Un equipo de investigadores dirigido por Liqian Ma presentó MetaGenSim, un marco de metaaprendizaje que determina qué parámetros del simulador generan los datos más útiles para entrenar robots. El sistema entrena una red auxiliar de evaluación mediante meta-gradientes, sin necesidad de ajustar manualmente la correspondencia entre la simulación y el mundo real. En pruebas con tareas de manipulación, MetaGenSim aumentó un 150% el éxito en tareas completas en el mundo real frente a los datos generados de manera uniforme y rindió tan bien como los ajustes diseñados por expertos. El trabajo se presentó en CoRL 2026.
Por qué importa
Permite a los desarrolladores de robots lograr mejores resultados en el mundo real sin dedicar semanas a ajustar simuladores manualmente.
