HIL-SERL (Human-in-the-Loop Sim-to-Real Learning) es un nuevo marco que está ganando atención en la comunidad robótica. A diferencia de los métodos tradicionales que dependen en gran medida de la simulación antes de transferir a robots reales, HIL-SERL mantiene a los humanos en el bucle durante el entrenamiento en el mundo real. Los operadores humanos proporcionan retroalimentación correctiva y dan forma a las señales de recompensa, permitiendo que el robot aprenda tareas complejas de manipulación y navegación directamente en hardware físico. El marco se describe como un 'taburete de cuatro patas' que equilibra exploración, seguridad, guía humana y estabilidad algorítmica. Los resultados iniciales muestran mejoras significativas en la eficiencia de muestreo y las tasas de éxito de tareas en comparación con el RL completamente autónomo. Para desarrolladores e investigadores que trabajan en robótica desplegable, este enfoque reduce la necesidad de costosa infraestructura de simulación y acelera el camino del laboratorio a la producción. El método es particularmente relevante para aplicaciones donde la fidelidad de la simulación es baja, como la manipulación de objetos deformables o la interacción humano-robot.
HIL-SERL introduce un marco con participación humana para entrenar agentes de IA encarnada directamente en robots físicos, evitando la brecha simulación-realidad. La retroalimentación humana guía la exploración y el diseño de recompensas, logrando una convergencia más rápida y un aprendizaje más seguro en el mundo real. Esto podría acelerar la implementación de robots adaptables en manufactura, salud y servicios.