# MetaGenSim verbetert robotleren door simulatiegegevens gericht te kiezen

> Een nieuw meta-leersysteem kiest automatisch simulatorinstellingen en verhoogt het succes bij taken in de echte wereld met 150% ten opzichte van uniforme datageneratie.

Oossa · 2026-10-15 · https://oossa.com/nl/metagensim-boosts-robot-learning-by-actively-shaping-simulation-data

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.

## De feiten

- 150% relatieve verbetering in succes bij volledige taken in de echte wereld ten opzichte van uniforme datageneratie
- Artikel gepresenteerd op CoRL 2026 en gepubliceerd op 2026-10-15

## Waarom het ertoe doet

Robotontwikkelaars kunnen hiermee betere prestaties in de echte wereld behalen zonder wekenlang simulatoren handmatig af te stellen.

## Bronnen en referenties

1. [Active Generative Simulation: Meta-Learning What to Simulate for Sim-and-Real Policy Co-Training](https://arxiv.org/abs/2610.19479) – arXiv cs.RO, 2026-10-15

Laatst bijgewerkt: 2026-10-15