في عالم الذكاء الاصطناعي، يعد تعلم السياسات القابلة للتعديل (Imitation Learning) حجر الزاوية للكثير من التطبيقات. ومع ظهور AutoIntervene، يتمثل الإطار الثوري الذي يعد بتحسين أداء الروبوتات في المهام المعقدة.

تعمل تقنية(action-chunking) على التعلم من العروض وتحسين التقارب الزمني من خلال التنبؤ بتتابعات قصيرة من الأفعال بدلاً من الأوامر الفردية. ومع ذلك، قد تتسبب أخطاء الإدراك والانحراف في التنفيذ في خروج الروبوت من نطاق العروض السابقة، مما يؤدي إلى إنتاج تجمعات أفعال سلسة غير متوافقة مع الحالة الملاحظة.

يقدم AutoIntervene حلاً طموحًا، حيث يوفر إطار عمل يتيح النقل الانتقائي للتحكم بين سياسة تجمع الأفعال ومشغل بشري أثناء التنفيذ. يقوم AutoIntervene بتقييم التجمعات المقترحة ضد ذاكرة دعم مرئية-فعلية تم بناؤها من تنفيذات المهام الناجحة، مما يجمع بين التشابه المرئي والاتساق بين الأفعال المقترحة والمراجع.

يدير دعم المرحلة المحلية انتقالات السيطرة من السياسة إلى المشغل ضمن المرحلة الحالية للمتابعة، في حين يتحكم الدعم العالمي في العودة إلى السيطرة من قبل السياسة بعد انتهاء تدخل المشغل.

يتم تعديل عتبات التبديل بشكل منفصل لكل اتجاه بناءً على الكمونات التجريبية لنتائج التقييم على العروض الخبيرة المحجوزة، مما يتجنب الحاجة إلى ضبط يدوي مباشر.

تُظهر التجارب على مهام المناورة الثنائية اليد في العالم الحقيقي معدل نجاح أعلى بعد التكيف ووقت أقل في التحكم من قبل المشغل مقارنة بالتدخل اليدوي. لتفاصيل إضافية ورؤية النتائج في العمل، يمكنك متابعة الفيديوهات والنتائج الأخرى المتاحة على الرابط https://aus.bot/research/autointervene/.

ما هو رأيكم في هذه التقنية الجديدة؟ هل ترون تقدم الروبوتات في التعلم يمكن أن يحقق تغييرات جذرية في حياتنا اليومية؟ شاركونا آراءكم في التعليقات.