Onderzoekers onder leiding van Yunze Liu hebben Robota-Embed uitgebracht, een model dat visuele, talige en actiegegevens voor robots samenbrengt in één embedding. Het codeert de huidige toestand, visuele input en acties gezamenlijk en haalt vervolgens vergelijkbare eerdere vervolgacties op als context. In tests steeg het succespercentage van 47% naar 56% op de DROID‑Sim-benchmark en van 86% naar 93% op de moeilijke subset van LIBERO. Het model hielp ook een bevroren GPT‑6 Astra-beleid om vijf ManiSkill-taken met een succespercentage van 68% uit te voeren, tegenover 24% voor het beleid alleen.
Waarom het ertoe doet
Robotontwikkelaars kunnen Robota-Embed gebruiken om de prestaties op taken te verbeteren zonder beleid opnieuw te trainen. Dat bespaart rekenkracht en inspanningen voor het verzamelen van gegevens.
