Если робот уронил предмет, время прошло, но работа не продвинулась. Event2Reward — метод, представленный 29 октября, который различает остановку, ухудшение и восстановление прогресса. Эти события помогают формировать промежуточную награду^[1] для обучения с подкреплением^[2].

Авторы обработали около 100 тысяч записей реальных действий, включая неудачи. Вместо абсолютной оценки на каждом кадре они сравнивают соседние состояния. На 40 задачах четырёх наборов LIBERO средняя успешность выросла на 18,16 процентного пункта относительно обучения с редкой наградой.

На настоящих роботах после 30 минут обучения успех составил в среднем 60% на трёх задачах точной вставки и 90% на трёх задачах манипуляции. Это авторские испытания; для внедрения потребуются ограничения опасных действий, проверка ошибок модели награды и тестирование на других объектах.