في عالم الذكاء الاصطناعي، ازداد التركيز على تحسين الأداء الذاتي للروبوتات وعربات الحركة. حيث تقدم الأبحاث الأخيرة في هذا المجال نظرية جديدة تعزز كفاءة الروبوتات بشكل غير مسبوق. تتعلق هذه النظرية بتقنيات تدفق الحركة التركيبية (Compositional Flow Matching) معتمدة على تجميع هندسي للحركات الأساسية (Motion Primitives).

تعتبر الحركات المنفذة، مثل تسلسلات الحركة القابلة للتنفيذ للمناورات الروبوتية، إحدى المخرجات الرئيسية للذكاء الاصطناعي المتجسد. وعادةً ما تعالج النماذج التوليدية الحديثة هذه الحركات كإشارات كثيفة وثابتة، مما يعقد الفهم الكامل لاستراتيجية الحركة.

ومع ذلك، يقترح الباحثون اعتماد هيكل تركيبي بطبيعته، حيث تتشارك المهام المتعددة أجزاء حركة متكررة يمكن تمثيلها كمخزون نهائي من الحركات الأساسية القابلة لإعادة الاستخدام. وبهذا الشكل، يدعم ذلك تفكيك المهام بناءً على الحدود الفرعية.

تعتمد النماذج الحالية على توليد حركي يتفاعل في الفضاء الكامن، لكننا نقترح التركيب مباشرةً في الفضاء الفيزيائي للمسار من خلال استخدام إطار عمل يتضمن تصميمين مدمجين.

يتضمن التعلم من قاموس الحركات الأساسية مجموعة من الميزات القابلة للتعلم، ما يجعل كل عنصر يمثل حركة أساسية يمكن إعادة استخدامها في أي مكان. وفي خطوة متقدمة، يتم استخدام المزج الهيكلي الفراغي مع قيود هندسية لإنشاء مصفوفة وضع ذات ثنائية، مع التركيز على الاستمرارية المكانية والترابط الزمني عند تلاقي الحركات الأساسية.

عند اختبار هذا الإطار على مجموعتي بيانات Open X-Embodiment و3DMoTraj، حقق النظام دقة غير مسبوقة، حيث قلل نسبة FDE/ADE من 1.8 إلى 1.07، مع تحسين ADE بنسبة 19.2% وFDE بنسبة 21.0% مقارنة بأفضل النماذج السابقة.