PyRUA-REAL: esplorazione robotica e apprendimento adattivo attraverso RSI nel mondo reale

Abstract degli autori

Gli agenti di programmazione basati su modelli come GPT-6-Astra collegano il ragionamento spaziale al comportamento eseguibile dei robot, sollevando la questione di come possano migliorare in modo duraturo le capacità dei robot attraverso l’interazione fisica. In questo lavoro studiamo l’auto-miglioramento ricorsivo incarnato (RSI) tramite l’esplorazione nel mondo reale, il perfezionamento del codice e la messa in opera, utilizzando PyRUA-REAL, un framework in cui gli agenti di programmazione conservano l’esperienza maturata nell’interazione sotto forma di memoria persistente e competenze eseguibili riutilizzabili, che orientano le successive attività di esplorazione e miglioramento. Il nostro studio empirico pone la manipolazione fisica al centro del processo di miglioramento ed esamina come collaborano gli agenti, quali tipi di feedback sull’esecuzione favoriscono un efficace perfezionamento del codice e in che modo le specifiche dei compiti e le competenze acquisite in precedenza influenzano la robustezza e il trasferimento tra compiti. Indaghiamo inoltre l’efficienza e le capacità dei programmi risultanti quando vengono messi in opera senza coinvolgere un agente online nel processo decisionale. Su otto compiti nel mondo reale, PyRUA-REAL raggiunge un tasso di successo medio del 91,1%. In una valutazione complementare su 42 compiti del benchmark RoboDojo, raggiunge un tasso di successo medio dell’84,4%. Questo studio offre indicazioni empiriche su come trasformare l’esplorazione fisica in competenze robotiche riutilizzabili, capaci di favorire un miglioramento continuo e una messa in opera robusta ed efficiente.