Il tempo fisico: una dimensione mancante nella dinamica della memoria delle policy robotiche

Abstract degli autori

Le memorie delle policy robotiche esistenti evolvono generalmente con le sequenze di osservazioni, trattando implicitamente ogni aggiornamento come se corrispondesse alla stessa quantità di tempo fisico. Eppure, storie di osservazioni identiche possono coprire durate diverse e richiedere azioni diverse: il tempo fisico emerge così come una dimensione mancante della memoria delle policy. Introduciamo Temporal Flow Policy (TFP), che apprende una dinamica della memoria capace di conservare gli eventi passati e di far evolvere lo stato della memoria nell’arco di intervalli di tempo misurati. Le osservazioni e la memoria pregressa determinano il contenuto e le scale temporali di ogni transizione; il tempo trascorso determina quanto avanza lo stato. TFP usa questo stato della memoria per condizionare le policy di diffusione e di flow matching ed è addestrata con i rispettivi obiettivi di imitazione. Valutiamo TFP con Diffusion Policy e $π_{0.5}$ attraverso confronti controllati tra architetture di memoria. Gli esperimenti mostrano che la corretta scelta dei tempi dipende sia dagli intervalli misurati sia dalla storia conservata. TFP ottiene una percentuale media di successo superiore a quella delle memorie ricorrenti e a spazio di stato a cui forniamo gli stessi intervalli, nonché a quella di una variante che passa l’intervallo a un gate appreso. Le informazioni estratte dalla memoria permettono di ricostruire il tempo trascorso da un evento e le informazioni sul movimento dopo un’occlusione. Modificare gli intervalli forniti ritarda o anticipa sistematicamente le azioni, collegando gli input temporali al comportamento. Compiti svolti da robot reali che richiedono il senso del tempo o la memoria, insieme alle valutazioni su LIBERO, mostrano benefici nella manipolazione fisica e generale. Questi risultati suggeriscono di considerare la memoria robotica non come una storia di osservazioni immagazzinata, ma come uno stato che conserva gli eventi passati ed evolve con il tempo fisico.