Generalisierung (Roboter-Kontrollpolitik)
Generalisierung misst, wie gut eine Roboter-Kontrollpolitik bei Objekten, Szenen oder Aufgaben funktioniert, die sie während des Trainings nicht gesehen hat. Sie ist die zentrale Herausforderung des Roboterlernens: Eine Kontrollpolitik, die Trainingsdemonstration auswendig lernt, aber bei neuartigen Instanzen fehlschlägt, hat keinen praktischen Wert. Forscher unterscheiden Objektgeneralisierung (neue Instanzen bekannter Kategorien), Kategoriengeneralisierung (völlig neue Objektklassen) und Aufgabengeneralisierung (neue Anweisungsformulierungen oder Zielkonfigurationen). Die Verbesserung der Generalisierung erfordert typischerweise größere und vielfältigere Trainingsdaten, Co-Training mit Internetdaten, Domänen-Randomisierung in der Simulation und Foundation-Model-Priors. Siehe dies in der Praxis: unsere realen Evaluierungen →