Framework Agentic-VLA per un'adattamento efficiente dei robot

Un nuovo framework di addestramento chiamato Agentic-VLA è stato sviluppato dai ricercatori per migliorare i modelli Vision-Language-Action (VLA) per un adattamento online più efficace nella manipolazione robotica. Questo framework affronta due sfide significative affrontate dalle tecniche VLA esistenti: generalizzazione inadeguata ad ambienti sconosciuti e addestramento inefficiente che richiede numerose dimostrazioni. Agentic-VLA presenta tre innovazioni chiave: Adaptive Reward Synthesis, che crea funzioni di ricompensa che si adattano in base alle capacità del modello e alla difficoltà del compito, suddividendo i compiti in sotto-obiettivi gestibili per l'apprendimento curriculare; Language-Guided Exploration, in cui un modello critico offre una guida strutturata per un'esplorazione metodica anziché tentativi casuali; e Experience Memory, che conserva e recupera pesi politici rilevanti per un adattamento più rapido. I dettagli di questo framework sono disponibili in un articolo su arXiv (2605.22896).