تعتبر تقنية التنقل الذاتي للروبوتات من أبرز الإنجازات التكنولوجية في العصر الحديث، وهي تتطلب مزيجاً من استراتيجيات الاستكشاف الفعّالة والتنقل نحو أهداف محددة. بناءً على مبدأ الطاقة الحرة، تم ابتكار إطار عمل يسمى الاستنتاج النشط (Active Inference) والذي يوفر حلولاً موحدة لهذه التحديات.
في هذا السياق، تم تقديم نموذج متطور يعتمد على الاستنتاج النشط العميق (Deep AIF). يتميز هذا النموذج بتكامله مع سياسة الانتشار (Diffusion Policy) والتي تقوم بتوليد مجموعة متنوعة من الإجراءات الممكنة، بالإضافة إلى نموذج الفضاء الزمني المتعدد (Multiple Timescale Recurrent State-Space Model - MTRSSM) الذي يقوم بقراءة عواقب الإجراءات المقترحة على المدى الطويل من خلال خيال كامن.
من خلال هذه المكونات، استطاع الباحثون تقليل الطاقة الحرة المتوقعة (Expected Free Energy - EFE) مما أدى إلى اتخاذ قرارات أكثر مناسبة في مهمة التنقل.
أظهرت التجارب الحقيقية التي أجراها الباحثون تحسناً ملحوظاً في نجاح النموذج وتقليل حوادث الاصطدام، خصوصًا في السيناريوهات التي تتطلب استكشافًا عاليًا.
يجسد هذا العمل كيفية دمج الاستنتاج النشط مع مبدأ الطاقة الحرة لتحقيق أهداف التنقل الذاتي بشكل فعال في بيئات الواقع، مما يمثل خطوة حيوية نحو تعزيز كفاءة الروبوتات في مهامها اليومية.