Onderzoekers onder leiding van Yanjun Li introduceerden LANGUAGE-FORCING, een methode om wereld-actiemodellen voor robots te trainen met taalbeschrijvingen van de voortgang van een taak. De methode stemt tekstembeddings uit een bevroren vision-language-model af op de voorspelde toekomstige beelden van de robot. De extra belasting komt alleen tijdens het trainen voor, dus de robot werkt tijdens gebruik even snel als voorheen. Op de HumanoidArena-benchmark behaalde de methode een succespercentage van 79.17%, 9.46 punten hoger dan het op één na beste beleid. Bij vijf taken in de praktijk steeg het succespercentage van 53.33% naar 71.33%.
Waarom het ertoe doet
Voor ontwikkelaars van humanoïde robots biedt deze techniek een grotere betrouwbaarheid bij taken, zonder dat de robot tijdens gebruik langzamer wordt.
