Controllori bio-ispirati a basso costo superano l'IA sovraparametrizzata nell'apprendimento robotico

Un nuovo preprint arXiv (2604.20365) sfida la tendenza alla sovraparametrizzazione in robotica, mostrando che controllori bio-ispirati più semplici possono superare reti neurali più grandi. I ricercatori hanno confrontato i Central Pattern Generators (CPG) e i Multi-Layer Perceptrons (MLP) nell'ottimizzazione del controllo robotico per una data morfologia con propriocettività limitata. Utilizzando protocolli di apprendimento evolutivo e per rinforzo, hanno variato gli spazi parametrici attraverso molteplici funzioni di ricompensa. I risultati hanno mostrato che MLP poco profondi e CPG densamente connessi hanno ottenuto prestazioni migliori rispetto a MLP più profondi o architetture Actor-Critic. Lo studio introduce una metrica, Paramete, per tenere conto della relazione tra prestazioni e numero di parametri. I risultati suggeriscono che in contesti con spazi di input/output piccoli e prestazioni limitate, più parametri possono ostacolare l'apprendimento. Questo lavoro empirico fornisce prove dei benefici della bio-ispirazione a basso costo in un'era di sovraparametrizzazione, con implicazioni per la progettazione efficiente del controllo robotico.