Roboter lernen: Co‑Training steigert visuelle Generalisierung um 18 %

In einer neuen Studie zeigen Forscher, wie Roboter ihre Sichtbarkeit in verschiedensten Umgebungen deutlich verbessern können. Durch ein sogenanntes Invariance Co‑Training werden zwei Hilfsaufgaben – die Ähnlichkeit von Zuständen und die Unempfindlichkeit gegenüber Beobachtungsstörungen – gleichzeitig auf Demonstrationsdaten und auf synthetischen Bildern aus nicht‑physikalischen Simulationen (z. B. Unreal Engine) trainiert.

Die Kombination aus teureren, realen Demonstrationsdaten und kostengünstig erzeugten, visuell reichen Bildern führt zu einer bemerkenswerten Steigerung der Generalisierbarkeit. Roboter können nun besser mit unbekannten Kameraperspektiven, wechselnden Lichtverhältnissen und störenden Objekten umgehen. Im Vergleich zu bisherigen generativen Augmentationsmethoden verbessert sich die Leistung um 18 %.

Weitere Details und Videos finden Sie auf der Projektseite: https://invariance-cotraining.github.io.