The Pulse

I ricercatori addestrano politiche di navigazione per microrobot in meno di 10 minuti

Un simulatore vettorizzato ha elaborato circa 190.000 transizioni al secondo in migliaia di ambienti paralleli, consentendo ai ricercatori di addestrare politiche di navigazione in meno di 10 minuti. Il team ha anche testato il trasferiment

AI.info Team · Scritto con l’IA · verificato · 2026-09-28

Un simulatore capace di elaborare circa 190.000 transizioni al secondo ha permesso ai ricercatori di addestrare politiche di navigazione per microrobot in meno di 10 minuti, secondo uno studio pubblicato il 28 settembre su Nature Machine Intelligence. Il sistema contiene più di 10.000 ambienti vascolari artificiali e parallelizza i calcoli in migliaia di ambienti. Il lavoro affronta un collo di bottiglia dell’apprendimento per rinforzo profondo applicato ai microrobot: un addestramento che può richiedere ore o giorni.

Migliaia di ambienti in esecuzione parallela

I ricercatori hanno costruito un simulatore completamente vettorizzato basato su un dataset di 13.278 ambienti vascolari artificiali. A ogni passo della simulazione, il sistema aggiorna la dinamica dei microrobot, estrae caratteristiche visive con un metodo di proiezione di raggi ispirato al LiDAR, verifica se i movimenti sono fattibili e calcola osservazioni e ricompense. Nell’abstract dello studio, gli autori scrivono:

«I risultati mostrano che il metodo di apprendimento proposto riduce il tempo di addestramento a meno di 10 minuti, consentendo al contempo l’impiego zero-shot con diversi tipi di microrobot e in diversi scenari di navigazione».

La capacità di elaborazione del sistema dipende dal parallelismo: nella configurazione di addestramento selezionata nello studio sono stati usati 4096 ambienti paralleli. Gli autori hanno testato anche configurazioni con un massimo di 8192 ambienti paralleli; una configurazione ha raggiunto 228.117 transizioni al secondo. Si tratta di istanze di simulazione parallele, non di un’affermazione secondo cui tutti i 13.278 ambienti funzionino contemporaneamente.

Alla velocità si affianca un sistema di ricompense chiamato task-shaping-regularization, o TSR. Combina segnali relativi al raggiungimento dell’obiettivo o al fallimento con feedback sui progressi e sulla qualità del movimento. Lo studio distingue le funzioni di questi segnali: i segnali che premiano i progressi aiutano la politica ad apprendere più rapidamente, mentre la regolarizzazione favorisce azioni più fluide e una maggiore distanza dagli ostacoli. Nei quattro scenari valutati, gli autori segnalano miglioramenti della fluidità delle azioni dal 33,7% al 34,9% e della sicurezza rispetto agli ostacoli dal 2,1% al 2,5% con l’aggiunta della regolarizzazione.

Il trasferimento messo alla prova su microrobot fisici

Lo studio riporta test di trasferimento dalla simulazione alla realtà su due dispositivi azionati magneticamente: una microparticella a base di polline di circa 20 micrometri e un microrobot elicoidale. Senza un nuovo addestramento specifico per il compito, la politica appresa ha guidato entrambi attraverso canali vascolari artificiali in scenari mai incontrati prima. Lo studio riporta anche la navigazione tra 11 ostacoli mobili, assenti dagli scenari di addestramento.

In un test separato con un flusso, il microrobot elicoidale ha attraversato un canale del diametro di 5 millimetri muovendosi contro un fluido che scorreva a 2 millimetri al secondo. Rispetto al fluido fermo, il flusso ne ha rallentato e reso meno stabile il movimento, ma la politica è rimasta efficace, riferiscono gli autori. Secondo lo studio, il controllo a circuito chiuso ha operato a una frequenza media di 45 hertz.

Gli autori hanno testato anche la navigazione in tre dimensioni. Una dimostrazione ha utilizzato uno spazio aperto con due ostacoli stampati in 3D. Un’altra ha utilizzato un fantoccio tortuoso dell’arteria cerebrale umana a grandezza naturale; il materiale supplementare mostra anche la navigazione in un modello della vascolarizzazione cerebrale umana. Si tratta di test su modelli e fantocci, non di prove di navigazione nei vasi sanguigni di una persona vivente né di impiego clinico.

Ambienti artificiali per l’addestramento, test pratici

L’ampio set di addestramento del simulatore è composto da canali artificiali progettati per riprodurre caratteristiche come variazioni del diametro dei vasi, ramificazioni e contorni curvi. Lo studio descrive separatamente test in canali vascolari estratti da immagini del fondo oculare, oltre alle dimostrazioni con i robot fisici. È importante distinguere questi contesti: il risultato dell’addestramento dimostra che le politiche possono essere apprese più rapidamente in simulazione, mentre gli esperimenti con i robot e i fantocci verificano come una politica appresa si trasferisca ad alcuni ambienti fisici.

Il potenziale vantaggio è un ciclo di sviluppo più breve: i ricercatori possono modificare una politica di controllo o il sistema di ricompense e ripetere l’addestramento in minuti anziché in ore o giorni. Lo studio dimostra il trasferimento tra due tipi di microrobot e in diverse condizioni di test, ma non stabilisce che un sistema del genere possa navigare in sicurezza nei vasi sanguigni di esseri umani viventi. Il codice dello studio è disponibile su GitHub e, secondo gli autori, il dataset vascolare è disponibile su Zenodo.

Yinghan Sun e coautori, Nature Machine Intelligence