بفضل التطورات الأخيرة في مجال الذكاء الاصطناعي، وفي إطار سعي الروبوتات لتحقيق أداء متفوق في المهام المعقدة، تم تقديم نهج هرمى جديد يُعتبر طفرة في التعلم الآلي للتعامل مع قوى تغير قوتها في المهام المعقدة. يُعرف هذا النهج بنموذج السياسة المتفرعة المعزز بتوليد المسار السريع (DPA-FTG).

تُظهر الأبحاث أن نماذج السياسات الانتشارية (Diffusion Policies) قد حققت نتائج مشجعة في تعلم سلوكيات متعددة الأبعاد في المجال الروبوتي، لكن استخدامها في المهام التي تتطلب تفاعلات دقيقة بين القوى كان محدودًا. المشكلة الرئيسية تكمن في أن عملية إزالة الضوضاء التكرارية تستغرق وقتاً، مما يجعل التحكم بترددات عالية أمرًا صعبًا.

يقدم نظام DPA-FTG حلاً مبتكرًا من خلال دمج التخطيط منخفض التردد مع تنظيم القوة عالي التردد، حيث يعتمد النظام على نموذج انتشار مشروط يتنبأ بمجموعة من المعلمات الخفية لاختيار الاستراتيجية المناسبة من مفردات المهام المعروفة.

وعند التنفيذ، يستخدم النظام سياسة خفيفة الوزن تعمل كمتحكم مقاوم عصبي، مما يسمح بإدارة ديناميكيات التنفيذ في الوقت الحقيقي لضمان استقرار التلامس. نتائج التجارب التي أُجريت على مهام تفكيك البطاريات ثنائية اليد أظهرت تفوق DPA-FTG بشكل واضح مقارنة بالنماذج الحالية المنشورة، بما في ذلك سياسة الانتشار التفاعلية (RDP).

إن هذا النهج لا يُعتبر فقط تقدمًا تقنيًا، بل يعيد تعريف التفاعل بين الإنسان والآلة، مما يمكننا من استكشاف آفاق جديدة في عالم الروبوتات.