Integrare i prior fisici nell’apprendimento robotico: una rassegna

Abstract degli autori

I rapidi progressi dell’intelligenza artificiale stanno trasformando la robotica e accelerando l’adozione di approcci basati sull’apprendimento. Sebbene i metodi puramente basati sui dati abbiano ottenuto risultati straordinari nella visione artificiale e nell’elaborazione del linguaggio naturale, la robotica resta limitata dalla scarsità di dati, dalla complessità delle interazioni nel mondo reale e dalla necessità di un funzionamento affidabile. Queste sfide hanno spinto a esplorare l’apprendimento robotico con integrazione della fisica, che incorpora prior fisici negli algoritmi di apprendimento. Codificando le leggi e i vincoli fisici sottostanti, i prior fisici possono integrare i dati limitati con bias induttivi specifici della robotica, migliorando potenzialmente la generalizzazione, l’interpretabilità e l’efficienza nell’uso dei campioni. Tuttavia, la letteratura sull’apprendimento robotico con integrazione della fisica è ancora frammentata per terminologia, metodologie e ambiti applicativi, rendendo difficile valutare questo corpus di lavori in crescita. Questa rassegna esamina l’apprendimento robotico con integrazione della fisica attraverso un’ampia gamma di prior fisici, applicazioni robotiche e modelli di apprendimento automatico, dai percettroni a singolo strato ai modelli fondazionali generativi. Adottiamo una tassonomia unificata che classifica gli approcci esistenti in base al modo in cui integrano la fisica: input, dati e rappresentazioni guidati dalla fisica; architetture di modelli che codificano la fisica; e funzioni di perdita informate dalla fisica. Sulla base di questa tassonomia, passiamo in rassegna i metodi per l’apprendimento della dinamica dei robot, la pianificazione delle traiettorie, la previsione, il controllo e la stima, insieme al relativo ecosistema software open source. Individuiamo le principali sfide ancora aperte e delineiamo promettenti direzioni per la ricerca futura. Nel complesso, sosteniamo che i prior fisici costituiscano un bias induttivo particolarmente rilevante per la robotica, che integra l’apprendimento basato sui dati anziché sostituirlo, aprendo la strada a sistemi robotici più generalizzabili, efficienti nell’uso dei dati e affidabili.