في عالم الذكاء الاصطناعي، يواجه الباحثون تحديات عديدة في تطوير نظم التنقل الجسدي (Embodied Navigation). يبرز من بين هذه الأنظمة نوعان رئيسيان: تنقل اللغة البصرية (Vision-Language Navigation - VLN) حيث تقوم الوكالات بالتنقل بناءً على تعليمات اللغة الطبيعية، وتيار الهدف المادي (Object-Goal Navigation - OGN) الذي يوجه الوكالات للانتقال نحو كائن محدد.

رغم وجود الكثير من الأبحاث حول أداء هذه النماذج، إلا أن معظمها يركز فقط على الظروف المثالية، متجاهلاً الفوضى التي قد تنجم عن البيئات الواقعية. هنا يأتي دور مشروع NavTrust، المعيار الجديد الذي يهدف إلى تقييم تلك الأنظمة من خلال التعرض لمدخلات متغيرة تشمل الصور الملونة (RGB)، والعمق (Depth)، والتعليمات.

ما يجعل NavTrust فريداً هو أنه يمكنه اختبار انحدار الأداء في مواجهة تحديات حقيقية. تم تقييم أداء سبعة من أساليب الذكاء الاصطناعي الرائدة تحت هذه الظروف، وكانت النتائج مقلقة، حيث أظهرت دراسة الأداء تدهوراً ملحوظاً، مما يكشف عن فجوات حرجة في موثوقية الأنظمة.

علاوة على ذلك، قام الباحثون باختبار أربع استراتيجيات مختلفة للتخفيف من تأثير الفوضى، مما يوضح أهمية تعزيز متانة الأنظمة في بيئات معقدة. النماذج الأساسية التي تم استخدامها تشمل Uni-NaVid و ETPNav، وتم نشرها على روبوت متنقل حقيقي حيث أظهرت تحسنًا كبيرًا في مواجهة الفوضى.

إذا كنت مهتمًا بمستقبل نظم التنقل الجسدي وكيفية جعلها أكثر موثوقية، يمكنك زيارة الموقع الرسمي للمشروع على الرابط: NavTrust Project. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.