في عالم الروبوتات، يعتبر تتبع الجسد بالكامل (Whole-Body Tracking - WBT) أحد المفاتيح الأساسية لتمكين الروبوتات البشرية من تقليد الحركات المتنوعة بدقة عالية. ومع ذلك، يتطلب تدريب هذه النماذج القوية كمًّا هائلًا من البيانات والحسابات، مما يجعل تطبيقها السريع على منصات جديدة مكلفًا للغاية. ولكن، هل يمكن أن تنتقل النماذج المدربة مسبقًا للدخول في استعمالات جديدة مع قليل من التكيف؟

للاجابة على هذا السؤال، تم تقديم نهج Any2Any، الذي يعيد تعريف طريقة نقل نماذج WBT الموجودة إلى تجسيد جديد من خلال الاعتماد على بيانات وموارد حسابية قليلة. يبدأ Any2Any بعملية محاذاة حركية بين الروبوتات: حيث يضمن توافق مدخلات ومخرجات نماذج الروبوتات المصدر والهدف، مما يمكّن من إعادة استخدام السياسات المكتسبة سابقًا بشكل ذكي.

ثم ينتقل Any2Any إلى تعديل الديناميكيات، مستخدمًا مكونات فعالة من حيث المعلمات للتكيف مع ديناميكيات النموذج المستهدف، والحفاظ على السلوكيات المفيدة بينما يسمح بالتكيف المستهدف مع الروبوت الجديد.

من خلال اختبارات مكثفة على منصات متعددة للروبوتات، أثبتت Any2Any فعاليتها في تسريع عملية التقارب وتقليل تكاليف التدريب مقارنةً بالتدريب من الصفر، محققة أداءً تنافسيًا أو حتى متفوقًا في تتبع الحركات. بل الأكثر إثارة للاهتمام هو أن هذه المنصة استطاعت استخدام 1% فقط من البيانات والموارد المطلوبة للتدريب الكامل، حيث نجحت في نقل نماذج Sonic المدربة مسبقًا على Unitree G1 إلى LimX Oli وLimX Luna.

تشير هذه النتائج إلى أن خبراء WBT المدربين مسبقًا يمكن إعادة استخدامهم بكفاءة عبر أشكال جديدة، مما يوفر مسارًا قابلاً للتوسع نحو تنفيذ التحكم الكامل للجسد في الروبوتات الجديدة.