AdaTempo يسرّع سياسات التلاعب الروبوتية بمقدار 3.57 أضعاف

قدّم باحثون طريقة جديدة تُسمى AdaTempo لحل مشكلة شائعة في تعلم الروبوتات. معظم الروبوتات التي تتعلم بمراقبة البشر تنسخ إيقاع البشر البطيء. يحدث هذا لأن بيانات التدريب تأتي من عروض مُشغَّلة عن بُعد. النتيجة هي روبوت يعمل بدقة لكنه بطيء بشكل غير ضروري.

تنظر الطريقة الجديدة في كيفية ارتباط أجزاء المهمة المختلفة ببعضها من حيث التوقيت. تجد إيقاعًا مشتركًا عبر عدة عروض. يُسمى هذا الإيقاع بالإيقاع النسبي. من خلال تحديد هذه البنية، يمكن للنظام معرفة أي أجزاء الحركة يمكن تسريعها بأمان.

ينشئ AdaTempo ملف سرعة إجمالية من هذه العروض. ثم يستخدم هذا الملف لإعادة أخذ عينات من بيانات التدريب. تحتوي البيانات المعاد أخذ عيناتها على مسارات مسرَّعة. عندما يتعلم الروبوت من هذه البيانات الجديدة، يتحرك بشكل أسرع بشكل طبيعي. لا حاجة إلى أدوات تحكم خاصة في السرعة أثناء التشغيل.

تعمل الطريقة مع سياسات تعلم الروبوتات القياسية. وتشمل ACT و Diffusion Policy. اختبر الباحثون النهج على مهام تلاعب مختلفة. قام الروبوتات بأداء نفس المهام كما كانت من قبل لكن بسرعة أعلى.

أظهرت النتائج تحسنًا كبيرًا في الكفاءة. حققت الروبوتات تسريعًا يصل إلى 3.57 أضعاف. هذا يعني أن مهمة كانت تستغرق عشر ثوانٍ أصبحت تستغرق أقل من ثلاث ثوانٍ. بقيت نسبة النجاح قوية مقارنة بالسياسات الأصلية الأبطأ.

تخيّل ذراع روبوتية تلتقط كوبًا. بالطريقة القديمة، تتحرك ببطء للتأكد من عدم إسقاط الكوب. مع AdaTempo، تتعلم الذراع أن مرحلة الاقتراب يمكن أن تكون أسرع، بينما تبقى مرحلة الإمساك حذرة. توازن بين السرعة والأمان بناءً على بنية المهمة.

قارن البحث AdaTempo مع تقنيات تسريع أخرى. أظهر توازنًا أفضل بين السرعة والنجاح. لا تتطلب الطريقة تعديلات أثناء التشغيل. السرعة مدمجة في السلوك المتعلم أثناء التدريب.

يعالج هذا العمل مشكلة محددة في التعلم بالتقليد. لا يغير ما يمكن للروبوت فعله، بل يغير فقط سرعة أدائه. تعتمد الطريقة على وجود عدة عروض لنفس المهمة. تستخرج أنماط التوقيت من هذه الأمثلة.

نُشر الورقة على arXiv في 5 أكتوبر 2026. توفر مسارًا واضحًا لجعل سياسات الروبوتات الحالية أكثر كفاءة. التقنية ذاتية الإشراف، مما يعني أنها لا تحتاج إلى ملصقات إضافية. تستخدم بنية البيانات نفسها لإيجاد الإيقاع الصحيح.

ومع ذلك، تتطلب الطريقة عروضًا متسقة. إذا كانت العروض البشرية متنوعة جدًا في التوقيت، فقد يكون الإجماع ضعيفًا. يركز البحث على مهام التلاعب. لا يدّعي العمل لجميع أنواع حركة الروبوتات. يعتمد مقدار التسريع على طبيعة المهمة وجودة بيانات التدريب.