تعد عمليات تخطيط المهام من أكثر التحديات تعقيدًا في عالم الروبوتات، خاصة عندما يتطلب الأمر التفكير في تسلسلات معقدة من الإجراءات عبر فترات زمنية طويلة. تعاني هذه العمليات غالبًا من اختناقات كبيرة في الكفاءة نتيجة للعوامل المعقدة المرتبطة بالعناصر، والعلاقات المكانية، واعتماد الإجراءات المتسلسلة.

مؤخراً، تم تطوير أساليب جديدة تتحدث عن التعلم الرمزي العصبي (Neuro-Symbolic Learning) لتحسين كفاءة تخطيط المهام. تعتمد هذه الأساليب على تعلم درجات أهمية العناصر لتقليص قائمة العناصر غير المتعلقة بالمهام. ومع ذلك، تظل معظم النماذج الحالية تعتمد على إشراف ثابت يتم توليده من مساحات البحث الكاملة، مما يؤدي إلى عدم توافق بين التدريب والاختبار.

تقديم مفهوم جديد، حيث نصيغ تعلم أهمية العناصر لتخطيط المهام كمشكلة تحسين ضمنية قائمة على التعلم، تتضمن مستوى علوي يعمل على تحسين درجة التعلم العصبية، بينما يقوم المستوى السفلي بحل مشكلة التخطيط الرمزي في مساحة بحث خاضعة للدرجات المقطوعة.

لضمان استقرار هذا العملية التعليمية، يتم إدخال استراتيجية جديدة تشمل ثلاث خطوات رئيسية: الإصلاح (Repair)، وإعادة التشغيل (Restart)، والعودة (Rollback)، مما يوفر تعليقات موثوقة ومرنة لتحسين التعلم في المستوى العلوي.

أجريت تجارب على ثلاثة معايير صعبة أظهرت أداء ممتازًا، حيث تم تحقيق تقليل في معدل الفشل بنسبة 80.04% وتقليل زمن التخطيط بنسبة 57.14%. تم التحقق من فعالية هذا الإطار أيضًا باستخدام روبوت يتحرك على أربعة أرجل في محاكاة وفي العالم الحقيقي، مما يظهر إمكانياته لتخطيط المهام بشكل فعال وقابل للتطبيق.

كيف تعتقد أن هذه التكنولوجيا يمكن أن تغير من شكل التطبيقات الروبوتية في المستقبل؟ شاركونا آراءكم!