# Ny metod gör robotmodeller mer styrbara med mindre data

> Action Influence Maximization minskar mängden träningsdata som krävs för styrbara videomodeller med 85 gånger, uppger forskare.

Oossa · 2026-10-21 · https://oossa.com/sv/new-data-collection-method-boosts-robot-world-model-control

Forskare under ledning av Samuel Bateman har tagit fram Action Influence Maximization (AIM), en algoritm som aktivt samlar in träningsepisoder för att få videobaserade världsmodeller att ta hänsyn till de kommandon de får. I tester med simulerad navigering och pixelbaserad manipulation behövde AIM bara lägga till 500 nya episoder till en befintlig samling med 3 000 expertinspelade demonstrationer för att nå samma styrbarhet som en modell tränad på 300 000 expertinspelade episoder. Metoden var mer dataeffektiv än standardmetoder för utforskning och inre motivation.

## Fakta

- AIM minskade databehovet 85 gånger och krävde 500 episoder jämfört med 300 000 expertdemonstrationer.
- Artikeln publicerades på arXiv den 2026-10-21.

## Varför det spelar roll

För robotutvecklare innebär AIM att de kan träna mer responsiva styrmodeller med betydligt färre kostsamma demonstrationsinspelningar.

## Källor och referenser

1. [Training Controllable World Models via Action Influence Maximization](https://arxiv.org/abs/2610.27387) – arXiv cs.RO, 2026-10-21

Senast uppdaterad: 2026-10-21