PriGo: адаптивное управление роботами на основе примитивов без дообучения

Исследователи представили PriGo — метод адаптации на этапе тестирования для политик на основе диффузии и потоков в роботизированной манипуляции. Этот подход позволяет роботам корректировать своё поведение в реальном времени, не требуя дополнительного обучения. В основе PriGo лежат два ключевых компонента: легковесный модуль предсказания примитивов PANet и механизм дифференцируемого управления примитивами. PANet выводит распределения примитивов непосредственно из наблюдений, а механизм управления уточняет генерируемые действия в процессе вывода, направляя траектории к семантически согласованному поведению. Это решает давнюю проблему имитационного обучения: политики часто терпят неудачу при обобщении на новые задачи и среды, поскольку имитируют поверхностные корреляции действий, а не истинное намерение. PriGo же адаптируется на лету, что делает его особенно ценным для реальных роботизированных систем.

Почему это важно Современные политики имитационного обучения, несмотря на впечатляющие результаты в контролируемых условиях, часто оказываются хрупкими при столкновении с новыми сценариями. Они запоминают конкретные последовательности действий, но не понимают цели. PriGo меняет это, вводя адаптацию на этапе тестирования: вместо переобучения на новых данных робот использует примитивы — базовые семантические действия, такие как «взять» или «толкнуть», — чтобы скорректировать свою траекторию. Это не только повышает робастность, но и позволяет выполнять задачи с длинным горизонтом планирования, где ошибки на ранних шагах могут накапливаться. Метод интегрируется в предобученные политики диффузии и потоков без необходимости их модификации, что упрощает внедрение.

Как работает PriGo PriGo функционирует исключительно на этапе тестирования, что является его ключевым преимуществом. Для использования достаточно иметь предобученную политику на основе диффузии или потоков. В процессе вывода PANet анализирует текущие наблюдения (например, изображения с камер) и предсказывает распределение вероятных примитивов. Затем механизм дифференцируемого управления примитивами уточняет каждое генерируемое действие, подталкивая траекторию к семантически осмысленному поведению. Например, если робот должен взять чашку, но его рука отклоняется, PriGo корректирует движение, чтобы оно соответствовало примитиву «взять». Этот процесс происходит в реальном времени, без дополнительных итераций обучения.

Какие эксперименты подтверждают эффективность PriGo? Исследователи провели обширные тесты на нескольких наборах данных: LIBERO, CALVIN, SIMPLER, а также на реальных роботизированных задачах. В каждом случае PriGo демонстрировал последовательное улучшение по сравнению с базовыми политиками. Например, в задачах с длинным горизонтом, где требуется выполнить несколько шагов (скажем, «взять крышку, затем поставить её на стол»), PriGo снижал частоту ошибок на 20–30%. В сценариях с изменённым расположением объектов или новыми препятствиями метод также показывал лучшую обобщаемость, не требуя переобучения. Реальные эксперименты с роботом-манипулятором подтвердили, что PriGo стабильно работает даже при небольших вариациях в освещении или положении камеры.

Кого затронет эта разработка PriGo в первую очередь интересен разработчикам роботизированных систем, которые сталкиваются с проблемой обобщения имитационных политик. Исследователи в области имитационного обучения и робототехники могут использовать PriGo как готовый модуль для повышения надёжности своих моделей. Инженеры, работающие над адаптивным управлением роботами, найдут в методе способ быстро адаптировать роботов к новым условиям без длительного переобучения. Кроме того, PriGo может быть полезен в промышленных сценариях, где роботы должны выполнять разнообразные задачи с минимальной перенастройкой.

Ограничения и нерешённые вопросы Несмотря на впечатляющие результаты, у PriGo есть ограничения. Метод предполагает, что примитивы могут быть надёжно предсказаны из наблюдений, что может быть сложно при сильном шуме или неполных данных (например, при частичной окклюзии объектов). Кроме того, вычислительные затраты на этапе тестирования, хотя и невелики, всё же добавляют задержку, что критично для высокоскоростных операций. Исследователи пока не изучили поведение PriGo в условиях сильно зашумлённых сенсоров или при отсутствии некоторых модальностей (например, только одно изображение вместо стереопары). Будущие работы могут быть направлены на снижение вычислительной нагрузки и повышение устойчивости к шумам.

Заключение PriGo представляет собой значительный шаг вперёд в области адаптивного управления роботами. Предлагая метод адаптации на этапе тестирования без дообучения, он решает ключевую проблему современных имитационных политик — хрупкость при обобщении. Благодаря интеграции с популярными архитектурами диффузии и потоков, PriGo может быть легко внедрён в существующие системы. Хотя остаются вопросы по поводу работы в экстремальных условиях, текущие результаты на наборах данных и реальных задачах внушают оптимизм. Для разработчиков и исследователей PriGo — это инструмент, который делает роботов не просто исполнителями, а адаптивными агентами, способными понимать намерения.