في عالم تطور الذكاء الاصطناعي، يأتي **GemNav** كخطوة رائدة نحو تحسين نماذج التنقل للروبوتات. يعتمد النظام الجديد على نموذج لغة متعددة الأنماط (Multimodal Large Language Model - MLLM) لتحسين قدرة الروبوتات على التنقل في مسارات مُحددة بفعالية. بدلاً من التقنيات التقليدية التي تعتمد على مكونات بصرية مخصصة، يركز GemNav على تشغيل النموذج بشكل ثابت، مما يفتح المجال أمام إمكانيات جديدة في المجال.

قد تظل تساؤلات حول ضرورة استخدام المكونات البصرية المخصصة، لكن GemNav يثبت أن هذه المكونات ليست ضرورية بالضرورة لتحقيق أداء عالي. باستخدام تقنية *Low-Rank Adaptation (LoRA)*، تمكن الباحثون من معالجة البيانات بشكل أكثر كفاءة، والاعتماد على مفردات توكنات منفصلة تُنتج بواسطة النموذج اللغوي.

تُظهر النتائج الأولية أن نظام GemNav يمكنه العمل بشكل فعال في بيئات خارجية متنوعة، حيث أظهر عمليات تنقل دقيقة تصل إلى 0.42 متر من الهدف المحدد خلال 20 تجربة في مواقع مختلفة مثل ساحات انتظار السيارات والمخازن.

بفضل التكيف على قاعدة من النماذج اللغوية متعددة الأنماط، يُعتبر GemNav بديلاً واعدًا وفعالًا من حيث البيانات، مما يجعل التنقل الروبوتي أكثر سهولة وفاعلية. تسلط هذه الدراسة الضوء على كيفية تمكن الروبوتات من استغلال بيانات أقل مع الحفاظ على أداء متميز، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في العالم الحقيقي.