ES
RoboAuto adapta los programas robóticos al conocimiento físico de la escena
RoboAuto: Autonomous Robot Program Search through Multi-Level Physical Understanding · arXiv:2610.36533
En palabras sencillas
Los programas robóticos pueden revisarse una y otra vez sin resolver el problema físico: quizá el robot agarre un objeto de forma inadecuada o pase a la siguiente acción sin comprobar si la anterior funcionó. RoboAuto es un marco que ayuda a un agente de programación a buscar programas robóticos mediante conocimiento reutilizable sobre objetos, mediciones de la escena actual y comprobaciones del resultado de cada etapa.
En tareas seleccionadas de simulación con varias etapas, los programas de RoboAuto tuvieron más éxito en promedio que los encontrados por ASPIRE. La comparación abarca diez combinaciones de tarea y perturbación, así que no establece resultados para todas las tareas robóticas.
La investigación
Cuando se revisan programas robóticos tras un fallo, ¿puede la búsqueda aprender qué interacción conviene a un objeto, medir si esa estrategia encaja con la escena actual y verificar que cada acción haya funcionado?
RoboAuto evalúa un sistema que combina esos pasos y pregunta si los programas resultantes tienen éxito en tareas seleccionadas de simulación y en pruebas de transferencia.
RoboAuto combina conocimiento reutilizable sobre objetos, mediciones de la escena actual y comprobaciones por etapas para buscar programas robóticos.
RoboAuto busca programas robóticos combinando conocimiento físico reutilizable con mediciones de la escena actual y comprobaciones de que las acciones logren los efectos previstos.
La pregunta es si estos elementos ayudan a encontrar programas para tareas que dependen de las interacciones con objetos y de la geometría de la escena.
En entornos seleccionados de simulación con varias etapas, RoboAuto obtuvo un éxito medio mayor que ASPIRE. Una ablación también mostró que el éxito aumentaba al añadir componentes, con el mayor incremento al incorporar la adaptación a la escena junto con la base de conocimientos.
Esto respalda el enfoque combinado del sistema, mientras que los controles muestran que la base de conocimientos por sí sola no explica todo el resultado en las tareas evaluadas.
Estos resultados abarcan entornos de simulación seleccionados y tres tareas con robots reales.
La medida para robots reales otorga crédito por completar parcialmente una etapa, y un operador humano reinicia la escena y mantiene a salvo el robot y su entorno; por tanto, el estudio no demuestra que el robot pueda operar de forma autónoma en el mundo real.
Qué muestran las pruebas
- Cuando las revisiones pasan por alto la física
RoboAuto es un marco para buscar programas robóticos de forma autónoma. Aborda un problema ilustrado en ejecuciones de referencia: revisar programas repetidamente no resolvió algunas dudas físicas, como si una estrategia de agarre era adecuada para un objeto o si una acción anterior había activado una estufa.
Estos ejemplos motivan un proceso de búsqueda que razona sobre las interacciones y comprueba qué cambió realmente en la escena. [F2].
- Conocimiento adaptado a cada escena
RoboAuto separa el conocimiento reutilizable sobre objetos de las habilidades ejecutables, que son programas robóticos verificados. Adapta el conocimiento recuperado a la escena actual al identificar los objetos pertinentes para la tarea y medir las cantidades cruciales para las acciones.
En tareas largas, busca por etapas y comprueba cada resultado físico previsto antes de continuar; si la ejecución no permite determinar la causa de un fallo, puede realizar un experimento específico aparte. [F4].
- Más éxito en pruebas seleccionadas
En LIBERO-PRO Long, que evalúa tareas con cambios físicos dependientes que deben producirse en orden, el éxito medio de RoboAuto fue del 73.4% en diez entornos seleccionados, frente al 30.8% de ASPIRE. En LIBERO-Plus, que evalúa cambios en el ángulo de cámara y la distribución de la escena, los promedios fueron del 90.3% y del 44.7% en seis entornos seleccionados.
Se comparan métodos completos, por lo que los resultados muestran una diferencia de rendimiento sin identificar un componente como su causa. [F7].
- Qué aportan los componentes
La ablación de componentes ofrece una perspectiva aparte: en cinco tareas, el éxito medio aumentó al añadir, sucesivamente, búsqueda por etapas y experimentos, conocimiento reutilizable y adaptación a la escena. En una prueba de control con diez tareas de horizonte corto, añadir la base de conocimientos a ASPIRE elevó el promedio solo del 36.8% al 43.4%, mientras que RoboAuto completo llegó al 84.8%.
En conjunto, estos resultados sugieren que la base de conocimientos por sí sola no explica el rendimiento completo del sistema en ese control. [F9].
- La transferencia tiene límites definidos
En una prueba de transferencia se evaluó el conocimiento derivado de LIBERO en cuatro tareas de RoboTwin 2.0, con un simulador distinto y un robot de dos brazos. Con el mismo protocolo de búsqueda, el éxito medio fue del 91.5% con ese conocimiento y del 24.5% sin él. La evaluación también incluyó tres tareas con robots reales, pero utilizó una medida que admite la finalización parcial de etapas y contó con un operador humano para reiniciar la escena y mantener la seguridad. [F10][F11][F12].
Detalles
- Autores del paper original
- Buzhao Liu, Jianing Ye, Xiu Yuan, Yangtong Feng, Chengsong Huang
- Enviado a arXiv
- Licencia
- arXiv non-exclusive