Pesquisadores apresentaram o PhysEvo, um sistema que coloca um único modelo robótico, que não muda, em um ciclo de autodiagnóstico e revisão de ferramentas. Um agente executa as tarefas do robô; em seguida, um meta-agente analisa o que deu errado, reescreve ferramentas ou habilidades e testa as correções. O ciclo também pode aprimorar os próprios métodos de diagnóstico do meta-agente, acumulando melhorias ao longo do tempo sem alterar os pesos do modelo subjacente.
Qual é o desempenho?
No benchmark RoboDojo, o PhysEvo foi testado em 42 tarefas com configurações que não havia encontrado antes. As versões mantidas do agente obtiveram uma pontuação média de 68.14 em 100 e foram bem-sucedidas em 62 % das tarefas. Em comparação, o melhor agente Astra de execução única publicado (RoboDawn) teve sucesso em 47.17 % das mesmas tarefas. Em oito tarefas de manipulação especialmente difíceis, o PhysEvo alcançou 55 % de sucesso, enquanto a referência com Astra direto chegou a apenas 1.25 %.
Da simulação a um robô real
A equipe transferiu para um robô AgileX PiPER o sistema de controle desenvolvido em simulação e continuou revisando as habilidades no próprio hardware. Em cinco tarefas do mundo real e 25 tentativas, o robô obteve uma pontuação média de 90.60 e uma taxa de sucesso de 84 %.
Por que importa
Para quem desenvolve robôs, o PhysEvo mostra que é possível tornar um único modelo de IA estático mais capaz sem um retreinamento caro, economizando tempo de computação e dados. Também indica que robôs existentes poderiam ser aprimorados com a adição de um ciclo semelhante de autodiagnóstico, prolongando sua vida útil. Ainda são necessárias validações independentes no mundo real, além deste estudo.
