Un equipo de investigadores presentó CureWM, una técnica que añade ejemplos de fallos simulados a modelos del mundo robóticos existentes. Genera acciones alternativas a partir de demostraciones exitosas, comprueba sus resultados en una simulación o con un brazo robótico real y ajusta el modelo con esos fallos verificados. En 484 tareas de LIBERO reservadas para evaluación, el optimismo bajó del 80% al 30-43% en cuatro modelos ajustados. En pruebas con robots físicos, la puntuación de falsos éxitos cayó del 90% al 33%.
Por qué importa
Reducir las predicciones de éxito falsas ayuda a los planificadores de robots a evitar acciones inseguras en aplicaciones reales.
