# Nieuwe datamethode verbetert de besturing van robotwereldmodellen

> Action Influence Maximization heeft volgens onderzoekers 85× minder trainingsdata nodig voor videomodellen die op opdrachten reageren.

Oossa · 2026-10-21 · https://oossa.com/nl/new-data-collection-method-boosts-robot-world-model-control

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.

## De feiten

- AIM behaalde een 85× kleinere databehoefte: 500 sessies tegenover 300k expertdemonstraties.
- Het artikel werd op 2026‑10‑21 op arXiv geplaatst.

## Waarom het ertoe doet

Voor robotontwikkelaars betekent AIM dat ze responsievere besturingsmodellen kunnen trainen met veel minder kostbare demonstratieopnames.

## Bronnen en referenties

1. [Training Controllable World Models via Action Influence Maximization](https://arxiv.org/abs/2610.27387) – arXiv cs.RO, 2026-10-21

Laatst bijgewerkt: 2026-10-21