Onderzoekers onder leiding van Liqian Ma introduceerden MetaGenSim, een meta-leerframework dat leert welke simulatorparameters de bruikbaarste gegevens opleveren voor het trainen van robots. Het systeem traint een aanvullend beoordelingsnetwerk met meta-gradiënten, waardoor handmatige afstemming van simulaties overbodig wordt. Bij tests met manipulatietaken verhoogde MetaGenSim het succes bij volledige taken in de echte wereld met 150% ten opzichte van uniform gegenereerde gegevens. De resultaten waren even goed als met door experts gekozen instellingen. Het onderzoek werd gepresenteerd op CoRL 2026.
Waarom het ertoe doet
Robotontwikkelaars kunnen hiermee betere prestaties in de echte wereld behalen zonder wekenlang simulatoren handmatig af te stellen.
