في عالم تكنولوجيا الروبوتات، تُعتبر **الشخصنة** (Personalization) أحد العوامل الأساسية التي يجب أن تُؤخذ بعين الاعتبار لضمان انتقال الروبوتات العامة إلى البيئات المنزلية. بينما تم دراسات الروبوتات بشكل عام بشكل مستفيض، فإن التعامل الشخصي مع الروبوتات (Personalized Robotic Manipulation - PeRM) يفتقر حتى الآن إلى معيار تحكم يمكن من خلاله فصل إنجاز المهام عن تلبية التفضيلات.

**LIBERO-PeRM** هو المعيار الحديث الذي تم تطويره لتعلم التفضيلات في الأدوات الجسدية. يتناول هذا المعيار خمس تساؤلات مهمة تتعلق بكيفية اتباع السياسات للتفضيلات في إعدادات بدون تدريب، وكيفية تعلم هذه السياسات لتفضيلات فردية من خلال العروض التوضيحية، وكفاءة اكتساب التفضيلات مع زيادة العروض، وقدرة التفضيلات المكتسبة على التعميم عبر التصميمات والمهام المختلفة.

كما يغطي المعيار صياغة متحكم بها وتصنيفًا للتفضيلات القابلة للرؤية ضمن محاكاة، والتي تشمل خيارات الحركة والمهارات والملفات الشخصية للمستخدمين. هذه الصياغة مقيدة بالتفضيلات القابلة للتعبير باللغة والتي يمكن تجسيدها في LIBERO دون تغيير هدف المهمة.

علاوة على ذلك، يتيح LIBERO لعملية معينة إنتاج عروض زوجية مع وبدون تفضيلات، وقد تم إنشاء خمسة مجموعات مهام تضم 312 مهمة مع عروض توضيحية عالية الجودة وبيانات غنية وقياسات لرضا التفضيلات.

تظهر التجارب أن السياسات الحالية التي تعتمد على نماذج اللغات الضخمة (VLA) تواجه صعوبة في التخصيص دون تدريب، بينما يجعل **التدريب الموجه بالتحفيز** (SFT) التفضيلات قابلة للتعلم. بينما يحقق التدريب المختلط احتفاظاً أفضل بالتفضيلات مقارنة بالتكيف التسلسلي، إلا أن المزيد من البحث مطلوب في مجالات التعميم وفك التفضيلات ومعالجة الصراعات.

للمزيد من المعلومات، يمكنك زيارة الموقع الرسمي للمشروع رابط.