Forschende haben CureWM vorgestellt, eine Methode, die bestehende Weltmodelle für Roboter um simulierte Fehlschläge ergänzt. Dafür leitet sie aus erfolgreichen Demonstrationen alternative Aktionen ab, prüft deren Folgen in einer Simulation oder mit einem echten Roboterarm und trainiert das Modell anschließend mit diesen bestätigten Fehlschlägen nach. Bei 484 zurückgehaltenen LIBERO-Aufgaben sank die Überschätzung der Erfolgsaussichten bei vier nachtrainierten Modellen von 80 auf 30 bis 43 Prozent. Tests mit einem physischen Roboter zeigten, dass die Zahl falscher Erfolgsprognosen von 90 auf 33 Prozent zurückging.
Warum es wichtig ist
Weniger falsche Erfolgsprognosen helfen Roboterplanern, bei Einsätzen in der realen Welt unsichere Aktionen zu vermeiden.
