تتصاعد أهمية نماذج العالم المدفوعة بالأفعال (Action-Conditioned World Models) في مجالات التنبؤ والتخطيط وإنشاء البيانات الصناعية. ولكن، كانت الأخطاء الناتجة عن هذه النماذج مركزة في مناطق زمانية ومكانية محددة، مثل أطراف الروبوتات والأشياء المعالجة ومناطق الاتصال. في سبيل حل هذه المشكلة، تم تقديم 'ConfAL-WM'، وهو إطار عمل لتعلم ذاكرة النماذج المدفوعة بالثقة بعد التدريب.

يعتمد هذا الإطار على نظام 'EnerVerse-AC' (EVAC) ويضيف مستشعر ثقة خفيف الوزن إلى ميزات UNet الخاصة بفك التشفير. يتيح هذا النظام توقع خرائط ثقة كثيفة في الفضاء الكامن، والتي تُجمع بدورها لتقييمات على مستوى المهام والإطارات والرقع. هذه الطريقة تعطي فرصة لتخصيص ميزانية البيانات وتعزيز التدريب المركزي.

تم إجراء تجارب على 'RoboTwin2.0'، حيث أظهرت النتائج أن اختيار البيانات المدفوعة بالثقة يحسن الجودة بعد التدريب، وأن الوزن الكثيف للإطارات والرقع يوفر تحسينات في الإعادة والتركيب بالمقارنة مع أساليب التقويم البسيطة. يمكن لمزيد من التفاصيل أن تُكتشف من خلال الجولة البصرية السريعة للمشروع المتاحة عبر ConfAL-WM. هذا البحث يُضيف بُعدًا إضافيًا لفهمنا وقدراتنا في تطوير نظم الروبوتات.