Rewind-IL: Il Framework Migliora l'Apprendimento per Imitazione dei Robot con Rilevamento e Recupero degli Errori

Rewind-IL, un innovativo framework online che non richiede addestramento, affronta i problemi di implementazione nell'apprendimento per imitazione per la robotica. Questo sistema integra un metodo di rilevamento degli errori zero-shot basato su Temporal Inter-chunk Discrepancy Estimate (TIDE) insieme a una funzionalità di state-respawning che riporta i robot a stati intermedi sicuri verificati semanticamente. È progettato per politiche di azione a blocchi a lungo orizzonte, che possono generare azioni localmente plausibili ma non riescono a recuperare quando l'esecuzione si allontana dal manifold di dimostrazione. Gli attuali monitor runtime necessitano di dati sugli errori, si attivano troppo facilmente con lievi deviazioni delle caratteristiche, o rilevano solo gli errori senza offrire soluzioni di recupero. Un modello vision-language identifica offline gli stati intermedi sicuri, e TIDE viene ottimizzato utilizzando split conformal prediction per una maggiore affidabilità. Questo framework è stato pubblicato su arXiv con identificatore 2604.16683v1 come abstract cross-type. Mentre l'apprendimento per imitazione ha permesso ai robot di apprendere abilità visuomotorie complesse dalle dimostrazioni, gli errori di implementazione continuano a rappresentare sfide significative. Questa ricerca offre una soluzione completa che rileva gli errori senza bisogno di dati di addestramento e include un meccanismo di recupero piuttosto che una mera rilevazione.