Des chercheurs ont présenté CureWM, une technique qui enrichit des modèles du monde robotiques existants avec des exemples d’échecs simulés. Elle génère des actions alternatives à partir de démonstrations réussies, vérifie leurs résultats en simulation ou avec un bras robotique réel, puis ajuste le modèle à partir de ces échecs vérifiés. Sur 484 tâches LIBERO mises de côté pour les tests, l’optimisme est passé de 80 % à 30–43 % pour quatre modèles ajustés. Lors de tests avec un robot physique, le score de réussite erronée est passé de 90 % à 33 %.
Pourquoi c'est important
En réduisant les prédictions de réussite erronées, les planificateurs robotiques peuvent éviter des actions dangereuses lors de déploiements dans le monde réel.
