Ny metod hjälper AI-agenter förstå konsekvenser av sina handlingar trots visuellt brus

arXiv cs.AI

Forskare har utvecklat en teknik kallad Concat IDM som tränar AI-modeller att bättre koppla ihop handlingar med deras konsekvenser – även när den visuella miljön varierar kraftigt. I ett robotexperiment (Push-T med 24 olika utseendevarianter) ökade framgångsgraden från 9,1% till 77,2%. Det intressanta är att metoden inte kräver några ändringar vid testtillfället – förbättringen sker enbart under träningen.