أصبحت الروبوتات جزءًا لا يتجزأ من حياتنا اليومية، حيث تعتمد العديد من مهاراتها في المناولة على فكرة affordance، وهي القدرة على تحديد كيفية التعامل مع الكائنات لإنجاز مهام معينة. ومع ذلك، كانت تقنيات جمع البيانات التقليدية تعتمد إما على تقديرات ملامسة عامة أو على تعليقات يدوية خاصة بكل كائن، مما أنتج تحديات عدة في تحقيق الدقة والفعالية.

لذلك، تم تطوير نظام "أفوردسيم (AffordSim)": مُولد بيانات قابل للتوسع ومرجع يدمج توقع affordance في بيئة محاكية لتحسين مهارات الروبوتات. هذا النظام ليس مجرد أداة، بل هو ثورة في طريقة جمع البيانات، حيث يمكنه استنباط مشاهد معقدة تتناسب مع وصفات المهام بلغة طبيعية.

عند استخدام "أفوردسيم"، يُتيح للنظام توليد مشاهد تتضمن كائنات مختلفة، ومن ثم يقوم بإطلاق استفسارات حول affordance، وتجذير هذه الاستفسارات على أسطح الكائنات، واختيار أفضل خيارات الملامسة باستخدام تخطيط الحركة. وتعمل هذه التقنية على عشوائية وضع الكائنات، النسيج، الإضاءة، وضجيج الصورة، مما يسهل الانتقال من المحاكاة إلى التطبيق الواقعي.

تم تقييم "أفوردسيم" من خلال 50 مهمة متنوعة، تغطي مهارات مناولة متعددة، ومع خمسة أشكال متنوعة للروبوتات، وأكثر من 500 كائن صلب ومتحرك. أظهرت النتائج أن معدل النجاح لجمع المسارات يصل إلى 93% مقارنة بالبيانات اليدوية في المهام الحساسة للأفوردانس، و89% في المهام المعقدة. كما أثبتت سياسات الرؤية واللغة والحركة التي تم تدريبها على البيانات من "أفوردسيم" أنها قادرة على الانتقال بسلاسة إلى روبوت حقيقي من طراز "فرانكا FR3"، لتصل إلى نجاح متوسط بنسبة 24%.

إن اعتماد أفوردسيم سيدفع بالتأكيد حدود ما يمكن للروبوتات تحقيقه في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.