Les chercheurs à l’origine de RoboACE proposent une méthode permettant aux agents robotiques de progresser en adaptant à la fois les défis sur lesquels ils s’entraînent et les routines qu’ils utilisent pour les réaliser. Le cadre s’appuie sur des modèles de fondation figés et alterne entre la mise à jour du programme d’entraînement et celle du dispositif d’exécution.
Lors des évaluations menées par les chercheurs, le déploiement ainsi obtenu, une fois figé, a atteint un taux de réussite de 74,0 % sur LIBERO-PRO. C’est 15 points de pourcentage de plus que le déploiement initial et 13,5 points de plus que l’exécution directe par son contrôleur vision-langage-action.
Pourquoi c'est important
Pour les chercheurs en robotique qui évaluent des moyens d’améliorer les compétences des robots sans modifier le modèle sous-jacent, RoboACE fait état de gains liés à l’adaptation du choix des exercices et des routines d’exécution. On ignore toutefois si ces gains se retrouvent au-delà des tâches testées de la famille LIBERO.
