ACT (Action Chunking with Transformers)
ACT é um algoritmo de aprendizado por imitação introduzido por Tony Zhao et al. (2023) que treina uma política baseada em transformer para prever um fragmento de comprimento fixo de ações futuras em vez de uma única ação a cada passo de tempo. Ao prever sequências de ações em uma única passada, ACT reduz o erro cumulativo típico da clonagem comportamental passo a passo e produz movimento temporalmente consistente. A arquitetura codifica observações RGB e estado proprioceptivo através de um codificador estilo CVAE e decodifica fragmentos de ação usando um transformer. ACT foi demonstrado na plataforma bimanual ALOHA, alcançando forte desempenho em tarefas como abrir uma bolsa e transferir ovos. Veja também: Fragmentação de Ação (aprofundamento). Veja isso na prática: nossas avaliações em mundo real →