پژوهشگران CureWM را معرفی کرده‌اند؛ روشی که نمونه‌های شبیه‌سازی‌شدهٔ شکست را به مدل‌های جهانِ ربات موجود اضافه می‌کند. این روش با تکیه بر نمایش‌های موفق، کنش‌های جایگزین می‌سازد، پیامد آن‌ها را در شبیه‌سازی یا با یک بازوی رباتیک واقعی بررسی می‌کند و سپس مدل را با این شکست‌های تأییدشده تنظیم دقیق می‌کند. در 484 وظیفهٔ کنارگذاشته‌شدهٔ LIBERO، خوش‌بینی در چهار مدلِ تنظیم‌دقیق‌شده از 80% به 30‑43% کاهش یافت. آزمایش‌های ربات فیزیکی نیز نشان داد امتیازهای موفقیت کاذب از 90% به 33% می‌رسند.
چرا مهم است
کاهش پیش‌بینی‌های موفقیت کاذب به برنامه‌ریزان ربات کمک می‌کند هنگام استفاده در دنیای واقعی از کنش‌های ناایمن پرهیز کنند.
