I ricercatori hanno presentato PhysEvo, un sistema che inserisce un modello robotico invariato in un ciclo di autodiagnosi e revisione degli strumenti. Un agente esegue il compito con il robot; poi un meta-agente esamina gli errori, riscrive strumenti o abilità e verifica le correzioni. Il ciclo può anche perfezionare le tecniche diagnostiche del meta-agente, facendo accumulare i progressi nel tempo senza modificare i pesi del modello sottostante.
Quanto è efficace?
Nel benchmark RoboDojo, PhysEvo è stato testato su 42 compiti con configurazioni mai viste prima. Le versioni dell’agente mantenute al termine dei test hanno ottenuto un punteggio medio di 68.14 su 100 e completato con successo il 62 % dei compiti. In confronto, il miglior agente Astra a esecuzione singola pubblicato, RoboDawn, ha completato il 47.17 % degli stessi compiti. In otto compiti di manipolazione particolarmente difficili, PhysEvo ha raggiunto un tasso di successo del 55 %, mentre il modello di riferimento basato su Astra diretto si è fermato all’1.25 %.
Dalla simulazione a un robot reale
Il team ha trasferito il sistema di controllo evoluto in simulazione a un robot AgileX PiPER e ha continuato a perfezionarne le abilità direttamente sull’hardware. In cinque compiti nel mondo reale e 25 prove, il robot ha ottenuto un punteggio medio di 90.60 e un tasso di successo dell’84 %.
Perché conta
Per chi sviluppa robot, PhysEvo dimostra che un singolo modello di IA statico può diventare più capace senza costosi nuovi addestramenti, risparmiando tempo di calcolo e dati. Suggerisce inoltre che si potrebbero aggiornare i robot già esistenti aggiungendo un ciclo analogo di autodiagnosi, prolungandone la vita utile. Servono ancora verifiche indipendenti nel mondo reale al di fuori di questo studio.
