Een team onder leiding van Guangyuan Wang beschrijft een methode die tijdens het uitvoeren van een beleid vooraf getrainde robotmodellen aan obstakels aanpast, zonder nieuwe demonstraties te verzamelen of het model opnieuw te trainen. De methode beoordeelt het verwachte pad van de robot en verdeelt correcties voor obstakels over de actiereeks, in plaats van elke stap afzonderlijk aan te passen.
In tests met zeven scenario’s waarin obstakels de bewegingsruimte beperkten en vier manipulatietaken, melden de onderzoekers 105 geslaagde taken zonder botsingen op een totaal van 140. Bij sturing per afzonderlijk punt op basis van absolute acties waren dat er 8 van de 140. Dit zijn gerapporteerde experimentele resultaten; in het abstract staat niet hoe de methode buiten deze scenario’s presteert.
Waarom het ertoe doet
Voor robotica-onderzoekers die vooraf getrainde modellen aan nieuwe obstakels willen aanpassen, wijzen de resultaten erop dat gecoördineerde correcties over een hele actiereeks kunnen helpen zonder het model opnieuw te trainen. Hoe de methode buiten de geteste scenario’s presteert, is onbekend.
