پژوهشگران GUARD را معرفی کرده‌اند؛ روشی که هنگام اجرا، سیاست‌های مولد ربات را هدایت می‌کند، بی‌آنکه سیاستِ ازپیش‌آموزش‌دیده را تغییر دهد. این روش پاداش‌های مربوط به وظیفه را با امتیازهای ناهنجاری ترکیب می‌کند؛ امتیازهایی که نشان می‌دهند یک حرکت با الگوهای پشتیبانی‌شده در داده‌های آموزشی همخوانی ندارد. سپس یک تابع Q آموزش‌دیده، فرایند تولید حرکت را هدایت می‌کند.
پژوهشگران در چهار وظیفه شبیه‌سازی‌شده برای دست‌کاری ماهرانه اشیا، میانگین نرخ موفقیت 96% در شرایط عادی و 80% در شرایطی با پویایی‌های مختل‌شده را گزارش می‌کنند؛ این نتایج به‌ترتیب 21 و 20 واحد درصد از قوی‌ترین روشِ مبنا بهتر است. آن‌ها همچنین در آزمون‌های مستقیم انتقال از شبیه‌سازی به دنیای واقعی، از افزایش 40 واحد درصدی نرخ موفقیت در چرخاندن پیچ‌گوشتی در دست و افزایش 25 واحد درصدی در تغییر جهت آن خبر می‌دهند.
چرا مهم است
برای تیم‌های رباتیک که می‌خواهند سیاست‌های مولد را با شرایط متغیر سازگار کنند، GUARD راهی برای استفاده از ناهنجاری‌های داده‌های آموزشی به‌عنوان هشداری هنگام انتخاب حرکت فراهم می‌کند. مقاله نتایج امیدوارکننده‌ای گزارش می‌دهد، اما نشان نمی‌دهد این روش فراتر از وظایف آزمایش‌شده تا چه اندازه خوب عمل می‌کند.
