# MetaGenSim améliore l’apprentissage des robots grâce à la simulation

> Un nouveau système de méta-apprentissage choisit automatiquement les paramètres du simulateur et augmente de 150 % la réussite des tâches dans le monde réel par rapport à une génération uniforme.

Oossa · 2026-10-15 · https://oossa.com/fr/metagensim-boosts-robot-learning-by-actively-shaping-simulation-data

Des chercheurs dirigés par Liqian Ma ont présenté MetaGenSim, un cadre de méta-apprentissage qui détermine quels paramètres de simulateur produisent les données les plus utiles à l’entraînement des robots. Le système entraîne un réseau auxiliaire d’évaluation à l’aide de méta-gradients, sans nécessiter de réglage manuel pour aligner la simulation sur le monde réel. Lors de tests portant sur des tâches de manipulation, MetaGenSim a augmenté de 150 % le taux de réussite complète des tâches dans le monde réel par rapport aux données générées uniformément, et a obtenu des résultats aussi bons qu’avec des paramètres définis par des experts. Ces travaux ont été présentés à CoRL 2026.

## Les faits

- Amélioration relative de 150 % du taux de réussite complète des tâches dans le monde réel par rapport à une génération uniforme
- Article présenté à CoRL 2026 et publié le 2026-10-15

## Pourquoi c'est important

Les développeurs de robots peuvent ainsi améliorer leurs résultats dans le monde réel sans passer des semaines à régler manuellement les simulateurs.

## Sources et références

1. [Active Generative Simulation: Meta-Learning What to Simulate for Sim-and-Real Policy Co-Training](https://arxiv.org/abs/2610.19479) – arXiv cs.RO, 2026-10-15

Dernière mise à jour: 2026-10-15