Wetenschappers hebben een innovatieve methode ontwikkeld om de bewegingen van robots natuurlijker en efficiënter te maken. Het nieuwe framework, dat de naam RACE (Reliable Action-Chunk Extension) draagt, voorkomt dat robots telkens moeten pauzeren tijdens het uitvoeren van complexe manipulatietaken. Door de overgangen tussen verschillende vaardigheden preciezer te voorspellen, verdwijnt het hinderlijke 'stop-and-go'-effect.
In de huidige robotica worden Vision-Language-Action (VLA) modellen ingezet als het centrale brein voor aansturing. Een groot knelpunt bij deze systemen is de enorme rekenkracht die nodig is voor elke individuele beslissing. Omdat deze berekeningen tijd kosten, ontstaat er een vertraging waarbij de robot moet wachten op de volgende instructie voordat hij verder kan bewegen. Dit proces van een cambridge.org — in algemene zin het proces van iets doen — vertaalt zich in deze technische context naar een specifieke reeks motorische commando's.
Om deze inactiviteit te beperken, maken ontwikkelaars gebruik van zogenaamde 'action chunks'. Hierbij voorspelt het model niet één enkele stap, maar een hele reeks opeenvolgende handelingen voor de nabije toekomst. Hoewel langere reeksen minder vaak berekeningen vereisen en dus minder pauzes opleveren, gaat dit gepaard met een risico. Volgens een arxiv.org neemt de onbetrouwbaarheid toe naarmate de voorspelde reeks langer wordt. Vooral bij de overgang van de ene subvaardigheid naar de andere sluipen er fouten in de uitvoering.
Seonghoon Yu en zijn team hebben met RACE een oplossing geboden voor dit precisieprobleem. Het framework maakt gebruik van een 'one-step denoising pass', een hulpmechanisme dat exact bepaalt wanneer een overgang tussen verschillende handelingen plaatsvindt. Door de generatie van acties afhankelijk te maken van deze timing, kan het systeem veel betrouwbaarder langere reeksen uitvoeren zonder dat de precisie verloren gaat. De volledige technische details van dit systeem zijn terug te vinden in de .
De effectiviteit van RACE is uitgebreid getest in zowel virtuele als fysieke omgevingen. In simulaties bleek het systeem superieur aan standaard fine-tuning. Zelfs wanneer de actie-chunks twee keer zo lang waren als gebruikelijk, overtrof RACE de huidige state-of-the-art VLA-modellen wat betreft het succespercentage. De resultaten bleven zelfs bij chunks die vier keer zo lang waren nog steeds competitief.
In de praktijk, bij tests met een fysieke robot, waren de resultaten nog prominenter. Het was mogelijk om chunks te gebruiken die vier keer langer waren dan in traditionele systemen. Dit leidde ertoe dat de totale inactiviteit door stop-and-go-executie met ongeveer een factor vijf werd verminderd. Tegelijkertijd behaalde de robot een hoger succespercentage dan bij methoden met kortere chunks. Volgens de markeert dit een belangrijke stap richting robots die minder afhankelijk zijn van constante herberekeningen en daardoor menselijker kunnen bewegen.