في السنوات الأخيرة، أحرزت تقنيات النماذج التوليدية (Generative Modeling) تقدمًا ملحوظًا في مجال الروبوتات، خصوصًا في سياق تعلم السياسات (Policy Learning). وتمثل تقنية تدفق الشرط (Conditional Flow Matching) مثالاً رائعًا على هذه التطورات، حيث أظهرت تفوقًا كبيرًا على الأساليب التقليدية في اختبارات تلاعب الروبوتات.

تركز الدراسات السابقة بشكل أساسي على المهام الفردية، لكننا نعتبر هنا الجانب متعدد المهام، حيث إن تطوير نماذج مستقلة لكل مهمة يتطلب موارد حسابية ضخمة. تواجه عملية تعلم السياسات متعددة المهام تحديات خاصة، فعن طريق التدريب على مجموعة بيانات مركبة من العروض، قد تُفرض متطلبات أكبر على سعة النموذج أو تنخفض الأداءات.

لذلك، قدمنا اقتراحاً لتقطير المعرفة من خبراء تدفق الشرط في المهام الفردية إلى سياسة مشتركة متعددة المهام، حيث يتم نقل حقول السرعة التي تم تعلمها. يتم دمج إشارة التقطير هذه مع الهدف الأصلي لتدفق الشرط للحفاظ على دقة العروض.

أظهرت التجارب على منصة RLBench أن طريقتنا تعزز من أداء سياسة المهام المتعددة مقارنةً بالتدريب التقليدي، دون الحاجة إلى زيادة حجم النموذج. إن هذا الابتكار يفتح آفاقًا جديدة في تصميم أنظمة الروبوتات الذكية التي يمكنها التكيف مع تحديات متعددة في نفس الوقت.