باحثون يحسنون أداء الروبوتات بنسبة 33 بالمئة عبر تقنية توجيه جديدة
يتيح نظام SWAP للروبوتات التنقل بين نماذج ذكاء اصطناعي مختلفة أثناء التنفيذ لأداء المهام البدنية المعقدة بدقة أكبر.
تواجه الروبوتات المكلفة بنقل الأجسام صعوبات لأن النموذج الواحد، أو ما يعرف بنموذج الرؤية واللغة والحركة (VLA)، لا يمكنه التعامل مع كل بيئة بدقة مثالية. ولحل هذه المعضلة، طور فريق بحثي إطار عمل يسمى StepWise Action Policy Routing، أو باختصار SWAP.
بدلاً من الاعتماد على نموذج واحد من البداية إلى النهاية، يسمح نظام SWAP للروبوت بالعمل كمدير يختار أفضل خبير للحظة الراهنة. يعمل النظام كمراقب يقيم أي نموذج سياسات هو الأنسب لحالة المهمة التي يراها الروبوت في تلك اللحظة.
يتيح نظام SWAP للروبوتات اختيار سياسات جديدة للتنفيذ عبر الإنترنت بدلاً من الالتزام بسياسة واحدة طوال فترة المهمة.
خلال اختبارات على مهام DROID الواقعية وتجارب المحاكاة LIBERO، أظهر النظام تحسناً ملحوظاً. فقد زادت نسبة نجاح المهام بنسبة 33 بالمئة مقارنة بالاعتماد على نموذج واحد ثابت.
لم تقتصر الفوائد على زيادة النجاح فحسب، بل أصبحت الروبوتات أكثر كفاءة أيضاً. انخفض متوسط عدد الخطوات المطلوبة لإكمال مهمة ناجحة بنسبة 28.3 بالمئة.
تخيل روبوت يحاول ترتيب مطبخ فوضوي. قد يكون أحد النماذج بارعاً في التقاط الأواني الثقيلة، بينما يكون الآخر أفضل في المهام الدقيقة مثل إمساك ملعقة. بفضل SWAP، يمكن للروبوت التبديل بين هؤلاء 'الخبراء' بسلاسة أثناء انتقاله من مهمة لأخرى.
هل يشير هذا التوجه نحو التبديل الديناميكي إلى أننا سنتوقف قريباً عن البحث عن نموذج واحد عملاق ونركز بدلاً من ذلك على مجموعات من المتخصصين؟
يركز البحث على مقاييس الأداء داخل بيئات DROID وLIBERO. لا تتناول الدراسة كيفية تصرف نماذج التوجيه هذه في البيئات الخارجية غير المتوقعة أو البيئات ذات التغيرات الضوئية الشديدة التي لم تكن ضمن بيانات التدريب الأصلية.
المصدر: arXiv cs.RO