Teach-and-Grow Learning: Nuova Architettura Agent-Centrica per l'Apprendimento Robotico Generale
Un recente preprint su arXiv (2608.17209) introduce Teach-and-Grow Learning (TGL), un'architettura focalizzata sul miglioramento dell'apprendimento robotico dalla prospettiva dell'agente. Affronta la 'tassa di riaddestramento' associata ai modelli end-to-end visione-linguaggio-azione (VLA) e mondo-azione, che presentano limitazioni dovute alla loro copertura fisica validata. Quando i robot incontrano oggetti, sensori, embodiment o contatti non familiari al di fuori di tale copertura, la correzione dei problemi richiede nuovi dati, revisioni delle policy e test di regressione. A differenza dei dati testuali, i dati embodied spesso richiedono il funzionamento di macchine. TGL trasforma dimostrazioni riuscite in Skill Block riutilizzabili—comportamenti a ciclo chiuso mirati al raggiungimento di specifici sotto-obiettivi. In nuovi ambienti, l'agente utilizza questi blocchi, sceglie strumenti appresi o geometrici, monitora i risultati fisici e aggiusta i percorsi se l'esecuzione diverge. Questo preprint è designato come un annuncio incrociato.
Fatti principali
- Il preprint arXiv 2608.17209 introduce Teach-and-Grow Learning (TGL).
- TGL è un'architettura agent-centrica per l'apprendimento robotico generale.
- Affronta la 'tassa di riaddestramento' nei modelli VLA e mondo-azione.
- L'affidabilità dei modelli end-to-end VLA e mondo-azione è limitata dalla copertura fisica validata.
- I guasti al di fuori della copertura richiedono nuovi dati robotici, aggiornamenti delle policy e test di regressione.
- I dati embodied devono spesso essere creati facendo funzionare macchine, a differenza del testo.
- TGL trasforma alcune dimostrazioni riuscite in Skill Block riutilizzabili.
- In nuove scene, l'agente fonda e compone Skill Block, seleziona strumenti, osserva i risultati e rivede i percorsi.
Entità
—