Gesloten lus op code niveau - een nieuwe filosofie van robotica
Veel moderne robotsystemen zijn gebaseerd op visueel-taalmodellen (VLM's) die besturingsbeslissingen genereren. Traditioneel moeten deze modellen worden aangepast aan een specifieke taak om in de praktijk te werken - een proces dat bekend staat als fine-tuning. Dit vereist grote datasets en tijd. VLCP volgt een andere weg: in plaats van het model aan te passen, laat het het ongewijzigd (bevroren) en gebruikt het om een besturingsfunctie in Python te genereren. Belangrijk is dat het geen voorbeelden of training nodig heeft.
De belangrijkste innovatie is de gesloten regelkring op code niveau, en niet op beslissings- of subtasniveau. Wanneer een robot een fout maakt - bijvoorbeeld door een object niet vast te pakken - kiest het systeem geen nieuwe taak of herhaalt het dezelfde functie niet. In plaats daarvan analyseert het model om de paar stappen opnieuw de scène vanuit verschillende perspectieven en herschrijft het de besturingscode die zojuist mislukt is. Dit maakt het mogelijk om de fout tijdens één enkele episode te corrigeren, voordat deze onomkeerbaar wordt.
Effectiviteit: tien keer meer succes dan de traditionele aanpak
Onderzoek dat is uitgevoerd op een dataset van MuJoCo/RoboVerse-taken, met 57 verschillende manipulatietaken, toonde een drastische verbetering van de effectiviteit. Het VLCP-systeem behaalde aanzienlijk betere resultaten dan een identiek systeem dat in open modus werkte (met één query per episode). Dit verschil is niet willekeurig - de betrouwbaarheidsintervallen overlappen elkaar niet eens voor individuele scenefamilies.
De belangrijkste verbetering komt voort uit de correctie van fouten binnen één enkele episode. Uit het onderzoek bleek dat het systeem een deel van de mislukte grijpgevallen kan herstellen - dat wil zeggen, die situaties die traditionele open systemen als het einde van een episode beschouwen. Wanneer een robot een object niet vastgrijpt, reageert VLCP niet op beslissingsniveau, maar herschrijft het de besturingscode, die nu mogelijk correct kan werken in de nieuwe situatie.
Computationele efficiëntie: lage kosten en hoge prestaties
Ondanks de geavanceerde replanneringsfunctie is VLCP geen computationele belasting. Het onderzoek toont aan dat een groot deel van de invoertokens in de cache terechtkomt, wat de responstijd aanzienlijk vermindert. Voor één episode zijn ongeveer 10 korte query's voldoende - niet meer dan nodig voor één volledige verwerking.
Bovendien worden de controlefuncties die tijdens het herplannen worden gegenereerd, opgeslagen in een vaardigheidsbibliotheek die wordt gebruikt in latere afleveringen. Dit betekent dat het systeem niet alleen tijdens de werking verbetert, maar ook leert van zijn eigen ervaring - wat kan leiden tot een langdurige ontwikkeling van competenties zonder nieuwe training te vereisen.
Grenzen en betekenis voor de toekomst van de robotica
De resultaten van VLCP zijn veelbelovend, maar het is belangrijk om op te merken dat deze in een simulatie zijn behaald - op het MuJoCo/RoboVerse-platform. Dit betekent dat er nog geen bevestiging is van de werking in de echte wereld met fysieke robots en sensorische ruis. Het is ook belangrijk om te benadrukken dat het systeem alleen werkt voor taken die kunnen worden beschreven als korte Python-functies - wat de toepassing ervan beperkt tot specifieke soorten manipulatie.
De betekenis van dit werk is echter enorm. Het laat zien dat robots niet alleen taken kunnen uitvoeren, maar ook hun eigen code in realtime kunnen analyseren en verbeteren. Dit is een stap richting autonome systemen die niet beperkt zijn tot vooraf geprogrammeerde acties, maar zich kunnen aanpassen op het niveau van de besturing zelf.
