Forskare under ledning av Liqian Ma har presenterat MetaGenSim, ett ramverk för meta-inlärning som lär sig vilka simulatorparametrar som ger mest användbara data för robotträning. Systemet tränar ett kompletterande bedömningsnätverk med metagradienter, vilket eliminerar behovet av att manuellt finjustera simuleringen så att den stämmer överens med verkligheten. I tester med manipulationsuppgifter ökade MetaGenSim andelen uppgifter som robotarna klarade helt i verkligheten med 150 procent jämfört med data som genererats enhetligt. Resultaten var lika bra som med inställningar som tagits fram av experter. Arbetet presenterades vid CoRL 2026.
Varför det spelar roll
Det gör att robotutvecklare kan få bättre resultat i verkligheten utan att lägga veckor på att finjustera simulatorer manuellt.
