في عالم الذكاء الاصطناعي (AI)، تعتبر المحاكاة أداة أساسية لتدريب وتقييم الروبوتات المنزلية. ومع ذلك، تواجه النماذج الحالية تحديات كبيرة في تمثيل تعقيدات البيئات الداخلية الحقيقة. غالباً ما تنشأ هذه الأنظمة بيئات محدودة الأثاث، خالية من الفوضى الكثيفة والأثاث المتنوع، وهو ما يعد ضرورياً لضمان فعالية الروبوتات.

للسنوات، كانت المحاولات السابقة لجعل البيئات أكثر شمولًا قاصرة، لكن الآن جاء الحل مع SceneSmith، وهو إطار عمل مبتكر يستوعب مشكلات هذه النماذج. يعمل SceneSmith على إنشاء بيئات داخلية جاهزة للمحاكاة باستخدام تفاعلات ذكية بين وكالات نماذج لغوية ضخمة (Large Language Models).

يتم بناء المشاهد في مراحل متتالية تبدأ من تصميم الهيكل المعماري إلى ترتيب الأثاث وحتى توزيع الكائنات الصغيرة. كل مرحلة تعتمد على تفاعل بين ثلاثة وكلاء: المصمم، الناقد، والمنسق، مما يضمن إضافة تفاصيل دقيقة تعكس البيئة الحقيقية.

وعند مقارنة الأداء، يمكن لSceneSmith إنتاج 3 إلى 6 أضعاف عدد الكائنات مقارنة بالأساليب السابقة، مع نسبة ضئيلة تحت 2% من تصادم الكائنات و96% من الكائنات تظل مستقرة تحت المحاكاة الفيزيائية. في دراسة مستخدم شملت 205 مشارك، حقق النظام معدل واقعية بلغ 92% و91% من الثقة بالاستجابة لطلبات النص.

يمكن استخدام هذه البيئات في سلسلة متكاملة لتقييم سياسات الروبوتات بشكل آلي، مما يزيد من فاعلية التدريب ويقلل من الموارد المطلوبة. يعد هذا التطور خطوة هائلة نحو تحسين تجربة الروبوتات في البيئات المنزلية وجعلها أكثر تفاعلاً وقدرة على التكيف. هل أنتم مستعدون لتجربة SceneSmith؟ شاركونا آراءكم في التعليقات!