De onderzoekers achter RoboACE stellen een manier voor waarop robotagents zichzelf kunnen verbeteren door zowel de uitdagingen waarop ze oefenen als de routines waarmee ze die uitvoeren aan te passen. Het raamwerk werkt met bevroren foundationmodellen en wisselt aanpassingen aan het oefencurriculum af met aanpassingen aan een uitvoeringsharnas.
In de evaluaties van de onderzoekers behaalde de resulterende bevroren versie een succespercentage van 74,0% op LIBERO-PRO. Dat was 15 procentpunten hoger dan bij de eerste versie en 13,5 punten hoger dan bij directe uitvoering door de vision-language-actioncontroller.
Waarom het ertoe doet
Voor roboticaonderzoekers die manieren onderzoeken om robotvaardigheden te verbeteren zonder het onderliggende model aan te passen, rapporteert RoboACE winst door de selectie van oefeningen en uitvoeringsroutines te herzien. Het is nog onbekend of die winst ook geldt voor andere taken dan de geteste taken uit de LIBERO-familie.
