في عالم الذكاء الاصطناعي، تُعد استراتيجيات مطابقة التدفق (Flow Matching) من الأدوات القوية المستخدمة في تقليد السلوك (behavior cloning)، خاصة في بيئات العمل ذات الإجراءات المتعددة. ومع ذلك، برزت الحاجة إلى تحسين أداء هذه الاستراتيجيات أثناء اختبارها، وهذه النقطة هي التي يستكشفها البحث الجديد تحت عنوان "FlowMPC".

تستند الطريقتان المتقدمتان إلى نموذج العالم (world model) الذي يمكن أن يُحسن سياسات مطابقة التدفق عن طريق التخطيط باستخدام نموذج Predictive Path Integral (MPPI). بالاعتماد على نموذج TD-MPC2، تم تقديم إطار العمل الجديد FlowMPC، الذي يدمج سياسات مطابقة التدفق المستندة إلى عملية التقليد مع نموذج العالم المُتعلم.

تُظهر النتائج في مهام مثل PickCube وPickSingleYCB أن إضافة نموذج العالم يُحسن الأداء مقارنة باستخدام سياسة مطابقة التدفق وحسب. فقد لوحظت تحسينات واضحة في النجاح بنهاية الحلقة، مما يُشير إلى أن التخطيط المعتمد على نموذج العالم يمكن أن يُعزز فعالية سياسات التقليد دون الحاجة لتعديل الهدف التدريبي لبيانات التدفق.

تُعد هذه الاكتشافات خطوة مهمة نحو تحسين فعالية التقنيات الذكية في المهام المعقدة، مما يفتح آفاقًا جديدة لتطوير الروبوتات الذكية وأدوات الذكاء الاصطناعي في المستقبل.