Action Chunking

O chunking de ações é uma técnica avançada de aprendizagem profunda, amplamente utilizada em robótica e aprendizagem por imitação, na qual um modelo prevê uma sequência (ou "chunk") de ações futuras em vez de uma única ação a cada instante. Ao prever uma trajetória com várias etapas, o chunking de ações permite que agentes de IA executem tarefas complexas e de longo horizonte com maior suavidade e fiabilidade. Esta abordagem ganhou grande impulso após a introdução de Action Chunking with Transformers (ACT), uma arquitetura de modelo que combina previsão temporal com entradas de visão computacional de alta dimensionalidade.

Redução de erros acumulados#

Na clonagem comportamental tradicional, um modelo prevê o passo imediato seguinte com base no estado atual. No entanto, durante a inferência em tempo real, pequenas imprecisões nas previsões deslocam o sistema para estados não observados. Estes erros multiplicam-se rapidamente, levando à falha da tarefa — um fenómeno conhecido como erros acumulados.

O chunking de ações aborda diretamente esta limitação. Ao prever várias ações simultaneamente (por exemplo, 50 movimentos articulares que abrangem 1 segundo de movimento), o horizonte de controlo efetivo é reduzido. O sistema compromete-se com um plano coerente de curto prazo com base numa única observação visual fiável, reduzindo significativamente a frequência de erros reativos. Ao integrar backbones de visão como o Ultralytics YOLO26 para consciência espacial e localização de caixas delimitadoras, as previsões resultantes tornam-se extremamente estáveis face ao ruído do processo.

Aplicações no mundo real#

O chunking de ações desbloqueou novas capacidades na automação física, sobretudo quando implementado em hardware de IA de edge otimizado por frameworks como o Intel Edge:

• Manipulação robótica de alta precisão: Na automação industrial, os robôs utilizam previsões agrupadas para executar tarefas com muitos contactos que exigem elevada precisão, como enfiar cabos, encaixar baterias ou manusear itens rastreados por datasets de segmentação de embalagens. A geração de sequências de ações coerentes evita os movimentos bruscos e inconsistentes típicos da aprendizagem por imitação de passo único.
• Navegação autónoma: Na condução autónoma e no voo de drones, a previsão de um bloco de comandos de controlo (como direção e aceleração) permite um planeamento de trajetórias mais suave, um conceito amplamente explorado em artigos recentes de robótica da IEEE. Combinados com o rastreamento contínuo de objetos e a estimativa de profundidade, os veículos podem navegar com segurança em ambientes dinâmicos complexos.

Distinguir conceitos relacionados#

Para compreender melhor como esta técnica se enquadra no ecossistema mais amplo da inteligência artificial, é útil distingui-la de termos semelhantes:

• Chunking de ações vs. reconhecimento de ações: Enquanto o chunking de ações gera uma sequência de comandos futuros para uma máquina executar, o reconhecimento de ações é o processo analítico de identificar atividades que ocorrem num fluxo de vídeo.
• Chunking de ações vs. modelos sequência-a-sequência: As arquiteturas sequência-a-sequência mapeiam uma sequência de entrada para uma sequência de saída e são amplamente utilizadas na tradução automática. O chunking de ações utiliza intensivamente estas arquiteturas — especificamente Transformers —, mas restringe a saída exclusivamente a controlos motores e cinemática de baixo nível, em vez de texto.
• Chunking de ações vs. aprendizagem por reforço: A aprendizagem por reforço utiliza sinais de recompensa para ensinar um agente por tentativa e erro. Por outro lado, o chunking de ações é principalmente implementado na clonagem comportamental supervisionada, na qual o modelo aprende diretamente a partir de demonstrações humanas sem maximização explícita de recompensas.

Implementação do chunking de ações#

Na prática, um sistema de visão avalia o ambiente e um descodificador de sequências gera a trajetória agrupada. O seguinte excerto de Python demonstra um módulo conceptual de PyTorch (uma alternativa ao TensorFlow) que aceita um estado do ambiente — como um estado obtido numa etapa de deteção de objetos — e produz uma sequência de ações futuras.

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}")

A gestão dos enormes datasets necessários para treinar estas políticas robóticas exige muitos recursos. Líderes do setor, como a OpenAI e a Anthropic, desenvolvem modelos de grande escala, mas os programadores comuns dependem de ferramentas acessíveis. A Ultralytics Platform simplifica o ciclo de vida dos dados para entradas visuais, oferecendo capacidades automatizadas de anotação de dados e de treino de modelos. À medida que os modelos evoluem para arquiteturas unificadas de Visão-Linguagem-Ação (VLA), a combinação de sistemas de visão eficientes com um chunking de ações robusto continuará a definir a próxima geração de automação inteligente.