Tenere sotto controllo i VLA in presenza di errori di esecuzione dei robot: autocompensazione e stress test

Abstract degli autori

Le politiche visione-linguaggio-azione (VLA) spesso falliscono quando il movimento eseguito da un robot si discosta dall’azione che hanno comandato. Questi errori di esecuzione derivano dalla meccanica del robot e dalle sue condizioni operative, come l’usura e le variazioni del carico utile. Proponiamo il VLA autocompensante, un metodo di adattamento in fase di impiego che consente a una politica VLA di compensare preventivamente gli errori di esecuzione del robot quando genera i comandi. Senza ricorrere a ricompense o etichette relative ai compiti, il metodo aggiorna la politica online usando lo scarto tra l’azione comandata da un VLA e il movimento eseguito dal robot. Per mettere alla prova la robustezza dei VLA in condizioni di esecuzione che sarebbe impraticabile riprodurre usando soltanto robot fisici, introduciamo RoboStress, un benchmark di simulazione controllata. Combina modelli consolidati, a livello delle articolazioni, di attrito, gioco meccanico, cedevolezza ed errore di compensazione della gravità in sette scenari di impiego in cui gli errori di esecuzione dipendono dallo stato del robot e dalla storia dei suoi movimenti. Su RoboStress, il VLA autocompensante ottiene un successo medio nei compiti superiore sia a quello delle politiche di partenza sia a quello dei metodi che incorporano la robustezza durante l’addestramento. Su due bracci robotici fisici con storie d’uso diverse, aumenta il tasso medio di successo nei compiti di oltre 30 punti percentuali per ciascun braccio, e i miglioramenti si estendono a oggetti non presenti nelle dimostrazioni dei compiti.