Kod düzeyinde kapalı döngü - robotikte yeni bir felsefe
Birçok modern robotik sistem, kontrol kararları üreten dil-görsel modellerine (VLM) dayanır. Geleneksel olarak, bu tür modellerin pratikte çalışması için belirli bir göreve uyarlanmaları gerekir; bu işlem ince ayar olarak bilinir. Bu, büyük veri kümeleri ve zaman gerektirir. VLCP farklı bir yol izler: modeli değiştirmek yerine, onu değişmez (dondurulmuş) bırakır ve Python dilinde kontrol işlevi oluşturmak için kullanır. Önemli olan nokta, örneklere veya eğitimde kesintiye ihtiyaç duymamasıdır.
Anahtar yenilik, kontrol döngüsünü karar veya alt görev düzeyinde değil, kodun kendisinde kapatmaktır. Robot bir hata yaptığında - örneğin, bir nesneyi yakalayamadığında - sistem yeni bir görev seçmez veya aynı işlevi tekrarlamaz. Bunun yerine, birkaç adımda bir kez model sahneyi birçok açıdan yeniden analiz eder ve başarısız olan kontrol kodunu yeniden yazar. Bu, hatanın tek bir bölüm içinde düzeltilmesine ve geri döndürülemez hale gelmeden önce iyileştirilmesine olanak tanır.
Etkililik: Geleneksel yaklaşıma göre on kat daha fazla başarı
MuJoCo/RoboVerse görev kümesi üzerinde gerçekleştirilen araştırmalar, 57 farklı manipülasyon aktivitesini içeren önemli bir etkililik artışı göstermiştir. VLCP sistemi, aynı görevi açık modda (bölüm başına tek sorgu ile) gerçekleştiren sistemden çok daha iyi sonuçlar elde etti. Bu fark rastgele değildir - güven aralıkları bile tek tek senaryo aileleri için örtüşmez.
Ana iyileşme, bölüm içi hata düzeltmesinden kaynaklanmaktadır. Araştırma, sistemin başarısız kavrama vakalarından bazılarını kurtarabileceğini göstermiştir; yani geleneksel açık sistemlerin bir bölümün sonu olarak kabul ettiği durumlar. Robot bir nesneyi yakalayamadığında, VLCP karar düzeyinde tepki vermez, ancak yeni durumda zaten doğru çalışabilecek kontrol kodunu yeniden yazar.
Hesaplama verimliliği: düşük maliyet ve yüksek performans
Gelişmiş yeniden planlama işlevine rağmen, VLCP hesaplama yükü oluşturmaz. Araştırma şunu gösteriyor ki, giriş belirteçlerinin büyük bir kısmı önbelleğe alınır ve bu da yanıt süresini önemli ölçüde azaltır. Bir bölüm için yaklaşık 10 kısa sorgu yeterlidir; bu, tek bir tam işlemden daha fazla değildir.
Ek olarak, yeniden planlama sırasında oluşturulan kontrol fonksiyonları, sonraki bölümlerde kullanılan beceri kitaplığında saklanır. Bu, sistemin yalnızca çalışma süresince gelişmekle kalmayıp aynı zamanda kendi deneyimlerinden de ders çıkardığı anlamına gelir; bu da yeni bir eğitim ihtiyacı olmadan uzun vadeli yetkinlik gelişimine yol açabilir.
Sınırları ve robotik için önemi
VLCP sonuçları umut verici olsa da, bunun yalnızca MuJoCo/RoboVerse platformunda bir simülasyonda elde edildiğini unutmamak gerekir. Bu, gerçek dünyada fiziksel robotlar ve duyusal gürültü ile çalışmasının henüz doğrulanmadığı anlamına gelir. Ayrıca sistemin, kısa Python fonksiyonları olarak tanımlanabilen görevler için çalıştığını belirtmekte fayda var; bu da kullanımını belirli manipülasyon türleriyle sınırlar.
Ancak bu çalışmanın önemi çok büyük. Robotların yalnızca görevleri yerine getirmekle kalmayıp aynı zamanda kendi kodlarını gerçek zamanlı olarak analiz edip düzeltebileceğini gösteriyor. Bu, bir adımdır otonom sistemlere doğru; bunlar önceden programlanmış eylemlerle sınırlı değildir, ancak kontrol seviyesinde uyum sağlayabilirler.
