# A2-MEAS visar resultat i robotsimuleringar och hushållsuppgifter

> I en artikel på arXiv presenteras ett system för robotinlärning med flera agenter. Det får starka resultat i tester, bland annat bättre återhämtning efter misslyckanden vid kaffebryggning.

Oossa · 2026-11-09 · https://oossa.com/sv/a2-meas-reports-results-across-robot-simulation-and-household-tasks

Forskarna presenterar A2-MEAS, ett system för robotinlärning som använder skrivna ”korrigeringskoder” för att styra robotens handlingar och hjälpa den att rätta till misstag. Systemets handlingsmodell A2-WLA kombinerar rörelsehistorik med en modell av hur omvärlden förändras.

Enligt artikeln lyckas systemet med 45.40% av 100 offentliga BEHAVIOR 2026-uppgifter och uppnår i genomsnitt 57.92% framgång i 12 hushållsuppgifter med riktiga robotar. I tester av kaffebryggning förbättrade en historikbaserad adapter möjligheten att slutföra uppgiften efter misslyckanden vid två moment där kaffefiltret hanterades. Forskarna säger att de planerar att släppa systemet och utbildningsmaterialet.

## Fakta

- Enligt artikeln fick A2-MEAS 0.6411 poäng på det offentliga BEHAVIOR 2026-testet med 100 uppgifter.
- Vid två moment där kaffefiltret hanterades ökade andelen uppgifter som slutfördes efter ett misslyckande från 14% till 94% respektive från 8% till 82%, jämfört med nya försök med A2-WLA.

## Varför det spelar roll

För robotikforskare tyder resultaten på att registrering av tidigare handlingar och korrigeringar kan hjälpa robotar att återhämta sig efter misslyckanden i hushållsuppgifter. Testerna i artikeln visar dock inte hur väl metoden fungerar i andra sammanhang.

## Källor och referenser

1. [Toward the Era of Agentic Embodied Intelligence](https://arxiv.org/abs/2611.09124) – arXiv cs.RO, 2026-11-09

Senast uppdaterad: 2026-11-09