Este artículo aborda un desafiante escenario de aprendizaje interactivo denominado "reubicación a ciegas", en el que el agente debe manipular un entorno rígido sin conocer los conceptos clave necesarios para resolver la tarea. Por ejemplo, un usuario podría pedirle al agente que "ponga dos manzanas Granny Smith en una cesta", pero el agente no puede identificar con precisión qué objeto del entorno es una "Granny Smith" porque no ha estado expuesto previamente a dichos conceptos. En este artículo, presentamos SECURE, una política de aprendizaje interactivo diseñada para abordar estos escenarios. Una característica única de SECURE es su capacidad para realizar análisis semántico al procesar conversaciones corporizadas y tomar decisiones. A través de las conversaciones corporizadas, el agente SECURE aprende de la retroalimentación correctiva corporizada del usuario al cometer errores y participa estratégicamente en las conversaciones para descubrir información útil sobre nuevos conceptos relevantes para la tarea. Esta capacidad le permite generalizar el conocimiento adquirido a nuevas tareas. Demostramos que los agentes SECURE que resuelven reubicaciones en un entorno simulado de Blocksworld y en un entorno real de manipulación de manzanas sin conciencia son más eficientes en el uso de datos que los agentes que no participan en conversaciones o análisis semánticos.
