Современные поведенческие модели способны обучаться на больших массивах данных и решать новые задачи без настройки, но плохо адаптируются к изменениям среды, например, к смене физических параметров или препятствий. Это ограничивает применение таких моделей в робототехнике и других прикладных задачах.

Ученые изучили ограничения метода прямых и обратных представлений, используемого для построения поведенческих моделей. Выяснилось, что при обучении на данных из разных сред модель начинает объединять различные сценарии поведения, что снижает качество адаптации.

Для решения проблемы предложили использовать трансформерную модель, оценивающую скрытые параметры среды на основе наблюдаемой траектории поведения. Это позволяет модели учитывать изменения динамики и выбирать более подходящую стратегию без переобучения.

Авторы также разработали способ разделения пространства представлений поведения на отдельные области, соответствующие разным типам среды. Это уменьшило влияние противоречивых сценариев и повысило устойчивость модели к новым условиям.

Эксперименты проводились в дискретных и непрерывных средах, включая задачи с изменяющейся конфигурацией пространства и внешними воздействиями. Предложенный подход показал до двух раз лучшие результаты по сравнению с существующими методами адаптации.

Научный сотрудник Центра ИИ МГУ и AIRI Александр Никулин отметил, что исследование было посвящено тому, как поведенческие модели могут адаптироваться к изменениям среды без дополнительного обучения. По его словам, новый подход позволяет учитывать скрытые параметры среды и сохранять устойчивость модели при изменении условий.

Авторы подчеркивают, что предложенный метод может применяться в робототехнике и других системах, работающих в условиях изменяющейся среды.