Este artículo presenta Ego-Foresight, un novedoso método inspirado en la predicción del movimiento humano, para abordar el problema de la eficiencia muestral del aprendizaje por refuerzo (AR) profundo. Para superar los grandes requisitos de datos de entrenamiento del AR convencional, adoptamos un enfoque que separa al agente de su entorno. Sin embargo, a diferencia de estudios previos, aprendemos la interacción agente-entorno utilizando los propios movimientos del agente, sin señales supervisadas. Ego-Foresight mejora la capacidad de percepción del agente mediante aprendizaje autosupervisado mediante predicciones visomotoras, lo que le permite predecir los movimientos del agente a partir de datos de robots simulados y reales. Al integrarlo con algoritmos de AR sin modelo, demostramos una mejora en la eficiencia y el rendimiento de la muestra.
