Yanjun Li liderliğindeki araştırmacılar, görevdeki ilerlemeyi anlatan dil açıklamalarını kullanarak robotların dünya-eylem modellerini eğitmenin bir yolu olan LANGUAGE-FORCING’i tanıttı. Yöntem, dondurulmuş bir görsel-dil modelinden alınan metin gömmelerini robotun gelecekteki görsel tahminleriyle eşleştiriyor. Ek yük yalnızca eğitim sırasında ortaya çıktığından robot çalışma sırasında eskisi kadar hızlı hareket ediyor. HumanoidArena kıyaslama testinde %79,17 başarı oranına ulaşarak en iyi ikinci politikayı 9,46 puan geride bıraktı. Gerçek dünyadaki beş görevde başarı oranı %53,33’ten %71,33’e yükseldi.
Neden önemli
İnsansı robot geliştiricileri için bu teknik, çalışma sırasında robotu yavaşlatmadan görev güvenilirliğini artırma olanağı sunuyor.
