Généralisation (politique de robot)
La généralisation mesure la performance d'une politique de robot sur des objets, scènes ou tâches qu'elle n'a pas vus pendant l'entraînement. C'est le défi central de l'apprentissage robotique : une politique qui mémorise les démonstrations d'entraînement mais échoue sur des instances nouvelles n'a aucune valeur pratique. Les chercheurs distinguent la généralisation d'objets (nouvelles instances de catégories connues), la généralisation de catégories (classes d'objets entièrement nouvelles) et la généralisation de tâches (nouvelles formulations d'instructions ou configurations d'objectifs). L'amélioration de la généralisation nécessite généralement des données d'entraînement plus grandes et plus diversifiées, un co-entraînement avec des données internet, la randomisation de domaine en simulation et les priors de modèles de fondation. Voir cela en pratique : nos évaluations en monde réel →