تُعتبر المختبرات الروبوتية محوراً أساسياً في الاكتشافات العلمية المستقلة، حيث تتيح تنفيذ تجارب بشكل مستمر وقابل للتوسع. في الآونة الأخيرة، أثبتت نماذج الرؤية واللغة والعمل (VLA) أنها قاعدة واعدة لتطوير هذه المختبرات. ومع ذلك، غالباً ما تتضمن التجارب العلمية مهاماً طويلة تتكون من العديد من المهام الصغيرة.

تواجه هذه النماذج الحالية تحدياً كبيراً يتمثل في الأداء الفعال للمهام المركبة التي تتطلب إعادة ترتيب وتركيب تلك المهام المعروفة، وهو ما يُعرف بفجوة سلسلة المهارات الناتجة عن عدم توافق حالة الروبوت. فالحالة النهائية للروبوت بعد تنفيذ مهمة معينة قد تتجاوز نطاق الحالة الابتدائية المسموح بها للمهمة التالية.

للحديث عن هذه المشكلة، تم تقديم AtomBridge، وهو إضافة لتقنية VLA تُعنى بتيسير تنفيذ المهام الطويلة في التجارب العلمية. يتم توصيل AtomBridge في وقت الاستدلال مع سياسة VLA التي تم ضبطها مسبقاً على المهام الأساسية، مع الحفاظ على ثوابت الأوزان.

في كل نقطة انتقال بين المهام، يُستخدم AtomBridge آلية استدلال تعتمد على نماذج اللغة الكبيرة (LLMs) وتوليد أكواد للعمليات الروبوتية لإدخال إجراءات انتقالية بين المهام المتتالية، وبالتالي يتجاوز الفجوة الناتجة عن عدم توافق حالة الروبوت دون الحاجة لمزيد من الضبط أو العروض التوضيحية للتسلسلات الطويلة.

أظهرت التجارب في بيئات المحاكاة والعالم الحقيقي أن AtomBridge حسّن من استمرارية التنفيذ ونجاح المهام الأساسية لكل خطوة. ومن خلال إجراء مهام مؤلفة من 8 خطوات، زاد AtomBridge من نسبة النجاح الكلي للتسلسل بنسبة تتراوح بين 10% إلى 25%.

إن نجاح AtomBridge يمثل خطوة بارزة نحو تسريع الاكتشافات العلمية عبر تمكين الروبوتات من تنفيذ المهام المعقدة بشكل أكثر كفاءة ودقة.