في عالم الذكاء الاصطناعي، تظهر نماذج الحركة العالمية (World Action Models - WAMs) كأدوات محتملة لتحسين قدرة الروبوتات على التعامل مع المهام المعقدة، من خلال الجمع بين نمذجة ديناميات المستقبل المرئي وتسلسلات الأفعال القابلة للتنفيذ. ولكن، كانت طرق التعاون التعليمي بين الفيديو والإجراءات الحالية تركز بشكل كبير على تحسين الخصائص المرئية، مما جعلها غير كافية لتسجيل الهندسة المتغيرة عبر الزمن المطلوبة لأداء دقيق.

لقد قدم الباحثون نموذج MECo-WAM، المتخصص في تدريب متعدد الخبراء، حيث يقوم بإدخال معلومات هندسية رباعية الأبعاد (4D geometric priors) ذات الصلة بالإجراءات في تمثيلات الفيديو والإجراء، مع الحفاظ على هيكل الاستدلال الخفيف الأصلي.

أثناء التدريب، يتم دمج خبراء الفيديو والإجراءات مع خبير رباعي الأبعاد خفيف الوزن، يتم توجيهه بواسطة أهداف علاقات محددة من مشفر VGGT المجمد. توفر الرؤية غير المتماثلة للخبراء حماية ضد الاختصارات غير السببية من الهندسة المساعدة إلى جيل الإجراءات.

لإدخال المعرفة الهندسية في المسار الحالي للفيديو والإجراء، فقد تم تطوير تقنية جديدة تُعرف باسم تقنيات الانتباه بتقنية القراءة المتدهورة (decayed 4D read-mask attention)، والتي توفر إرشادات هندسية للطور الحالي من الإطار في بداية التدريب، وتقوم تدريجياً بإزالة هذا الاعتماد.

علاوةً على ذلك، تم اقتراح طريقة جديدة لتقطير الهندسة الزمنية الواعية بالأفعال (action-aware temporal geometric distillation)، حيث يركز النموذج على علاقات الهندسة داخل الإطار وتطورها الزمني، مع التأكيد على المناطق المر visual الأكثر صلة بأفعال الروبوتات.

عند نشر النموذج، تتم إزالة كافة المكونات الخارج مجال هنظام 4D. أثبتت التجارب على مجموعات البيانات LIBERO (98.2%) وRoboTwin 2.0 (92.6%)، بالإضافة إلى تحديات العالم الحقيقي المعقد، أن نموذج MECo-WAM يعزز أداء المناورة دون زيادة تكاليف الاستدلال.

ستدخل هذه الابتكارات الجديدة معايير جديدة في كيفية تطوير الروبوتات، مما قد يؤدي إلى استخدامات أكثر تنوعاً في المستقبل القريب.