 δοκιμές ανά μέθοδο για στατικό στόχο και άλλες 90 για αργά κινούμενο στόχο. Το ForeTime-VLA πέτυχε 73 στις 90 στατικές συλλήψεις, ποσοστό 81,1%. Στην αργή κίνηση πέτυχε 53 στις 90, ή 58,9%. Το επόμενο καλύτερο αποτέλεσμα ήταν αντίστοιχα το StarVLA με 68,9% στο στατικό task και το π0.5 με 36,7% στο κινούμενο.
Σε σύγκριση με το π0.5, το απόλυτο πλεονέκτημα ήταν 15,6 ποσοστιαίες μονάδες όταν ο στόχος ήταν ακίνητος και 22,2 μονάδες όταν κινούνταν αργά. Στο κινούμενο task, οι πρώιμες αποτυχίες μειώθηκαν από 21,11% σε 17,78%, οι όψιμες από 26,67% σε 16,67% και τα λάθη contact pose από 15,56% σε 6,67%.
Οι συγγραφείς συνδέουν ειδικά τη μείωση των όψιμων και γεωμετρικών αποτυχιών με την πρόβλεψη της επαφής. Είναι μια εύλογη σύνδεση επειδή συμφωνεί με τη βελτίωση του προσανατολισμού στα offline δεδομένα και με τις ablations. Παραμένει, όμως, αποτέλεσμα του συγκεκριμένου πειραματικού συστήματος.
Στη δεύτερη αξιολόγηση, το ForeTime-VLA και το βασικό π0.5 δοκιμάστηκαν σε αργή, μεσαία και γρήγορη ταχύτητα, με 30 προσπάθειες ανά επίπεδο. Το ForeTime-VLA πέτυχε 19, 14 και 11 συλλήψεις. Το baseline πέτυχε 13, 8 και 2. Συνολικά, τα αποτελέσματα ήταν 44 στις 90 έναντι 23 στις 90.
Η σχετική διαφορά γίνεται εντυπωσιακή στο γρήγορο επίπεδο, όπου οι 11 επιτυχίες είναι πάνω από πέντε φορές οι δύο επιτυχίες του baseline. Πιο χρήσιμο επιχειρησιακά είναι το απόλυτο περιθώριο: από έξι επιπλέον επιτυχίες στην αργή ταχύτητα γίνεται εννέα στη γρήγορη. Όσο μικραίνει το παράθυρο παρέμβασης, τόσο μεγαλύτερη φαίνεται η αξία της χρονικής πρόβλεψης.
Το συμπέρασμα δεν είναι ότι κάθε γραμμή παραγωγής θα διπλασιάσει την απόδοσή της. Είναι ότι μια μέθοδος πρέπει να αξιολογείται ακριβώς εκεί όπου η υποτιθέμενη ικανότητά της είναι κρίσιμη. Αν ένα AI υποστηρίζει ότι χειρίζεται δυναμικές μεταβάσεις, τα stress tests πρέπει να μειώνουν συστηματικά τον διαθέσιμο χρόνο αντί να μετρούν μόνο μέση επίδοση σε εύκολες περιπτώσεις.
Αρχιτεκτονική απόφαση
Προνομιακή γνώση offline, αιτιακά σήματα online
Κρατήστε τον video-scale teacher έξω από τον βρόχο ελέγχου και αποδεχθείτε τον student μόνο αν η action-equivalent αναπαράσταση, η φάση, το time-to-transition και το πραγματικό edge latency περνούν ξεχωριστά tests. Η χαμηλή καθυστέρηση δεν υποκαθιστά τα safety controls της βιομηχανικής αυτοματοποίησης.
Τα πρόσθετα modules έχουν 1,251 εκατομμύρια παραμέτρους, μικρό μέγεθος σε σχέση με το dense Gemma-2B VLM και τον action expert των 311 εκατομμυρίων παραμέτρων. Στο ίδιο A100, το validation latency αυξήθηκε από 66,69 σε 68,65 ms, δηλαδή 2,93%. Στο test αυξήθηκε από 66,97 σε 68,62 ms, ή 2,46%.
Οι cross-family αναφορές ήταν βραδύτερες στη συγκεκριμένη μέτρηση: το GR00T χρειάστηκε περίπου 132 ms στο test και το StarVLA περίπου 97 ms, και τα δύο με τέσσερα denoising steps. Η σύγκριση δεν είναι parameter-matched ablation, αλλά δείχνει ότι ο σχεδιασμός του ForeTime-VLA διατηρεί χαμηλό deployment overhead.
Για μια επιχείρηση, αυτό ανοίγει ένα πιο ώριμο κριτήριο αγοράς ή ανάπτυξης AI: να χωρίζει το κόστος εκπαίδευσης από το κόστος ανά απόφαση. Ένα ακριβό teacher μπορεί να είναι αποδεκτό αν χρησιμοποιείται offline και αν η γνώση του μεταφέρεται αξιόπιστα σε ένα μικρότερο runtime. Το κρίσιμο είναι να επαληθεύεται ότι ο student διατηρεί την επιθυμητή συμπεριφορά σε πραγματικές συνθήκες, με τη λογική του behavioral testing για AI agents.
Η μεταφορά του pattern σε παραγωγή χρειάζεται περιορισμένο proof of concept και σαφή όρια ασφαλείας. Το ζητούμενο δεν είναι να αναπαραχθεί το paper μηχανικά, αλλά να αποδειχθεί ότι το δικό σας κρίσιμο συμβάν μπορεί να προβλεφθεί έγκαιρα και να βελτιώσει κλειστό βρόχο ελέγχου.
Proof of concept σε 5 ελέγχους
Προσδιορίστε αν πρέπει να προβλεφθεί είσοδος σε ζώνη εργασίας, κλείσιμο αρπάγης, αλλαγή φάσης ή άλλο μετρήσιμο event. Χωρίς σαφή transition label, ο teacher δεν έχει επιχειρησιακό στόχο.
Κρατήστε ίδια δεδομένα, action targets, ιστορικό, hardware και test windows. Διαφορετικά, η βελτίωση μπορεί να προέρχεται από χωρητικότητα ή preprocessing και όχι από temporal conditioning.
Ξεχωρίστε πρόωρη ενέργεια, καθυστέρηση, contact-pose error και unsafe motion. Συνδέστε τα logs με τα σήματα phase και time-to-transition ώστε η αιτία να είναι ελέγξιμη.
Μετρήστε end-to-end latency στον edge εξοπλισμό, μαζί με αισθητήρες, preprocessing, inference, actuator delay και network jitter. Οι μετρήσεις A100 του paper δεν μεταφέρονται αυτόματα.
Μεταβάλετε ταχύτητα, γωνία θέασης, φωτισμό και αντικείμενα, με ασφαλή stop conditions και rollback. Η αξιολόγηση πρέπει να καλύπτει και την αβεβαιότητα, όπως στη χρονική πρόβλεψη ανθρώπινης κίνησης.
Οι ίδιοι οι συγγραφείς περιορίζουν το claim. Τα αποτελέσματα προέρχονται από ένα embodiment σε conveyor belt και από σταθερό offline video backbone. Μεγαλύτεροι χρονικοί ορίζοντες, μεταβαλλόμενες γωνίες θέασης και ευρύτεροι χώροι δράσης χρειάζονται πρόσθετη έρευνα. Επίσης, το dataset αντιστοιχεί σε 1,79 ώρες κανονικών επεισοδίων, παρότι παράγει πολλά παράθυρα εκπαίδευσης.
Η πρόοδος είναι επομένως σημαντική αλλά συγκεκριμένη: η causal future-token distillation βελτίωσε τη σύλληψη κινούμενων αντικειμένων σε αυτό το setup, χωρίς να απαιτεί world-model inference. Δεν αποδεικνύει γενική ικανότητα σχεδιασμού, ούτε ότι η ίδια αναπαράσταση θα μεταφερθεί αμετάβλητη σε αποθήκες, βιομηχανικά κελιά ή άλλους ρομποτικούς βραχίονες.
Η σωστή ανάγνωση για decision makers είναι να δουν το ForeTime-VLA ως ισχυρό pattern αρχιτεκτονικής: πλούσια, προνομιακή πληροφορία στην εκπαίδευση· αιτιακή, περιορισμένη πληροφορία στη λειτουργία· και απόδειξη μέσω ablations, latency και πραγματικών αποτυχιών. Η αξία του pattern θα κριθεί κάθε φορά από τα δεδομένα και τις απαιτήσεις του νέου περιβάλλοντος.
Το ForeTime-VLA μετατρέπει ένα βαρύ world action model από runtime εξάρτηση σε offline δάσκαλο. Η μελλοντική πληροφορία συμπιέζεται σε action-equivalent κώδικα, ενώ ο deployed student την προβλέπει μόνο από πρόσφατη ιστορία. Το σύστημα συνδυάζει future tokens, φάση χειρισμού και χρόνο μετάβασης χωρίς να αλλάζει τον πραγματικό στόχο δράσης.
Τα offline κέρδη είναι μετριοπαθή αλλά στατιστικά υποστηριζόμενα για MAE και L2. Τα real-robot αποτελέσματα είναι μεγαλύτερα, ιδιαίτερα όταν αυξάνεται η ταχύτητα του ιμάντα. Με κάτω από 3% επιπλέον latency στη συγκεκριμένη μέτρηση, η εργασία δείχνει έναν δρόμο για real-time AI που αξιοποιεί ισχυρούς teachers χωρίς να τους κουβαλά σε κάθε απόφαση.
Για επαγγελματίες της αυτοματοποίησης, το ουσιαστικό ερώτημα δεν είναι αν ένα ρομπότ «βλέπει» το μέλλον. Είναι αν η ομάδα μπορεί να μετατρέψει την προγνωστική γνώση σε μικρό, ελέγξιμο και μετρήσιμο σήμα που βελτιώνει ακριβώς τα κρίσιμα συμβάντα της λειτουργίας.
AI automation με μετρήσιμο runtime
Σχεδιάστε το proof of concept γύρω από το κρίσιμο συμβάν
Η TWO DOTS σχεδιάζει AI αυτοματισμούς με σαφή event definitions, περιορισμένα permissions, end-to-end latency measurements, failure-mode tests, ανθρώπινο override και ασφαλές rollback. Έτσι, η offline προγνωστική γνώση αξιολογείται εκεί όπου έχει πραγματική λειτουργική αξία.
Συχνές ερωτήσεις
Είναι μια dense π0.5 VLA policy που μαθαίνει από offline teacher έναν μελλοντικά ενημερωμένο, action-equivalent κώδικα και τον προβλέπει αιτιακά από οκτώ προηγούμενες παρατηρήσεις στη λειτουργία.
Όχι. Τα μελλοντικά καρέ, το video VAE, ο WAM teacher και ο offline adapter χρησιμοποιούνται πριν από το deployment. Ο deployed student βλέπει μόνο αιτιακό ιστορικό και τις τρέχουσες εισόδους της policy.
Στο test set, το MAE μειώθηκε από 0,134119 σε 0,130593, δηλαδή κατά 2,63%, και το L2 κατά 3,02% έναντι του ελεγχόμενου π0.5 baseline.
Πέτυχε 81,1% επιτυχία σε στατικό στόχο και 58,9% σε αργά κινούμενο στόχο, σε 90 δοκιμές ανά task και μέθοδο στο συγκεκριμένο setup.
Το ForeTime-VLA ολοκλήρωσε 11 από 30 συλλήψεις, ενώ το π0.5 baseline 2 από 30. Η βελτίωση είναι μεγάλη, αλλά το 11/30 εξακολουθεί να είναι πλειονότητα αποτυχημένων προσπαθειών.
Στη μέτρηση A100 του paper, το test latency αυξήθηκε από 66,97 σε 68,62 ms, δηλαδή κατά 2,46%. Η πραγματική επιβάρυνση σε άλλο edge hardware πρέπει να μετρηθεί εκ νέου.
Η αργή διαδρομή βάζει future και phase tokens στο VLM prefix, ενώ η γρήγορη περνά future και time-to-transition πληροφορία στον action expert. Οι ablations έδειξαν χειρότερο transition MAE όταν αφαιρέθηκε οποιοδήποτε σκέλος.
Η απόδειξη περιορίζεται σε μία ρομποτική πλατφόρμα, ένα conveyor-belt περιβάλλον και σταθερό offline video backbone. Δεν έχει αποδειχθεί γενίκευση σε ευρύτερα embodiments, χώρους δράσης ή μεγαλύτερους χρονικούς ορίζοντες.
Πηγές
