यह पेपर PAC-ACT का परिचय देता है, जो एक रीइन्फोर्समेंट-लर्निंग पोस्ट-ट्रेनिंग फ्रेमवर्क है जिसे औद्योगिक सटीक-संपर्क कार्यों के लिए प्री-ट्रेन किए गए Action Chunking Transformer (ACT) पॉलिसियों को बढ़ाने के लिए डिज़ाइन किया गया है। विधि चंक स्तर पर पॉलिसी अनुकूलन को पुनः परिभाषित करती है और एक हाइब्रिड व्यवहार-प्रायर बाधा के साथ ACT-ट्रांसफर किए गए एक्टर-क्रिटिक आर्किटेक्चर का उपयोग करती है।
- PAC-ACT हाइब्रिड व्यवहार-प्रायर बाधा का उपयोग करके ऑनलाइन फाइन-ट्यूनिंग के दौरान प्री-ट्रेन किए गए एक्शन वितरण को बनाए रखता है।
- औद्योगिक बेंचमार्क पर प्रयोगों ने कार्य सफलता, संपर्क स्थिरता और बल सुरक्षा में सुधार दिखाया है, जबकि कम लेटेंसी और GPU मेमोरी उपयोग बनाए रखते हुए।
- Contour कार्य पर, फ्रेमवर्क शीर्ष संपर्क बल को कम करता है और 60 N से ऊपर के बल रीडिंग के अनुपात को 46 गुना कम कर देता है।
- स्पार्स-रिवार्ड एब्लेशन दिखाते हैं कि व्यवहार-प्रायर बाधा यादृच्छिक प्रारंभिक पोसेस के तहत प्रभावी अन्वेषण सक्षम बनाती है।
लेखकों का मानना है कि यह महत्वपूर्ण है क्योंकि यह संपर्क-समृद्ध कार्यों में वितरण शिफ्ट को संबोधित करता है, जिससे विज़न-एक्शन चंकिंग पॉलिसियां vision-language-action मॉडलों से जुड़ी उच्च इनफरेंस लेटेंसी और मेमोरी लागतों के बिना भरोसेमंद रोबोट नियंत्रण प्राप्त कर सकती हैं।