في عالم الروبوتات، يعتبر التعلم المستمر (Continual Learning) من التحديات الرئيسية التي تواجه تطوير الأجسام الروبوتية القادرة على التكيف مع البيئات المتغيرة. لذا، تم تقديم تقنية جديدة تدعى RIFAR، والتي تركز على تحسين قدرة الروبوتات في تحويل التجارب الواقعية المستمرة إلى مهارات دائمة ومتعددة الاستخدامات.

تتطلب هذه العملية دمج القدرات الجديدة دون التأثير على المعرفة السابقة، وهو ما يحققه نظام RIFAR من خلال استخدام تقنيات إعادة التشغيل الواعي (Reliability and Forgetting-Aware Replay). يعالج RIFAR مشكلة النسيان عن طريق تعزيز التجارب القابلة للتذكر، لكنه يواجه أيضًا تحدي زيادة حجم التخزين اللازم مع تزايد المهام.

من خلال اعتماد نماذج العمل المعتمدة على العالم (World-Action Models)، يتمكن RIFAR من إعادة بناء التجارب السابقة من خلال توقعات مشتركة للأفعال والملاحظات المستقبلية. لكن هذه النماذج قد تحتوي على إجراءات لا يمكنها تحقيق الانتقالات المتوقعة، مما يستدعي تطوير نموذج مستدام له.

تمثل الابتكارات في RIFAR تكاملًا بين فحص الموثوقية (Reliability Screening) واختيار إعادة التشغيل الواعي (Drift-Aware Replay Selection). يقوم النموذج بإعادة بناء المسارات من التجارب السابقة، مما يعزز من قدرة الروبوت في تأدية المهام الجديدة دون إرباك السلوك الذي تعلمه مسبقًا.

بعد التجارب العملية والتقييمات من ثلاث مجموعات LIBERO، أثبتت نتائج RIFAR تفوقها على تقنيات التعلم السابقة، حيث حصلت على دقة تصل إلى 90.97 في المائة مع الحفاظ على 320 خطوة زمنية تاريخية فقط لكل مهمة. يُعتبر طموح RIFAR خطوة كبيرة نحو تحقيق وكالات هرمونية حقيقية من خلال التعلم المستمر، مما يفتح آفاقًا جديدة في عالم الذكاء الاصطناعي للروبوتات.