Robótica · IA · Ciencia · Virginia Tech
Virginia Tech estudia cómo evitar que los robots ignoren demostraciones poco frecuentes
Un método de reponderación ajusta el peso de las conductas según su dificultad de aprendizaje.
Fecha de la fuente original:
Lo esencial
- Un método de reponderación ajusta el peso de las conductas según su dificultad de aprendizaje.
- La evaluación se realizó en simulación y mostró mejoras en recogida de objetos, pero no un efecto global significativo en apertura.
Repartir mejor el peso de los datos
Autonomous Robots publicó el 17 de enero un estudio de Virginia Tech y California State University, Northridge, sobre aprendizaje por imitación con datos desequilibrados. El equipo propone estimar cuánto puede aprenderse de cada conducta y ajustar su peso durante el entrenamiento, en lugar de favorecer automáticamente las más frecuentes. El trabajo circulaba como preprint desde agosto de 2025.
Resultados distintos según la tarea
La evaluación se realizó en simulaciones CALVIN de manipulación de objetos. Los autores encontraron diferencias significativas entre métodos en la tarea de recoger un bloque, pero no en el experimento de apertura. Señalan además que imitar con menor error las demostraciones no siempre equivale a completar mejor una tarea, por lo que el método necesita evaluación más allá de la pérdida de entrenamiento.