في عالم يتطور فيه الذكاء الاصطناعي بوتيرة متسارعة، برزت الحاجة إلى بيئات محاكاة فعالة تدعم تعلم سياسات الروبوتات والتحقق من صحة التخطيط. لكن، غالبًا ما كانت عملية إنشاء تلك المحاكيات تستنزف الوقت والموارد. هنا يأتي دور "PerceptTwin"، النظام الثوري الذي يقدم نهجًا كامل الأتمتة لإنشاء محاكيات تفاعلية من خلال تمثيلات المشاهد الدلالية التي تنتجها أنظمة الإدراك لدى الروبوتات.

يجمع PerceptTwin بين خرائط الكائنات ذات المفردات المفتوحة (open-vocabulary object maps) وإنتاج الأصول ثلاثية الأبعاد (3D asset generation) وتوقع الأفورانس (affordance prediction) والتحقق من الشروط المنطقية العامة (commonsense condition checking). هذه المحاكيات التفاعلية تُستخدم بشكل استباقي للتحقق من صحة وتعديل الخطط قبل تنفيذها على الروبوت.

ولتعزيز هذا الابتكار، تم إدخال "حكم نموذج لغة كبير" (LLM judge) الذي يقوم بالتحقق من صحة الخطط وتوافقها مع تفضيلات البشر. أظهرت التجارب أن التغذية الراجعة من PerceptTwin تمكن المخططين (planners) من تحسين خططهم وزيادة الأمان ومقاومة الهجمات الخبيثة.

وفقًا للنتائج، حقق PerceptTwin تحسينًا متوسطًا بنسبة 39% في نجاح الخطط لمخططي GPT5 وGPT5Mini وGPT5Nano، بالإضافة إلى تحسين يصل إلى 18% في التحقق البشري من الخطط الفاشلة بسبب عدم توافق الشروط المسبقة.

بناءً على هذه الإنجازات، يظهر PerceptTwin كخطوة رائدة نحو مستقبل دقيق وآمن في التخطيط الروبوتي.