ACTS: Taktiles Weltmodell aus nur 4,9 Stunden menschlicher Handhabung schlägt Baselines um bis zu 2 dB (MIT)
Forscher von MIT, Harvard, University of Washington, Berkeley und Stanford berichten in einem Preprint, dass ein Weltmodell, das nur mit 4,9 Stunden Daten von Menschen trainiert wurde, die Objekte mit handgehaltenen GelSight-Tastsensoren schieben und ziehen, die Szene eine halbe Sekunde voraus um 0,7 bis 2,0 dB PSNR besser vorhersagt als zwei visuotaktile Modelle, die von Grund auf mit denselben Daten trainiert wurden. Auf einem Roboter ohne Nachtraining folgen die vorhergesagten Kontaktabdrücke weiter dem echten Kontakt, die Kamerabilder übertragen sich uneinheitlich.