CASD: Chunk-Aligned Semantic Distillation for Multi-StageRobot Manipulation

Robots die objecten in de echte wereld kunnen manipuleren, worden geconfronteerd met een fundamenteel probleem van timing. Wanneer een mens een robot vraagt om "de kom in de lade te leggen en deze te sluiten", klinkt die instructie als één enkele opdracht, maar de fysieke realiteit is een opeenvolging van afzonderlijke momenten: reiken naar de kom, de kom vastpakken, de kom verplaatsen, de kom loslaten en tot slot de lade dichtduwen. Moderne robots proberen dit vaak op te lossen door in één keer een kort blok toekomstige bewegingen te voorspellen, een techniek die hen helpt om vloeiend te bewegen zonder na elke kleine beweging te pauzeren om na te denken. Deze aanpak creëert echter een blinde vlek. Als een robot een blok van twintig acties voorspelt, en het midden van dat blok is precies het moment waarop het overgaat van het vasthouden van de kom naar het loslaten ervan, kan de interne gids van de robot nog steeds zeggen "vasthouden" omdat dat de instructie was voor de eerste helft van het blok. De robot realiseert zich niet dat het doel al is verschoven naar "loslaten", wat leidt tot onhandige of mislukte pogingen.

Om dit op te lossen, hebben onderzoekers bij Ant Group een methode ontwikkeld genaamd Chunk-Aligned Semantic Distillation. Het kernidee is om de robot te leren begrijpen wat hij nu doet, maar ook precies hoeveel van zijn komende blok acties bij elk deel van de taak hoort. In plaats van de robot te dwingen om één enkel label te kiezen zoals "bewegen" of "sluiten" voor een heel blok tijd, berekent het systeem een gewogen mix. Als een blok acties voor drie kwart uit "bewegen" bestaat en voor een kwart uit "loslaten", leert de robot zich voor te bereiden op een combinatie van beide. Dit stelt de robot in staat om soepel tussen stappen over te gaan, waarbij de verandering wordt geanticipeerd voordat deze plaatsvindt, in plaats van er pas op te reageren nadat deze is gebeurd.

De onderzoekers bouwden dit systeem met behulp van een tweetraps trainingsproces dat het "denken" scheidt van het "doen". Eerst gebruikten ze een krachtig offline taalmodel om video's te bekijken van mensen die taken uitvoeren. Dit model fungeerde als een leraar en brak elke video af in een tijdlijn van afzonderlijke fasen, zoals "grijpen", "transporteren" en "loslaten". Voor elk moment in de video berekende de leraar precies hoeveel tijd de robot in elke fase zou doorbrengen tijdens het volgende blok acties. Vervolgens creëerde het een semantisch doel — een beschrijving van de toekomstige mix van fasen — dat diende als het juiste antwoord voor dat moment.

Vervolgens trainden ze een apart computerprogramma, een generator genoemd, om deze toekomstige mix te voorspellen met alleen de huidige weergave van de camera van de robot, de eigen fysieke staat en de tekstuele instructie. De generator leerde naar het heden te kijken en de samenstelling van de directe toekomst te raden. Zodra deze generator getraind was, bevroren de onderzoekers de instellingen zodat deze niet verder zou veranderen. Ze koppelden deze bevroren generator vervolgens aan het hoofdbeleid van de robot. Nu, wanneer de robot moet beslissen wat hij gaat doen, voorziet de generator onmiddellijk een semantische context-token die de komende mix van fasen beschrijft. De robot gebruikt deze token om zijn bewegingen te sturen, waardoor hij de transitie ziet voordat deze plaatsvindt. Cruciaal is dat dit hele proces gebeurt zonder dat de robot een groot taalmodel hoeft aan te roepen of tekst hoeft te genereren terwijl hij werkt; het zware werk van het begrijpen van de taakstructuur werd vooraf gedaan en opgeslagen in de bevroren generator.

Het team testte deze aanpak op verschillende verschillende robotleersystemen en een verscheidenheid aan benchmarks, waaronder taken met één arm, twee armen die samenwerken en complexe navigatiescenario's. In de standaardtests toonde de methode duidelijke verbeteringen. Wanneer gecombineerd met een specifiek type "robotbrein" dat bekend staat als een Joint-model, steeg het succespercentage bij een reeks manipulatietaken naar 98,9 procent, vergeleken met 98,0 procent voor hetzelfde model zonder de nieuwe methode. Bij een andere set taken met twee handen was de verbetering nog prominenter, met een sprong van 90,6 naar 93,0 procent. Het systeem bleek ook robuust wanneer de omgeving veranderde, zoals wanneer de verlichting verschoof of de robot vanuit een andere positie begon, waarbij het hoge succespercentages behield waar andere methoden moeite mee hadden.

De resultaten waren echter geen universele overwinning voor elk type robotbrein. Wanneer de onderzoekers de methode toepasten op een andere variant van het systeem, daalde de prestatie zelfs licht. Dit suggereert dat het voordeel van deze semantische sturing sterk afhangt van hoe het onderliggende systeem van de robot is gebouwd; voor sommige architecturen helpt de extra context bij het verfijnen van de actie, terwijl het voor andere een lichte mismatch kan introduceren.

Eén specifiek voorbeeld uit de tests illustreert het verschil dat deze methode maakt. In een taak waarbij een robot een zwarte kom in een lade moest bewegen en deze moest sluiten, faalde een standaard robotmodel erin om de kom op tijd los te laten; het hield de kom vast lang nadat het had moeten loslaten, en liep uiteindelijk in de tijd uit. De robot uitgerust met de nieuwe methode, startend vanuit exact dezelfde positie en gebruikmakend van dezelfde willekeurige zaadwaarden (random seeds), herkende de verschuiving eerder. Het begon de kom vrij te geven op het exacte moment dat de transitie plaatsvond, en voltooide de taak succesvol. Het systeem hoefde niet na te denken over de ladehendel terwijl het nog de kom vasthield; de semantische token die het ontving, vertelde het dat de "loslaat"-fase al een aanzienlijk deel van de directe toekomst in beslag nam.

De onderzoekers benadrukken dat deze aanpak niet vereist dat de robot een stapsgewijze planning of een lijst met subdoelen genereert terwijl hij beweegt. In plaats daarvan vertrouwt het op een gecomprimeerde, wiskundige representatie van de taakstructuur die één keer per beslissingscyclus wordt gegenereerd. Dit houdt het systeem snel en efficiënt, waardoor de vertragingen die vaak gepaard gaan met complexe redeneerprocessen worden vermeden. De methode slaagt erin de kloof te overbruggen tussen de hoogwaardige beschrijving van een taak en de laagwaardige timing van fysieke acties, waardoor robots taken met meerdere fasen kunnen afhandelen met een vloeiendheid die de menselijke anticipatie nabootst. Hoewel de techniek geen magische oplossing is voor elke mogelijke robotconfiguratie, biedt het een concrete manier om te verbeteren hoe machines het verloop van de tijd in hun eigen bewegingen begrijpen, waardoor een rigide sequentie van commando's wordt omgezet in een dynamische, contextbewuste uitvoering.