PyRUA-REAL: Robot Exploration and Adaptive Learning through RSI in the Real World
Pubblicata su AIChronos il · fonte del · Qiang Wang, Jianxin Bi, Shulong Jiang, Ruiyang Si, Wenbo Huang, Kaiqi Chen
Il paper introduce PyRUA-REAL, un framework che studia l'embodied recursive self-improvement (RSI) attraverso l'esplorazione nel mondo reale, il raffinamento del codice e il deployment. Gli agenti di coding in questo sistema conservano le esperienze di interazione come memoria persistente e abilità esecutive riutilizzabili per informare esplorazioni future. Lo studio pone la manipolazione fisica al centro del processo di miglioramento, analizzando la collaborazione tra agenti e l'influenza delle specifiche dei task sulla robustezza e il trasferimento delle competenze. I risultati dimostrano che i programmi generati mantengono efficienza e capacità anche quando deployati senza un agente online per il decision-making.
- PyRUA-REAL raggiunge una percentuale di successo media del 91,1% su otto task nel mondo reale e dell'84,4% su 42 task del benchmark RoboDojo.
- Il framework permette agli agenti di coding di trattenere le esperienze di interazione come memoria persistente per migliorare iterativamente le capacità robotiche.
- La ricerca esamina come il feedback di esecuzione supporti il raffinamento del codice e come le abilità acquisite influenzino la robustezza e il trasferimento dei task.
- I programmi risultanti sono in grado di operare efficacemente senza coinvolgere un agente online per il processo decisionale durante il deployment.
Perché conta. Questa ricerca è rilevante perché offre indicazioni empiriche su come trasformare l'esplorazione fisica in abilità robotiche riutilizzabili, facilitando lo sviluppo di agenti autonomi robusti e efficienti per scenari reali senza dipendenza costante da un'infrastruttura online.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.