EmbodiedSmith: ampliare la scala dei dati per sistemi incarnati con un volano di automiglioramento ricorsivo in simulazione

Abstract degli autori

Per ampliare la scala dei modelli fondazionali per la robotica servono dati di addestramento diversificati e ambienti di valutazione affidabili. La simulazione offre una soluzione scalabile, ma i processi di generazione esistenti restano vincolati ad asset e abilità predefiniti, a uno scollamento tra la generazione delle scene e quella dei compiti e a un supporto limitato per morfologie e fenomeni fisici complessi. Presentiamo EmbodiedSmith, un framework per generare su larga scala dati per sistemi incarnati attraverso l’automiglioramento ricorsivo (RSI). EmbodiedSmith riunisce la generazione di asset, scene e compiti in un unico processo che supporta la creazione autonoma e la personalizzazione guidata dal linguaggio. Al centro c’è un ciclo di perfezionamento agentico: la generazione delle scene anticipa i requisiti dei compiti a valle, mentre la generazione dei compiti guida modifiche mirate alle scene, permettendo a scene e compiti di migliorarsi a vicenda in modo iterativo. Questo perfezionamento congiunto aumenta il tasso di successo nella generazione dei compiti, anche per quelli a lungo orizzonte. Il framework supporta inoltre manipolatori mobili, umanoidi e mani robotiche dotate di destrezza, oltre a interazioni con oggetti deformabili e fluidi, ampliando la gamma di comportamenti e fenomeni fisici rappresentati nei dati generati. Nel loro insieme, queste capacità offrono un motore di simulazione flessibile sia per il preaddestramento dei robot sia per la loro valutazione. Numerosi esperimenti confermano la qualità e la diversità dei dati ottenuti, oltre all’efficienza della loro generazione; esperimenti successivi sulle politiche di controllo mostrano inoltre che una maggiore diversità dei dati migliora la generalizzazione.