Onderzoekers introduceerden PhysEvo, een systeem dat één onveranderlijk robotmodel in een zelfdiagnoselus plaatst. Een taakagent bestuurt de robot, waarna een meta-agent analyseert wat er misging, tools of vaardigheden herschrijft en de aanpassingen test. De lus kan ook de diagnostische aanpak van de meta-agent zelf verbeteren. Zo stapelen verbeteringen zich op zonder dat de gewichten van het onderliggende model veranderen.
Hoe goed werkt het?
In de RoboDojo-benchmark werd PhysEvo getest op 42 taken met opstellingen die het systeem nog niet eerder had gezien. De bewaarde versies van de agent behaalden gemiddeld 68.14 van de 100 punten en slaagden voor 62 % van de taken. Ter vergelijking: de best presterende gepubliceerde Astra-agent die elke taak in één keer uitvoert (RoboDawn) slaagde voor 47.17 % van dezelfde taken. Bij acht bijzonder moeilijke manipulatietaken behaalde PhysEvo een slagingspercentage van 55 %, tegenover slechts 1.25 % voor de directe Astra-baseline.
Van simulatie naar een echte robot
Het team zette de in simulatie ontwikkelde besturingsomgeving over naar een AgileX PiPER-robot en bleef de vaardigheden op de hardware aanpassen. Bij vijf taken in de echte wereld en 25 pogingen behaalde de robot gemiddeld 90.60 punten en slaagde hij voor 84 % van de taken.
Waarom het ertoe doet
Voor robotontwikkelaars laat PhysEvo zien dat één statisch AI-model beter kan presteren zonder kostbare hertraining, wat rekentijd en data bespaart. Het suggereert ook dat bestaande robots kunnen worden verbeterd met een vergelijkbare zelfdiagnoselus, waardoor ze langer bruikbaar blijven. Onafhankelijke validatie in de praktijk, buiten dit onderzoek, is nog nodig.
