Pesquisadores apresentaram o CureWM, uma técnica que acrescenta exemplos de falhas simuladas a modelos de mundo já existentes para robôs. O método cria ações alternativas a partir de demonstrações bem-sucedidas, verifica os resultados em simulação ou com um braço robótico real e ajusta o modelo com base nessas falhas verificadas. Em 484 tarefas do LIBERO mantidas fora do treinamento, o excesso de otimismo caiu de 80% para 30–43% nos quatro modelos ajustados. Testes com robôs físicos mostraram que as pontuações de falso sucesso caíram de 90% para 33%.
Por que importa
Reduzir previsões incorretas de sucesso ajuda os planejadores de robôs a evitar ações inseguras em aplicações no mundo real.
