في عالم الذكاء الاصطناعي، يمثل فهم حركة الأجسام المعقدة تحدياً كبيراً، لا سيما عند الاعتماد على مشاهد أحادية محدودة. هنا يأتي دور مشروع فاموس (FAMOS)، الذي يهدف إلى تغيير هذه الديناميكية تماماً.

يعمل فاموس كنموذج متقدم يستخدم تقنيات التعلم العميق لتحديد تقسيم الأجزاء القابلة للحركة وخصائص المفاصل من مجموعة عشوائية من سحب نقاط ثلاثية الأبعاد. ما يميز هذا النموذج هو قدرته على التعامل مع عدد متغير من المدخلات، حيث يمكنه العمل مع مشاهدة واحدة فقط أو مع مجموعة متنوعة من المشاهد، مما يعزز دقة الفهم للحركة.

تم تطوير نموذج فاموس باستخدام مُحوّل الحركة متعدد الحالات (Multi-state Articulation Transformer) الذي يمزج بين الانتباه المحلي والعالمي، مما يسمح له بجمع إشارات الحركة عبر الملاحظات المتعددة. بالإضافة إلى ذلك، قدم فريق البحث هدفاً يتضمن مدى الحركة التي يمكن أن يظهرها كل جزء عبر المشاهد المدخلة، مما يشجع النموذج على الاستفادة الكاملة من مجموعة الإدخالات المتاحة.

وتمكن الفريق من التغلب على التحديات المتعلقة بنقص البيانات المتنوعة عبر تطوير مولد بيانات إجرائي ينشئ أصولًا ذاتية التوصيف خلال فترة التدريب. أثبتت التجارب التي أجريت على مجموعات بيانات مثل PartNet-Mobility وACD وArtiCraft-10K تقدمًا ملحوظًا على الأساليب التقليدية.

مع تزايد أهمية الذكاء الاصطناعي في نمذجة الأجسام المعقدة، يبشر فاموس بآفاق جديدة ومثيرة في هذا المجال. ما هي توقعاتكم بشأن تطويرات الذكاء الاصطناعي في نمذجة الحركة؟ شاركونا آرائكم في التعليقات.