I ricercatori hanno presentato un nuovo metodo, chiamato ACG-WAM, per insegnare ai robot come agire sulla base di input visivi. In 50 attività simulate di RoboTwin 2.0, il sistema ha avuto successo nel 93.46% dei casi in ambienti ordinati e nel 92.68% quando le scene erano randomizzate. In tre attività nel mondo reale, ha raggiunto un successo completo dell’85.00% e un punteggio di completamento parziale del 91.67%, superando rispettivamente di 10 e 9.17 punti percentuali il precedente sistema migliore, Motus.
Come funziona ACG-WAM
Il metodo aggiunge un predittore ausiliario che impara a prevedere in anticipo, a diversi passaggi di distanza, caratteristiche geometriche come la posizione e la forma degli oggetti, usando l’attuale inquadratura della telecamera del robot e le azioni che eseguirà. Il predittore viene addestrato con obiettivi ricavati da un encoder visivo congelato, che elabora coppie di immagini attuali e future. Una volta completato l’addestramento, il predittore aggiuntivo e i moduli insegnanti vengono rimossi, lasciando un modello leggero da eseguire sul robot.
Cosa cambia per chi usa i robot
I tassi di successo più elevati, sia nelle simulazioni sia con hardware reale, suggeriscono che i robot che adottano ACG-WAM potrebbero imparare le attività in modo più affidabile e con meno tentativi ed errori. Per le aziende che impiegano robot in fabbriche o magazzini, il metodo potrebbe ridurre i tempi di fermo dovuti ai tentativi falliti e accorciare il tempo necessario per insegnare nuovi comportamenti.
Perché conta
Per chi gestisce una fabbrica, i tassi di successo più elevati indicano che i robot potrebbero imparare nuovi lavori più in fretta e commettere meno errori, riducendo potenzialmente i costi di addestramento. Tuttavia, l’articolo non riporta dati sull’affidabilità nel lungo periodo né su come il metodo si adatti ad attività più complesse: questi vantaggi restano quindi da verificare su larga scala.
