شهدت الأبحاث في مجال الروبوتات تقدمًا ملحوظًا مع ظهور إطار FunCanon، الذي يعد تحولًا كبيرًا في كيفية تعلم الروبوتات المهارات اليدوية. عادةً ما يؤدي التدريب على مهارات الروبوتات عبر العروض الشاملة إلى سياسات خاصة بالمهام، مما يعوق قدرتها على التعميم خارج نطاق التدريب. ولكن، يأتي FunCanon ليحل هذه المشكلة من خلال تحويل المهام الطويلة للمانيبوليشن (manipulation) إلى تسلسلات مثل قطع العمل، كل منها يحدد عبر ممثل وفعل وكائن.

ما يميز هذا الإطار هو تركيزه على تعلم السياسات بناءً على الإجراءات ذاتها، بدلاً من المهام المعزولة. هذه الاستراتيجية تتيح قابلية التراكيب وإعادة الاستخدام، مما يعزز القدرة على التعلم والتكيف عند التعامل مع مواقف جديدة.

لجعل السياسات واعية للوضع وموسعة الفئات، يعتمد FunCanon على ما يُعرف بعملية التصنيف الوظيفي للكائنات (functional object canonicalization) لضمان التوافق الوظيفي ونقل مسارات المناولة تلقائيًا. من خلال استخدام إشارات التوقع من نماذج اللغة البصرية الكبيرة (Large Vision Language Models)، يتم رسم الكائنات في إطارات وظيفية مشتركة.

يتم تدريب سياسة قائمة على الكائنات وبؤرة النشاط تُدعى FuncDiffuser على البيانات المتوافقة، وبذلك تحترم بشكل طبيعي الإمكانيات والأوضاع الخاصة بالكائنات، مما يبسط عملية التعلم ويحسن القدرة على التعميم.

أظهرت التجارب على معايير محاكاة وعالمية حقيقية قدرة مثبتة على التعميم على مستوى الفئات، وإعادة استخدام السلوك عبر المهام، ونشر قوي من المحاكاة إلى الواقع. هذه النتائج توضح أن التصنيف الوظيفي يوفر تحيزًا استنتاجيًا قويًا لتعلم التقليد القابل للتوسع في مجالات المانيبوليشن المعقدة. للمزيد من المعلومات، يمكنكم زيارة موقع المشروع الرسمي.