Un equipo de investigadores dirigido por Yanjun Li presentó LANGUAGE-FORCING, un método para entrenar modelos de acción y entorno para robots mediante descripciones en lenguaje del avance de las tareas. El método alinea las representaciones de texto de un modelo de visión y lenguaje congelado con las imágenes futuras que predice el robot. Solo añade carga durante el entrenamiento, por lo que el robot funciona a la misma velocidad que antes. En la prueba de referencia HumanoidArena obtuvo una tasa de éxito del 79.17%, 9.46 puntos por encima de la siguiente mejor política. En cinco tareas del mundo real, la tasa de éxito subió del 53.33% al 71.33%.
Por qué importa
Para quienes desarrollan robots humanoides, la técnica ofrece una mayor fiabilidad en las tareas sin reducir la velocidad del robot durante su funcionamiento.
