# Nieuwe leermethode voor robots presteert beter op RoboTwin-taken

> De ACG-WAM-methode behaalt een succespercentage van ruim 93% in simulaties en 85% met echte robots. Dat is tot 10 procentpunten hoger dan de vorige beste score.

Oossa · 2026-10-07 · https://oossa.com/nl/new-robot-learning-method-acg-wam-beats-prior-models-on-robotwin-tasks

Onderzoekers hebben een nieuwe methode ontwikkeld, ACG-WAM, waarmee robots leren handelen op basis van visuele informatie. Bij 50 gesimuleerde taken in RoboTwin 2.0 slaagde het systeem in 93.46% van de gevallen in een onveranderde omgeving en in 92.68% wanneer de scènes werden gerandomiseerd. Bij drie taken in de echte wereld behaalde het een volledig succespercentage van 85.00% en een score van 91.67% voor gedeeltelijke voltooiing. Daarmee versloeg het de vorige beste methode, Motus, met respectievelijk 10 en 9.17 procentpunten.

## Hoe ACG-WAM werkt

De methode voegt een aanvullende voorspeller toe die leert om enkele stappen vooruit geometrische kenmerken te voorspellen, zoals de positie en vorm van objecten. Daarbij gebruikt het model het actuele camerabeeld van de robot en de acties die deze gaat uitvoeren. De voorspeller wordt getraind met doelen die afkomstig zijn van een bevroren visuele encoder, die paren van huidige en toekomstige beelden verwerkt. Na de training worden de aanvullende voorspeller en de teachermodules verwijderd, zodat een compact model overblijft dat op de robot kan draaien.

## Wat dit betekent voor robotgebruikers

De hogere succespercentages in simulaties en met echte robots wijzen erop dat robots met ACG-WAM taken mogelijk betrouwbaarder kunnen leren en minder vaak met vallen en opstaan hoeven te oefenen. Voor bedrijven die robots inzetten in fabrieken of magazijnen kan de methode de uitvaltijd door mislukte pogingen beperken en de tijd verkorten die nodig is om robots nieuwe taken aan te leren.

## De feiten

- Het artikel is ingediend op 3 Oct 2026 en op 7 Oct 2026 op arXiv geplaatst.
- ACG-WAM behaalde een succespercentage van 93.46% bij gesimuleerde RoboTwin 2.0-taken in onveranderde omgevingen.
- In gerandomiseerde simulatiescènes behaalde het een succespercentage van 92.68%, het hoogste van de vergeleken methoden.
- Bij drie taken met echte robots scoorde het 85.00% voor volledig succes en 91.67% voor gedeeltelijke voltooiing.
- Het presteerde respectievelijk 10.00 en 9.17 procentpunten beter dan de vorige beste methode, Motus.

## Waarom het ertoe doet

Voor een fabrieksmanager betekenen de hogere succespercentages dat robots mogelijk sneller en met minder fouten nieuwe taken kunnen leren, wat de trainingskosten kan drukken. Het artikel rapporteert echter niet over betrouwbaarheid op de lange termijn of over hoe de methode opschaalt naar complexere taken. Die voordelen moeten dus nog worden bevestigd bij inzet op grotere schaal.

## Bronnen en referenties

1. [ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction](https://arxiv.org/abs/2610.06965) – arXiv cs.RO, 2026-10-07

Laatst bijgewerkt: 2026-10-07