Onderzoekers onder leiding van Samuel Bateman introduceerden Action Influence Maximization (AIM), een algoritme dat actief trainingssessies verzamelt zodat videowereldmodellen beter letten op de opgedragen acties. Bij tests met gesimuleerde navigatie en manipulatie op basis van pixels voegde AIM slechts 500 nieuwe sessies toe aan een bestaande verzameling van 3,000 demonstraties door experts. Daarmee evenaarde het de bestuurbaarheid van een model dat was getraind op 300,000 expertsessies. De methode was efficiënter met data dan gangbare technieken voor exploratie en intrinsieke motivatie.
Waarom het ertoe doet
Voor robotontwikkelaars betekent AIM dat ze responsievere besturingsmodellen kunnen trainen met veel minder kostbare demonstratieopnames.
