Quando le previsioni aiutano il robot a scegliere la prossima mossa

Un robot può vedere dove si trova un oggetto senza capire in che direzione si muove. Può anche trovarsi in uno spazio di lavoro cambiato o prevedere un buon esito per un’azione che in realtà fallisce. In ciascun caso, una previsione plausibile può servire a poco per scegliere la mossa successiva.

I tre studi suggeriscono di adattare le prove di apprendimento al problema: usare le osservazioni recenti per anticipare il movimento, le transizioni osservate durante il deployment per aggiornare le conseguenze previste e le alternative eseguite per distinguere gli esiti.

I risultati provengono da test diversi, quindi le conclusioni valgono entro i limiti di ciascuna configurazione.

Immaginiamo un robot che allunga il braccio verso un oggetto che si sposta su un tavolo. Un’immagine mostra dove si trova, ma quelle precedenti rivelano in che direzione si muove e quanto è avanzato il braccio.

Long-WAM, un sistema che prevede i fotogrammi successivi per scegliere le azioni del robot, parte da questo problema. I suoi autori chiedono se fornire al controllore una storia visiva più lunga lo aiuti davvero ad agire, dato che elaborare quella storia richiede tempo.

L’informazione utile è il cambiamento tra le osservazioni, non semplicemente una raccolta più ampia di immagini.

Immaginiamo ora un robot che ha imparato a mettere un oggetto in una ciotola e poi si trova davanti a un tavolo o a un oggetto diverso. Juno, un sistema che usa immagini e istruzioni in linguaggio naturale per produrre azioni, studia come le previsioni possano aiutare il robot a manipolare oggetti in queste condizioni.

Il suo metodo di deployment tratta un tentativo fallito come una registrazione di ciò che il robot ha fatto e di ciò che è accaduto in seguito. Questa registrazione può aiutarlo ad aggiornare il proprio modello dello spazio di lavoro, anche se l’azione fallita è un cattivo esempio da imitare.

Un terzo problema si presenta prima che il robot agisca: un modello può prevedere il successo sia per un’azione valida sia per una variante che, una volta eseguita, fallisce. CureWM studia questa insensibilità al fallimento nei modelli che prevedono gli esiti delle azioni.

Gli autori confrontano sequenze di azioni alternative a partire dalla stessa situazione iniziale e ne verificano gli esiti eseguendole. Nel loro insieme, questi esempi pongono una domanda: che cosa deve imparare un modello predittivo affinché le sue previsioni aiutino il robot a scegliere quando cambiano la storia visiva, l’ambiente o gli esiti possibili?