في عالم الروبوتات المتقدمة، تتطلب التفاعلات الفيزيائية الغنية بالاتصال تقنيات متطورة لضمان سلوك آمن ومستقر. تُعتبر التحكيم بواسطة مقاومة (Impedance Control) من الطرق الفعالة للتعامل مع هذا التحدي، لكن تحتاج لضبط دقيق للمعلمات مثل الصلابة (Stiffness) والتخميد (Damping).

لذلك، تم تقديم إطار عمل جديد يُعرف بتعلم مقاومة الانتشار (Diffusion-Based Impedance Learning)، الذي يجمع بين النمذجة التوليدية والتحكم بالطاقة المتناسقة. يستخدم هذا النظام نموذج تحويل (Transformer-based Diffusion Model) يعتمد على الانتباه المتبادل (Cross-Attention) للبيانات المستمدة من القوى الخارجية المقاسة، ليعيد بناء مسارات صفر القوة (Zero-Force Trajectories - sZFTs) التي تعكس سلوك التوازن المتوافق مع اللمس.

تشير النتائج إلى أن النموذج، الذي تم تدريبه باستخدام بيانات من معروضات تم جمعها عبر التحكم عن بُعد بواسطة Apple Vision Pro، يحقق دقة موضعية أقل من ملليمتر واحد ودقة دورانية أقل من درجة واحدة باستخدام فقط عشرات الآلاف من العينات. وعند نشره في التحكم في عزم الدوران (Torque Control) على كونا LBR iiwa، تمكن من عبور العقبات بسلاسة والتكيف مع المهام غير المعروفة، محققًا نسبة نجاح 100% في إدخال الأجزاء في الثقوب متعددة الأشكال.

تُعد هذه التقنية مبادرة تكسر الحدود التقليدية في علم الروبوتات، مما يجعل عمليات التفاعل الواقعي أشد أمانًا وأكثر كفاءة. الشيفرة الخاصة بجميع التجارب متاحة للجمهور على GitHub، كما يمكن مشاهدة مقاطع الفيديو الخاصة بالتجارب على موقع المشروع على الإنترنت.