في عالم يتطور بسرعة حيث تلعب الروبوتات دورًا متزايد الأهمية، أصبح عنصر التكيّف مع كائنات جديدة ضرورة ملحة. قدم الباحثون مؤخرًا نظامًا مبتكرًا يدعى KeyGen، وهو إطار عمل يهدف إلى تعزيز قدرة الروبوتات على تنفيذ المهام عبر مجموعة متنوعة من الكائنات غير المرئية، التي تختلف في الشكل والحجم والوضعية.

تسعى طرق التعلم التقليدية، مثل تقنيات "استنساخ السلوك" (Behavior Cloning)، إلى تحسين الأداء لكن غالبًا ما تكون مقتصرة على الهندسة والمظهر الخاص بكائن معين، مما يقلل من إمكانية نقل التعلم إلى الكائنات الجديدة. هنا يأتي دور KeyGen الذي يتعلم نقاط رئيسية ثلاثية الأبعاد متسقة من السحب النقطية (Point Clouds) ويستخدمها كأسس تمثيلية موجهة بالأغراض لتعلم السياسات.

يعتمد نظام KeyGen على سياسة "انتشار بصري حركي" (Visuomotor Diffusion Policy) التي تستفيد من هذه النقاط الرئيسية لتوقع مسارات التلاعب الكاملة، مما يضمن اتساق العلاقة الهندسية بين الكائنات المختلفة.

لتقييم مستوى التعميم على الفئات، تم تطوير معيار محاكاة فوتوغرافي واقعي يشمل ثلاث مهام تلاعب، بالإضافة إلى عملية توليد بيانات مدفوعة بالتخطيط تنتج مسارات خبراء عبر كائنات متنوعة. أظهرت التجارب أن KeyGen يتفوق بشكل ملحوظ على الأساليب السابقة في التعامل مع كائنات جديدة ورؤية اختلافات الوضعية، ويتجاوب بشكل فعّال مع المزيد من العروض لكل كائن.

نجح KeyGen أيضًا في الحفاظ على متانته في مواجهة إعادة تسهيل الكائنات، محققًا أداءً قويًا سواء في محاكاة الكومبيوتر أو في التلاعب في العالم الحقيقي، مما يفتح آفاق جديدة في إمكانية استخدام الروبوتات. هل أنتم مستعدون لاستقبال جيل جديد من الروبوتات القادرة على التكيف مع كل أنواع التحديات؟