Forskare har presenterat CureWM, en metod som lägger till simulerade misslyckanden i befintliga världsmodeller för robotar. Metoden tar fram alternativa handlingar utifrån lyckade demonstrationer, kontrollerar utfallet i simulering eller med en fysisk robotarm och finjusterar sedan modellen med de verifierade misslyckandena. På 484 LIBERO-uppgifter som modellen inte hade tränats på sjönk övertroheten från 80 % till 30–43 % för fyra finjusterade modeller. Tester med fysiska robotar visade att andelen falska förutsägelser om framgång sjönk från 90 % till 33 %.
Varför det spelar roll
Färre falska förutsägelser om framgång hjälper robotplanerare att undvika osäkra handlingar när robotar används i verkliga miljöer.
