물리적 인공지능의 백업 반응: AEGIS

장기간 로봇 조작은 점진적으로 실패한다: 하나의 잘못된 단계가 상태를 저하하고 정책은 회복할 수 없는 계곡으로 빠진다. 실패는 종종 발생하기 전에 눈에 띄운다. 우리는 AEGIS (활성화 프로브 이른 경보, 게이트드 인페런스 Switching)라는 선택적 승진 방법을 소개한다. 이 방법은 약한 정책의 고정 활성화에 가벼운 프로브를 사용하여 아직 행동할 수 있는 시기에 위험한 단계를 감지한다. 프로브가 단계를 표시하면, 더 강한 별도의 정책으로 제어를 전환하지만, 필요할 때만 단계에만 전환한다. LIBERO-Spatial에서 AEGIS는 약한 정책 혼자 잃은 트레잭토리 10.1%를 회복한다. 이는 예산 일치한 무지한 승진과 무작위 트리거 장치의 경우 각각 4.6%와 5.1%로, 유의미한 결과이다. 이 결과는 3개의 사전 등록된 비교에 대한 홀름-본페리온 조정된 일측확실 paired McNemar 검정에서 유의미하다: 무지한 승진보다 +5.4%p, p=8.5e-6; 무작위 트리거 장치보다 +5.0%p, p=1.0e-4; paired-trajectory bootstrap CIs는 0을 배제한다. AEGIS는 더 강한 정책을 38%의 단계에서만 활성화한다. 따라서 계기 조절은 시간 대신 계산량을 조절한다. 프로브는 약한 정책 경로에서 첫 30%의 단계 중 손해가 없는 시간 window에서 AUROC 0.764, 95% CI [0.70, 0.84]로 precondition을 정리한다. 우리는 사전등록된 전체 분석 계획, 조건부 회복된 작업률 추정량 및 명시적인 죽음 기준을 포함하여 결과를 700개의 공통 난수화된 에피소드 당 1개씩 확인한다.