Action Chunking

Il raggruppamento delle azioni è una tecnica avanzata di deep learning, ampiamente utilizzata nella robotica e nell'apprendimento per imitazione, in cui un modello prevede una sequenza (o «blocco») di azioni future invece di una sola azione a ogni passo temporale. Prevedendo una traiettoria composta da più passi, il raggruppamento delle azioni consente agli agenti di IA di svolgere attività complesse e di lunga durata con maggiore fluidità e affidabilità. Questo approccio ha acquisito notevole diffusione dopo l'introduzione di Action Chunking with Transformers (ACT), un'architettura di modello che combina la previsione temporale con input di visione artificiale ad alta dimensionalità.

Mitigare gli errori cumulativi#

Nel cloning comportamentale tradizionale, un modello prevede il passo immediatamente successivo in base allo stato corrente. Tuttavia, durante l'inferenza in tempo reale, piccole imprecisioni nelle predizioni spostano il sistema verso stati non osservati. Questi errori si moltiplicano rapidamente e causano il fallimento dell'attività: un fenomeno noto come errori cumulativi.

Il raggruppamento delle azioni affronta direttamente questo limite. Prevedendo più azioni simultaneamente (ad esempio, 50 movimenti articolari che coprono 1 secondo di movimento), l'orizzonte di controllo effettivo si riduce. Il sistema si impegna a seguire un piano coerente a breve termine basato su una singola osservazione visiva affidabile, riducendo notevolmente la frequenza degli errori reattivi. Integrando backbone di visione come Ultralytics YOLO26 per la consapevolezza spaziale e la localizzazione dei riquadri di delimitazione, le predizioni risultanti diventano estremamente stabili rispetto al rumore di processo.

Applicazioni nel mondo reale#

Il raggruppamento delle azioni ha reso possibili nuove capacità nell'automazione fisica, in particolare quando viene distribuito su hardware per l'IA edge ottimizzato con framework come Intel Edge:

• Manipolazione robotica di precisione: nell'automazione industriale, i robot usano predizioni raggruppate per eseguire attività che richiedono un contatto preciso, come infilare cavi, inserire batterie negli alloggiamenti o maneggiare oggetti tracciati con dataset di segmentazione dei pacchi. La generazione di sequenze di azioni coerenti evita i movimenti bruschi e irregolari tipici dell'apprendimento per imitazione a passo singolo.
• Navigazione autonoma: nella guida autonoma e nel volo dei droni, prevedere un blocco di comandi di controllo (come sterzata e accelerazione) consente una pianificazione delle traiettorie più fluida, un concetto ampiamente studiato nei recenti articoli di robotica dell'IEEE. Grazie al tracciamento continuo degli oggetti e alla stima della profondità, i veicoli possono navigare in sicurezza in ambienti dinamici complessi.

Distinguere i concetti correlati#

Per capire meglio come questa tecnica si inserisce nell'ecosistema più ampio dell'intelligenza artificiale, è utile distinguerla da termini simili:

• Raggruppamento delle azioni e riconoscimento delle azioni: mentre il raggruppamento delle azioni genera una sequenza di comandi futuri da eseguire per una macchina, il riconoscimento delle azioni è il processo analitico che identifica le attività in corso in un flusso video.
• Raggruppamento delle azioni e modelli sequence-to-sequence: le architetture sequence-to-sequence mappano una sequenza di input su una sequenza di output e sono ampiamente usate nella traduzione automatica. Il raggruppamento delle azioni sfrutta ampiamente queste architetture, in particolare i Transformer, ma limita l'output esclusivamente ai controlli motori di basso livello e alla cinematica, anziché al testo.
• Raggruppamento delle azioni e apprendimento per rinforzo: l'apprendimento per rinforzo si basa su segnali di ricompensa per insegnare a un agente attraverso tentativi ed errori. Il raggruppamento delle azioni, al contrario, viene usato principalmente nel cloning comportamentale supervisionato, in cui il modello apprende direttamente da dimostrazioni umane senza massimizzare esplicitamente una ricompensa.

Implementare il raggruppamento delle azioni#

In pratica, un sistema di visione valuta l'ambiente e un decodificatore di sequenze genera la traiettoria raggruppata. Il seguente snippet Python mostra un modulo concettuale PyTorch (un'alternativa a TensorFlow) che accetta uno stato dell'ambiente, ad esempio derivato da un passaggio di rilevamento degli oggetti, e restituisce una sequenza di azioni future.

import torch
import torch.nn as nn


class ActionChunker(nn.Module):
    def __init__(self, state_dim, action_dim, chunk_size):
        super().__init__()
        # Maps the current state to a sequence of future actions
        self.decoder = nn.Linear(state_dim, chunk_size * action_dim)
        self.chunk_size = chunk_size
        self.action_dim = action_dim

    def forward(self, state):
        # Predict the entire action chunk at once
        chunk = self.decoder(state)
        return chunk.view(-1, self.chunk_size, self.action_dim)


# Example: 128-dim state, 6 degrees of freedom, 50-step chunk
model = ActionChunker(state_dim=128, action_dim=6, chunk_size=50)

# Generate a 50-step action trajectory from a single observation
current_state = torch.randn(1, 128)
action_trajectory = model(current_state)

print(f"Action Chunk Shape: {action_trajectory.shape}")

Gestire gli enormi dataset necessari per addestrare queste politiche robotiche richiede molte risorse. Leader del settore come OpenAI e Anthropic sviluppano modelli su larga scala, ma gli sviluppatori comuni si affidano a strumenti accessibili. La Ultralytics Platform semplifica il ciclo di vita dei dati per gli input visivi, offrendo funzionalità automatizzate di annotazione dei dati e di addestramento dei modelli. Con l'evoluzione dei modelli verso architetture unificate Vision-Language-Action (VLA), la combinazione di sistemi di visione efficienti e di un raggruppamento delle azioni robusto continuerà a definire la prossima generazione di automazione intelligente.