Les chercheurs présentent LEXP, un système qui aide un robot à réutiliser les enseignements tirés de tentatives précédentes pour accomplir des tâches de manipulation. Il associe la planification des tâches à un module qui interprète les données d’exécution, enregistre les enseignements en précisant dans quelles conditions ils s’appliquent et fournit des conseils pertinents pour les actions suivantes. Les paramètres du modèle et l’interface d’action restent inchangés.
Lors des tests menés par les chercheurs sur 12 tâches réelles, LEXP a réussi 23 essais sur 36 (63,9 %), contre 19 sur 36 (52,8 %) avec la mémoire seule et 2 sur 36 (5,6 %) avec le modèle ChatGPT-6-Astra de base. Il s’agit des résultats rapportés dans l’article, et non d’une évaluation indépendante.
Pourquoi c'est important
Pour les chercheurs en robotique, ces résultats suggèrent que conserver des enseignements propres à chaque tâche peut améliorer les performances d’un modèle fixe lors de tentatives physiques répétées. On ignore toutefois dans quelle mesure cette approche peut s’appliquer au-delà de ces 12 tâches.
