L’uso di modelli linguistici estesi (LLM) sta rivoluzionando il modo in cui i robot apprendono e trasferiscono competenze dalla simulazione alla realtà. Questa innovativa tecnologia, presentata nello studio “DrEureka: Language Model Guided Sim-To-Real Transfer”, punta a semplificare il processo di acquisizione delle abilità dei robot, rendendolo meno dipendente dall’intervento umano.
Il problema centrale delle tecniche tradizionali di sim-to-real è l’elevato livello di intervento umano richiesto per progettare e regolare le funzioni di ricompensa, così come i parametri della fisica nella simulazione. Questi passaggi possono essere lunghi e laboriosi, ostacolando l’adozione su larga scala di soluzioni robotiche. Tuttavia, grazie a un approccio guidato dai modelli linguistici estesi, i ricercatori sono in grado di automatizzare questi processi complessi.
Il sistema funziona utilizzando solo una simulazione fisica per il compito previsto, con l’obiettivo di costruire automaticamente funzioni di ricompensa adeguate e distribuzioni di randomizzazione del dominio, rendendo il trasferimento nel mondo reale molto più agevole. I test condotti mostrano risultati sorprendenti, con configurazioni sim-to-real scoperte automaticamente che sono competitive con quelle progettate manualmente, in compiti come locomozione su quadrupedi e manipolazione di oggetti.
Non solo questo metodo accelera il processo, ma si dimostra anche capace di risolvere nuovi compiti per i robot. Tra i casi di studio, l’LLM è riuscito a guidare un quadrupede nell’equilibrio e nella camminata su una palla da yoga, senza bisogno di iterazioni manuali. Questa innovazione potrebbe rappresentare un salto epocale nel campo della robotica, consentendo un apprendimento più veloce, efficiente e meno dipendente dall’intervento umano.
