Forskere har præsenteret MA-VLA, en ny model til styring af robotarme, der kan samarbejde om opgaver, de ikke er blevet trænet i. Modellen, beskrevet i et paper på Hugging Face, adresserer en central begrænsning i eksisterende vision-language-action (VLA) modeller: de fleste behandler sprog som én samlet instruktion og har ingen mekanisme til at fordele delopgaver mellem individuelle arme. Det betyder, at de fejler, når samarbejdsmønstre afviger fra det, de har set under træning.
MA-VLA løser dette ved at dekomponere opgaver i såkaldte 'atomare prompts' og tildele dem til hver arm. Dette muliggør eksplicit delmålsspecifikation og genbrug af handlinger på tværs af opgaver. En central innovation er 'Arm Shuffle', en træningsteknik, hvor observationer, tilstande og tildelte prompts permuteres mellem armene. Dette gør modellen uafhængig af faste roller og gør den i stand til at håndtere nye, usete samarbejdsmønstre – noget forskerne kalder 'multi-arm compositional generalization'.
I tests, hvor samarbejdsmønstrene ikke var til stede i træningsdataen, fejlede tidligere state-of-the-art VLA-modeller stort set, mens MA-VLA konsekvent lykkedes. Forskerne har offentliggjort kode, modeller og data på GitHub.
Konsekvens for beslutningstagere:
For virksomheder, der overvejer robotautomation, er dette en markant udvikling. Evnen til at håndtere usete samarbejdsopgaver uden omfattende omskoling kan reducere omkostningerne og øge fleksibiliteten i produktionsmiljøer, hvor opgaver ændrer sig hyppigt. Det peger mod en fremtid, hvor robotter ikke kun er specialiserede, men kan tilpasses nye arbejdsgange hurtigere end hidtil.
