في عالم البناء المعماري، نواجه تحديات تكنولوجية تتعلق بتجميع الروبوتات. حتى الآن، اعتمدت الكثير من الخطط المعتمدة على الروبوتات إما على تخصص عالي، مما يتطلب إعادة تدريب مكلفة على كل تصميم هندسي جديد، أو كانت غير فعالة بطبيعتها، حيث تُعتبر تسلسلات الهياكل والحركة الحركية كعمليات منفصلة. ولكن الآن، يقدم لنا الباحثون في EUPHORIA إطارًا موحدًا لا يحقق فقط التكيف الساحر مع القليل من الأمثلة، بل يعزز أيضًا الكفاءة الديناميكية من خلال استراتيجيات تحسين هجينة.

كيفية العمل؟ تعتمد EUPHORIA على نموذج ترميز هندسي ميتا (Meta-Geometric Encoder) مستند إلى الشبكات الهيبرية (Graph Hypernetworks)، والذي يتجاوز أساليب التعلم التمييزي التقليدي من خلال خلق معايير سياسات تتكيف مع التعقيدات الهندسية مثل القباب والأقواس دون الحاجة لإعادة تدريب معتمدة على التدرجات.

وفي سبيل معالجتنا للهيكل، نقدم محول جرافيكي مُعتمد على الفيزياء يتم تدريبه بطريقة Soft Actor-Critic (SAC) ويستخدم آلية انتباه تعتمد على الفيزياء تعمل على تنظيم درجات الانتباه باستخدام القوى الناتجة عن نماذج العناصر المتقطعة (Discrete Element Model - DEM). هذا يُساعد المخطط في تحديد الروابط الهيكلية الحرجة بدقة.

كذلك، لضمان الكفاءة التشغيلية، نستخدم تسلسلًا واعيًا للحركة الحركية، حيث يعاقب الهدف SAC الانتقال إلى طاقات عالية. ولمعالجة الفجوة بين النمذجة والواقع، نقدم تصحيح الاستقرار المتبقي (Residual Stability Correction)، وهو طبقة تحسين قابلة للاشتقاق تعيد ضبط الإجراءات التجميعية الخشنة عن طريق تقليل تكلفة الطاقة والاستقرار المشتركة قبل التنفيذ.

تظهر الاختبارات أن EUPHORIA تُحقق تقليصًا كبيرًا في استهلاك الطاقة مقارنةً بالأساسات المنفصلة وتحقق معدلات نجاح متقدمة في معالجة الهندسة غير القياسية غير المرئية مع عدد قليل من الأمثلة، مما يُعزز دمج التعلم الميتا والانتباه المعتمد على الفيزياء والتحسين المتبقي لإنشاء مخطط متكامل ومُعمّم.