In de robotica is het accuraat kunnen voorspellen van omgevingsreacties essentieel voor effectieve planning en controle. Voor dit doel worden vaak 'latent world models' ingezet, maar deze lopen vast wanneer de fysieke realiteit afwijkt van de data waarop ze zijn getraind. Een kleine wijziging in de omgeving kan er namelijk voor zorgen dat de voorspellingen van een robot onjuist worden, wat vaak leidt tot een compleet verlies van functionaliteit.
Om dit probleem aan te pakken, hebben Jakub Suliga en een team van onderzoekers een innovatieve benadering ontwikkeld. Volgens een wetenschappelijke publicatie op arxiv.org maakt deze methode gebruik van zogenaamde 'few-shot residual adaptation'. Het kernidee is dat het systeem zelfgesuperviseerde correcties leert door te kijken naar de fouten in de latente voorspellingen van het model.
Wat deze techniek onderscheidt van traditionele methoden, is dat de oorspronkelijke parameters van het wereldmodel niet worden gewijzigd. De vooraf getrainde gewichten blijven volledig bevroren. In plaats daarvan implementeert het systeem een 'dual-site' aanpak, waarbij correcties worden toegevoegd aan zowel de latente voorspeller als direct aan de voorspelde latente toestand. Deze strategie voorkomt dat het volledige model opnieuw getraind moet worden, wat tijdrovend en rekenintensief is.
De effectiviteit van deze aanpak is uitgebreid getest in simulaties en op fysieke hardware. De onderzoekers richtten zich specifiek op scenario's waarin de wrijving veranderde of het zwaartepunt van de robot verschoof. Uit de data in het rapport op blijkt dat een standaard bevroren model zonder deze adaptatie vrijwel altijd faalt bij dergelijke wijzigingen, met een succespercentage dat richting nul zakt.
De resultaten van de nieuwe methode zijn echter opvallend. Met slechts drie interactie-episodes kon de robot zijn prestaties drastisch verbeteren. Bij een verschuiving van het zwaartepunt steeg het succespercentage naar 90 procent. Nog indrukwekkender waren de resultaten op een fysieke robot bij gewijzigde wrijving, waarbij een succespercentage van 100 procent werd behaald. Hoewel de focus van dit onderzoek ligt op softwarematige adaptatie, is voor de fysieke uitvoering van dergelijke tests vaak gespecialiseerde apparatuur nodig, zoals die aangeboden wordt door partijen als shotracegear.com.
Via aanvullende ablatiestudies hebben de auteurs geanalyseerd waarom de dual-site methode zo effectief is. De resultaten tonen aan dat het gelijktijdig corrigeren van beide locaties superieur is aan adaptatie op slechts één punt. De analyses suggereren dat de correcties enerzijds een algemene mismatch in voorspellingen wegnemen en anderzijds zeer specifieke informatie over de fysieke verschuiving integreren tijdens de korte leerfase.
Het onderzoek, dat op 10 november 2026 is gepubliceerd via , opent de deur naar robots die veel flexibeler kunnen opereren in onvoorspelbare omgevingen. Door snel te kunnen reageren op nieuwe fysieke dynamieken zonder hun basiskennis te verliezen, kunnen robots in diverse sectoren betrouwbaarder worden ingezet.