في مجال التعلم من خلال المحاكاة (Imitation Learning)، يتم عادة اعتبار كل الحالات كأهمية متساوية، مما يؤدي إلى تحسين الهدف عبر مجموعة البيانات بشكل موحد. ومع ذلك، ليست جميع الحالات متساوية، ففي بعض الحالات الحرجة، قد تؤدي حتى الانحرافات الطفيفة عن تصرف الخبير إلى الفشل التام. تهدف الدراسة الجديدة إلى رسم مفهوم "الحساسية للدولة" (State Criticality) في التعلم من خلال المحاكاة، مشيرةً إلى أسوأ حالة لعدم القدرة على التحسن في القيمة الناتجة عن تعديل محدود لتصرف الخبير.

لتحقيق ذلك، تم تقديم مقياس جديد يعرف باسم SCRIM (State CRIticality Measure)، والذي يقوم بتقدير هذا الحجم من خلال تدريب سياسة اضطراب عدائية ونقد قيمة حول سياسة تقليد ثابتة. يقوم SCRIM بمنح كل حالة في عرض البيانات درجة تعكس مدى تأثر نتيجة المهمة بالأخطاء الصغيرة ذات الصلة بالسياسة.

تظهر النتائج أن هذه الدرجات يمكن أن تستخدم لإعادة وزن خسائر تقليد السلوك، مما يُحسن من التعلم في الحالات الحاسمة ويزيد من أداء المهام بشكل عام. علاوة على ذلك، يُمكن SCRIM من تنسيق البيانات عن طريق اختيار مجموعات فرعية عالية القيمة من العروض التي تحتفظ بالأداء مع تقليل كبير في كمية بيانات التدريب.

تم تقييم SCRIM عبر مجموعة متنوعة من مهام التلاعب الروبوتي سواء في البيئات المُحاكية أو الواقعية، وأثبت أنه يقوم بتحسين تدريب السياسات، ويمكّن من اختيار البيانات بشكل فعال، ويقدم رؤى قابلة للتفسير حول اللحظات الأكثر حساسية في العرض لتحقيق النجاح في المهمة.

لمزيد من المعلومات، يمكنك زيارة الموقع الرسمي للمشروع.