I robot possono padroneggiare la manipolazione complessa praticando nei propri video generati dall'AI? I ricercatori di Stanford e Tsinghua introducono VLAW, un nuovo framework progettato per potenziare l'apprendimento dei robot attraverso un ciclo di feedback continuo. Il metodo utilizza una strategia di co-miglioramento: i dati reali dei robot vengono utilizzati per rendere un simulatore video più realistico, che poi genera dati sintetici di alta qualità per addestrare il cervello del robot. Questo risolve il problema comune in cui i simulatori non riescono a catturare i piccoli dettagli fisici critici necessari per compiti difficili. Negli esperimenti nel mondo reale, VLAW ha raggiunto un miglioramento del 39,2 percento nel tasso di successo assoluto rispetto alla politica di base, superando significativamente i modelli standard colmando efficacemente il divario tra simulazione e realtà. VLAW: Co-Miglioramento Iterativo della Politica Visione-Linguaggio-Azione e Modello del Mondo Carta: Codice: Il nostro rapporto: