In questo articolo Indice dei contenuti 3 sezioni
Bastano 29 secondi di video perché un robot impari un compito manuale nuovo, senza addestramenti, senza sessioni di teleoperazione e senza toccare un solo parametro del modello. È il risultato ottenuto da un gruppo di ricercatori cinesi che ha messo un braccio robotico davanti a un filmato dimostrativo e lo ha semplicemente lasciato guardare. Il sistema si chiama Host, acronimo di Human-to-robot One-Shot Skill AcquisiTion, e la piattaforma usata per i test è un’unità bimanuale con due bracci ARX R5, capace di replicare i movimenti osservati subito dopo la visione.
La firma è quella del Beijing Institute of Technology, di X Square Robot e della Tsinghua University. Il punto interessante non è tanto la destrezza dei bracci, quanto il metodo di apprendimento robotico che sta sotto. Oggi la prassi è nota a chiunque lavori nel settore: un operatore raccoglie decine di dimostrazioni guidando il robot a distanza, poi il modello viene affinato in un ciclo che può durare ore. Lento e costoso, certo, ma il guaio vero è un altro. Ogni volta che i parametri condivisi vengono aggiornati per imparare qualcosa di nuovo, le abilità già acquisite si degradano. Gli addetti lo chiamano catastrophic forgetting, e resta uno dei problemi più fastidiosi della robotica basata su intelligenza artificiale.
Come funziona l’imitazione da un solo video
Host sposta l’apprendimento dalla fase di addestramento a quella di inferenza. Tradotto: il robot non modifica mai se stesso, osserva un video umano, lo interpreta e agisce, conservando intatto tutto quello che sapeva prima. La procedura segue tre passaggi che ricordano il modo in cui una persona guarda un gesto e lo copia. Prima capisce a che punto della procedura si trova, poi traduce la fase successiva del filmato in osservazioni future previste, infine ricava da quelle osservazioni le azioni concrete da eseguire. Il nodo tecnico più delicato riguarda l’allineamento tra filmato e traiettoria del braccio, perché i due flussi scorrono a velocità diverse. Host misura quanto ciascun fotogramma è avanzato nel compito su una scala da 0 a 1, in modo autosupervisionato, invece di far coincidere le immagini in base al tempo trascorso.
Numeri, efficienza e memoria che regge
Gli esperimenti si sono svolti su una piattaforma bimanuale della cinese ARX Robotics, con pinza su ogni braccio e tre telecamere RGB a osservare la scena. Su 50 compiti manuali mai visti in fase di addestramento, il tasso medio di successo si attesta al 62%, con un vantaggio del 45% sulle migliori tecniche basate su istruzioni testuali e del 43% sui metodi di imitazione da singola dimostrazione già esistenti.
Il confronto che colpisce di più riguarda l’efficienza. Un modello tradizionale addestrato con 50 dimostrazioni per compito richiede circa 5 ore tra raccolta dati e affinamento. Host arriva alla stessa abilità partendo da un unico filmato in una media di 29 secondi, cioè con 50 volte meno dimostrazioni e 507 volte più in fretta, con risultati migliori. Sulla ritenzione delle competenze i ricercatori hanno testato sette compiti già appresi, prima e dopo l’acquisizione di un’abilità nuova: i modelli classici perdono fino all’80% delle capacità originarie, Host le mantiene praticamente identiche. Anche la robustezza tiene. Le perdite restano all’1% con cambi di illuminazione, salgono al 4% con oggetti mai visti, al 6% con un cambio di scena e al 9% quando una persona sposta fisicamente un oggetto durante l’esecuzione.
Un archivio di gesti e i confronti con gli altri
Ogni video dimostrativo può essere salvato e richiamato automaticamente quando il compito si ripresenta, così il robot costruisce nel tempo un archivio di competenze riutilizzabili senza ulteriori interventi umani. Il campo, del resto, è pieno. Lo studio si confronta con Vid2Robot, sviluppato da Google DeepMind Robotics con la Carnegie Mellon University, che usa livelli transformer ad attenzione incrociata e, secondo i suoi autori, migliora di oltre il 20% il modello di riferimento BC-Z. Citato anche Awda come termine di paragone. Su una strada diversa si muove Nvidia, che in primavera ha rilasciato la versione N1.7 del modello GR00T con il componente EgoScale, pre addestrato su oltre 20mila ore di video egocentrici umani in più di venti categorie di compiti. L’azienda parla di una prima legge di scala per la destrezza robotica: passando da mille a ventimila ore, il tasso medio di completamento raddoppia, dato dichiarato e non verificato da terzi.
I limiti li segnalano gli autori stessi. Host è stato provato su una sola piattaforma bimanuale e non è ancora stato verificato su corpi robotici diversi. E i video non registrano le forze di contatto necessarie alle manipolazioni più fini, ostacolo che si potrebbe superare con guanti tattili indossabili.
