في عالم الروبوتات المتقدم، تعتبر القدرة على التعامل مع الأجسام وفهم خصائصها الفيزيائية أمرًا حاسمًا لتحقيق المناولة الموثوقة للأشياء. لذا، يقدم فريق البحث أحدث ابتكاراتهم من خلال تقديم فريمورك PhysMem، الذي يعد بمثابة نقطة تحول في قدرة الروبوتات على التفاعل مع محيطها بفاعلية أكبر.

تعتمد نماذج التخطيط المستندة إلى رؤية ولغة (Vision-Language Models) عمومًا على reasoning حول خواص مثل الاحتكاك والثبات بطرق عامة، لكنها تفتقر في كثير من الأحيان إلى القدرة على التنبؤ بكيفية تحرك كرة معينة على سطح معين، أو تحديد الحجر الذي سيوفر قاعدة ثابتة، خاصة بدون الخبرة المباشرة.

تعمل PhysMem على تغيير هذا السيناريو من خلال تقديم إطار عمل يتيح للروبوتات أن تتعلم المبادئ الفيزيائية أثناء تنفيذ المهام، دون الحاجة إلى تحديث معلمات النموذج. يقوم النظام بتسجيل التجارب، وتوليد فرضيات محتملة، والتحقق منها من خلال تفاعلات مستهدفة قبل أن يتم ترقية المعرفة المؤكدة لتوجيه القرارات المستقبلية.

ما يميز PhysMem هو خيار التصميم المركزي المتمثل في التحقق قبل التطبيق، حيث يختبر النظام الفرضيات الجديدة ضد ملاحظات جديدة بدلاً من الاعتماد بشكل مباشر على تجارب سابقة، مما يقلل من الاعتماد الصارم على الخبرات القديمة عندما تتغير الظروف الفيزيائية.

تم تقييم PhysMem عبر ثلاثة مهام حقيقية ومعايير محاكاة باستخدام أربعة نماذج مختلفة. وفي مهمة إدخال الطوب، أظهر الأداء المستند إلى المعايير نسبة 76% من النجاح مقارنة بـ 23% للاعتماد على الاسترجاع المباشر للتجارب. تجارب العالم الحقيقي أظهرت تحسينات متسقة في الأداء خلال جلسات نشر تمتد لـ30 دقيقة.

بإيجاز، يمثل PhysMem خطوة نحو تمكين الروبوتات من التعلم الذاتي وتحسين عقولها الكهربائية، مما يمهد الطريق لتحقيق إنجازات جديدة في عالم التكنولوجيا المستقبلية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!