Des chercheurs dirigés par Zhaolu Kang ont publié un article consacré à DRILL, une méthode qui entraîne des modèles vidéo du monde à améliorer les performances des politiques plutôt qu’à prédire précisément l’image suivante. Présentée à NeurIPS 2026, elle existe en deux versions : DRILL‑VWI, qui pondère différemment les erreurs de prédiction, et DRILL‑IMG, une approche fondée sur les méta-gradients. Des essais menés sur cinq simulateurs de manipulation ont montré que DRILL‑IMG augmentait le taux de réussite de 13,1 points par rapport à la méthode de référence WMPO. Selon l’article, une erreur plus faible au niveau des pixels ne garantit pas de meilleures politiques.
Pourquoi c'est important
Pour les développeurs de systèmes de manipulation robotique, axer l’entraînement des modèles du monde sur les résultats des politiques pourrait améliorer la fiabilité des tâches sans nécessiter d’exécutions supplémentaires du simulateur.
