Apprendimento in contesto per i robot: metodi e applicazioni

Abstract degli autori

I robot di uso generale devono capire che cosa richiede un nuovo compito e tradurre questa comprensione in azioni fisiche appropriate. L’apprendimento in contesto (ICL) per i robot sostiene questo processo usando dimostrazioni e interazioni per orientare le competenze già acquisite, mentre i parametri neurali restano fissi durante l’impiego. Organizziamo questa rassegna della letteratura attorno alle interfacce che collegano le informazioni fornite dal contesto all’esecuzione, distinguendo quattro famiglie: policy condizionate dal contesto, trasferimento geometrico delle dimostrazioni, controllo basato su modelli del mondo ed esecuzione basata su abilità e agenti. Il confronto tra queste interfacce chiarisce le ipotesi su cui si fonda il trasferimento e il ruolo dell’addestramento, delle corrispondenze e della memoria nel rendere utile il contesto. Nell’ambito della manipolazione e della navigazione, esaminiamo come questi meccanismi preservino i requisiti insegnati quando cambiano gli oggetti, gli ambienti e le condizioni di esecuzione. Questa analisi collega la progettazione dei metodi alle pratiche di valutazione che distinguono la capacità di recepire l’insegnamento, il trasferimento fisico e i benefici derivanti dall’esperienza conservata. Il programma di ricerca che ne deriva collega l’acquisizione composizionale di compiti e il trasferimento fedele all’automiglioramento ricorsivo fisico, in cui l’esperienza migliora la capacità di apprendere i compiti successivi.