في عالم تكنولوجيا الروبوتات، يمثل التنقل والتوجيه إحدى التحديات الأساسية. تواجه الروبوتات المتعددة في الأنظمة اللامركزية صعوبة في التعاون بكفاءة، خاصة عندما يتم تحديث سياسات التعلم المحلي على مستويات مختلفة.

تسلط دراسة جديدة الضوء على كيفية استخدام نموذج لغوي مححد (Schema Bounded Language Model) لتحسين سياسات هذه الروبوتات، مما يسهم في الوصول إلى الأهداف بكفاءة أعلى، دون التأثير السلبي على عمليات التعلم المحلي.

استُخدمت محاكاة NetLogo مع Python لتطوير ثلاثة روبوتات تتشارك في الحركة، بينما تعتمد كل منها على نماذج لغوية ضخمة (LLMs) مختلفة لتحقيق السيطرة. لكل روبوت خوارزميات مخصصة تتضمن وكيل سياسة يعتمد على LLM، وآلية للمعدل المتجه العلوي (Upper Confidence Bound - UCB)، ونموذج تحكم يعتمد على الشبكة العصبية العميقة (Double Deep Q-Network - Double DQN).

بدلاً من التحكم المركزي لتوليد القرارات، يتم قياس القرارات والتعليقات من خلال ملخصات دورية مشتركة، تتيح للروبوتات التواصل والتفاعل بفعالية.

أنظمة الروبوتات هذه تحقق تقدماً ملحوظاً، حيث نجح النموذج الكامل في تحقيق الأهداف بنجاح في كل سجلات الجولات المرتبطة، مسجلاً أقل زمن إتمام ميداني._results تشير الأدلة إلى تحسينات كبيرة في الكفاءة تتجاوز تلك المقدمة من قبل الأنماط الأخرى.

هذا البحث يفتح آفاقاً جديدة في كيفية تصميم أنظمة روبوتات متعددة تعمل معاً بكفاءة. ما هي توقعاتكم بشأن مستقبل الروبوتات وتطور تكنولوجيا الذكاء الاصطناعي؟ شاركونا في التعليقات.