Onderzoekers onder leiding van Zhaolu Kang publiceerden een paper met de naam DRILL. Daarin trainen ze videowereldmodellen om de prestaties van beleidsstrategieën te verbeteren, in plaats van het volgende beeld nauwkeurig te voorspellen. De methode, gepresenteerd op NeurIPS 2026, bestaat in twee varianten: DRILL‑VWI, dat voorspellingsfouten opnieuw weegt, en DRILL‑IMG, een aanpak met meta-gradiënten. Tests in vijf simulators voor manipulatie lieten zien dat DRILL‑IMG de slagingskans met 13.1 punten verhoogde ten opzichte van de eerdere WMPO-baseline. Volgens de paper betekent een lagere pixelafwijking niet automatisch dat beleidsstrategieën beter worden.
Waarom het ertoe doet
Voor ontwikkelaars van robotsystemen voor manipulatie kan het trainen van wereldmodellen op basis van beleidsresultaten leiden tot betrouwbaardere taakprestaties, zonder extra simulaties uit te voeren.
