Nach Informationen von IEEE Spectrum hat die Informatikerin Yen-Ling Kuo von der University of Virginia eine Methode namens Diff-DAgger entwickelt, die Robotern hilft, Unsicherheit in unbekannten Situationen zu erkennen und selbstständig zu entscheiden, wann sie menschliche Hilfe benötigen. Das Verfahren kombiniert Diffusion-Policy-Techniken mit Echtzeit-Konfidenzprüfungen und reduziert die erforderliche menschliche Überwachung erheblich.
Kuos Arbeit adressiert ein Kernproblem des Roboter-Lernens: Während bisherige Systeme bei veränderten Bedingungen scheiterten oder blind um Hilfe baten, kann ihr System nun gezielt Unsicherheit diagnostizieren. Die Ergebnisse sprechen für sich – Fehlerpräventionsraten stiegen um 39 Prozent, Aufgabenerfolgquoten um 20 Prozent. Damit öffnet sie den Weg zu komplexeren Robotersystemen, die intuitiver mit Menschen zusammenarbeiten können.