في عالم الروبوتات، تعتبر القدرة على التعامل مع مهام غير مغطاة من التحديات الكبيرة التي تواجهها. في هذا السياق، تم تقديم إطار تعليمي ذاتي مغلق مدفوع بنماذج اللغة الكبيرة (LLM) للمساعدة في تعزيز قدرات الروبوتات في البيئات المفتوحة.

يعتمد هذا الإطار على استرجاع مكتبة الطرق المحلية لتحديد ما إذا كانت هناك حلول قابلة لإعادة الاستخدام لمهام معينة أو أحداث يتم ملاحظتها. وفي حالة عدم العثور على طريقة مناسبة، يقوم النظام بتحفيز عملية تعلم ذاتية، حيث تعمل نماذج اللغة الكبيرة كعنصر تفكير على مستوى عالي لتحليل المهام، واختيار النماذج، وتخطيط جمع البيانات.

بعد ذلك، يتعلم الروبوت من تنفيذ المهام بنفسه وكذلك من الملاحظات النشطة، مما يجعله قادرًا على إجراء تدريب وتعديلات شبه حقيقية، ويدمج النتائج المؤكدة في مكتبة الطرق المحلية لاستخدامها مستقبلاً.

من خلال هذه العملية المغلقة المتكررة، يستطيع الروبوت تحويل الخبرات الناتجة عن التنفيذ والملاحظة إلى قدرة قابلة لإعادة الاستخدام، مما يقلل من الاعتماد المستقبلي على التفاعل المتكرر مع نماذج اللغة الكبيرة.

تشير النتائج إلى أن الإطار المقترح يقلل من وقت التنفيذ والاعتماد على نماذج LLM، على سبيل المثال، تم تقليل متوسط وقت التنفيذ الإجمالي من 7.7772 ثانية إلى 6.7779 ثانية ومتوسط عدد اتصالات LLM لكل مهمة من 1.0 إلى 0.2 في تجارب تنفيذ المهام المتكررة.

هل أنتم مستعدون لمشاهدة كيف ستعيد هذه التكنولوجيا تشكيل مستقبل الروبوتات؟ شاركونا آرائكم في التعليقات.