Riepilogo Tecnico: SR-Platform

Enunciato del Problema

La scalabilità dell'apprendimento robotico richiede grandi collezioni di ambienti di simulazione diversificati e fisicamente plausibili. Tuttavia, la costruzione di tali ambienti rimane un collo di bottiglia significativo. La creazione di una scena MuJoCo pronta per l'addestramento richiede tipicamente competenze nella modellazione di asset 3D, nella specifica MJCF, nel layout spaziale, nell'evitamento delle collisioni e nell'integrazione del modello robotico. Sebbene i Modelli Linguistici su Grande Scala (LLM) abbiano dimostrato potenziale nel ragionamento semantico e nella sintesi del codice, gli approcci precedenti spesso si basano su librerie di oggetti fisse, si fermano a descrizioni simboliche o richiedono intervento manuale prima dell'esecuzione. Di conseguenza, il problema end-to-end di convertire un prompt in linguaggio naturale non vincolato in una scena robotica fisicamente valida e pronta per il simulatore rimane insufficientemente affrontato.

Metodologia: SR-Platform

SR-Platform è un sistema agenziale deployato in produzione progettato per sintetizzare ambienti MuJoCo eseguibili a partire da descrizioni in linguaggio naturale in forma libera. Invece di affidarsi a un singolo LLM monolitico, il sistema impiega una pipeline a quattro livelli, tipizzata e verificabile, coordinata da un PipelineCoordinator. L'architettura è distribuita come stack Docker composto da nove servizi, che utilizza lo streaming WebSocket, MinIO per l'archiviazione delle mesh, Qdrant per il recupero semantico, Redis per la gestione dello stato e InfluxDB per la telemetria.

La pipeline è composta da quattro fasi distinte:

1. L1: Orchestratore
   Questa fase converte il prompt in linguaggio naturale dell'utente (ad esempio, "una linea di assemblaggio con un nastro trasportatore e un braccio robotico") in un piano di scena strutturato JSON. Definisce le dimensioni della stanza, l'elenco degli oggetti, le etichette semantiche, l'identità del robot selezionato e i parametri di anomalia. Implementata come flusso di lavoro LangGraph, separa la pianificazione semantica dalla generazione geometrica per ridurre la complessità dell'LLM e localizzare i fallimenti.

2. L2: Asset Forge
   L'Asset Forge risolve le etichette degli oggetti in mesh 3D compatibili con il simulatore (STL). Adotta una strategia cache-first:

   • Recupero Semantico: Le etichette degli oggetti vengono incorporate e interrogate contro un database vettoriale Qdrant. Se esiste un asset cache ad alta similarità, lo STL viene caricato da MinIO.
   • Sintesi LLM-to-CadQuery: Se non si verifica un hit nella cache, un LLM genera codice CadQuery per sintetizzare nuova geometria. Questo codice viene eseguito per produrre una mesh STL, che viene quindi archiviata e indicizzata per un riutilizzo futuro.
   • Robustezza: Il sistema include meccanismi di validazione e di nuovo tentativo automatico. Se il codice generato è malformato o la geometria è invalida, il sistema tenta una rigenerazione o ricade su una geometria semplificata per prevenire il fallimento del lavoro.

3. L3: Layout Architect
   Questa fase assegna pose spaziali (posizione e rotazione) a tutti gli oggetti risolti. Utilizza un modello di layout basato su LLM per proporre posizionamenti semanticamente plausibili (ad esempio, tavoli sul pavimento) e fisicamente coerenti (nessuna sovrapposizione). Crucialmente, integra un IndustryRulesChecker per verificare vincoli come il distanziamento elettrico, le vie di fuga per la sicurezza antincendio, le distanze di sicurezza delle macchine e il distanziamento per la ventilazione. Le violazioni vengono restituite come voci strutturate per consentire il re-campionamento o l'etichettatura delle anomalie.

4. L4: Bridge e Assemblaggio MJCF
   La fase finale converte il piano di scena disposto in un file XML MuJoCo (MJCF) eseguibile. Costruisce il pavimento, le pareti e i corpi degli oggetti, inserendo le mesh STL recuperate o generate con le loro pose calcolate. Un RobotMerger integra il modello robotico selezionato (da un catalogo che include UR5, Franka Panda, ecc.) nella scena, garantendo la coerenza del sistema di coordinate. Questa fase è deterministica e non invoca LLM.

Contributi Chiave

Il documento delinea quattro contributi principali:

1. Pipeline Agente End-to-End: Un sistema che converte descrizioni in linguaggio naturale dello spazio di lavoro in scene MuJoCo eseguibili contenenti modelli robotici, asset mesh, pose degli oggetti e coordinate di spawn.
2. Asset Forge Consapevole della Cache: Un meccanismo che combina il recupero semantico con la generazione LLM-to-CadQuery, riducendo le chiamate LLM ridondanti per tipi di oggetti precedentemente generati.
3. Verifica del Layout Industriale: L'integrazione del controllo dei vincoli (distanziamento, sicurezza, vie di fuga) nel processo di sintesi della scena prima dell'assemblaggio MJCF.
4. Telemetria di Produzione: Report su 30 giorni di dati di produzione che coprono 611 chiamate LLM riuscite, dettagliando la latenza per fase, il comportamento di nuovo tentativo e i limiti di throughput.

Risultati Sperimentali

Il sistema è stato valutato utilizzando telemetria di produzione da una finestra di deployment di 30 giorni.

• Latenza: Per una scena a cinque oggetti in cui tutti gli oggetti mancano nella cache, la latenza mediana end-to-end è di circa 50 secondi. Quando gli oggetti vengono recuperati dalla cache, la latenza scende a 30–40 secondi.
• Prestazioni delle Fasi: L'Asset Forge L2 è il principale contributore alla latenza. La latenza mediana per una generazione di CadQuery al primo tentativo (skill_generator) è di 17,9 secondi (p95: 65,4s). Le chiamate di nuovo tentativo sono più lente, con una mediana di 24,4 secondi.
• Affidabilità: L'Asset Forge dimostra un tasso di nuovo tentativo al primo tentativo dell'11,3%. I fallimenti sono principalmente dovuti a codice CadQuery malformato o geometria invalida. I meccanismi di nuovo tentativo automatico e di fallback consentono al sistema di riprendersi senza abortire l'intera generazione della scena.
• Throughput: Il sistema supporta cinque lavori di generazione concorrenti. Il throughput è limitato dalla generazione degli asset L2, ma può essere scalato orizzontalmente aggiungendo worker, poiché l'architettura condivide servizi senza stato (Redis, MinIO, Qdrant).
• Prestazioni del Modello: I benchmark su asset CAD meccanici e in forma libera indicano che claude-opus-4-6-fast raggiunge la massima accuratezza geometrica per le parti meccaniche, mentre qwen3-coder-480b offre un forte equilibrio tra velocità e costo.

Significato e Affermazioni

Il documento posiziona SR-Platform come un passo verso la resa più scalabile e accessibile della generazione di ambienti di simulazione robotica. Consentendo agli utenti di produrre scene MuJoCo eseguibili da prompt in inglese semplice in meno di un minuto, il sistema riduce lo sforzo manuale richiesto per costruire ambienti di addestramento diversificati.

Gli autori sottolineano che il valore del sistema risiede nel suo design orientato alla produzione: non è semplicemente un prototipo di ricerca, ma un servizio distribuito che presenta streaming di progresso in tempo reale, esecuzione asincrona dei lavori, recupero di asset semantici e isolamento dello stato per utente. Il documento afferma che questo approccio agente, che separa la pianificazione semantica, la generazione degli asset, il ragionamento sul layout e l'assemblaggio del simulatore, consente una migliore memorizzazione nella cache, debug e validazione rispetto ai singoli prompt LLM end-to-end. Inoltre, l'inclusione del controllo dei vincoli industriali mira a colmare il divario tra scene visivamente plausibili e ambienti fisicamente validi, pronti per il deployment.

Gli autori notano modestamente le limitazioni, riconoscendo che il sistema attualmente mira ad ambienti industriali interni e semi-strutturati e che il codice CAD generato da LLM, sebbene recuperabile, non è ancora un compilatore deterministico garantito. Viene proposto un lavoro futuro per includere la generazione da immagine a 3D, backend fisici ad alta fedeltà ed esportazione diretta nei formati dei dataset per l'apprendimento robotico.