في السنوات الأخيرة، تمثل سياسات الانتشار (Diffusion Policies) حلاً مبتكرًا للتحكم الحركي في الروبوتات، حيث تمتاز بقدرتها على نمذجة توزيع تسلسلات الأفعال والتقاط تعددية الأنماط. ولكن، تواجه هذه السياسات تحديًا كبيرًا يتمثل في تأخر الاستدلال (Inference Latency) الناتج عن العمليات التكرارية للتخلص من الضوضاء، مما يعيق القدرة على التحكم بطريقة سريعة في الأنظمة ذات الحلقة المغلقة.

في سعيهم للتغلب على هذه التحديات، اقترح الباحثون آلية جديدة تُعرف بـ STEP، وهي آلية خفيفة تهدف إلى تحقيق تنبؤ بالتناسق المكاني الزمني (Spatiotemporal Consistency Prediction). وتقوم هذه الآلية بتوليد إجراءات بدء دافئة عالية الجودة، بحيث تكون قريبة من الأفعال المستهدفة وزمنيًا متناسقة دون التأثير على القدرة التوليدية لنموذج الانتشار الأصلي.

علاوة على ذلك، قدم الباحثون آلية حقن اضطراب مدرك للسرعة، تتمكن من تعديل إثارة التشغيل استنادًا إلى تباين الأفعال الزمنية. هذا يُساعد بشكل خاص في المهام الحقيقية، مانعًا التوقف عن التنفيذ.

من خلال تحليل نظري، أثبت الباحثون أن هذا التنبؤ يُنتج خريطة محلية انقباضية، مما يضمن تقارب أخطاء الأفعال خلال تنقيح الانتشار. تمت الاختبارات على تسعة معايير محاكاة ومهمتين حقيقيتين، وحققت تقنية STEP مع خطوتين متوسطي نجاح أعلى بنسبة 21.6% و27.5% مقارنة بأساليب BRIDGER وDDIM في المهمات الحركية.

تظهر هذه النتائج أن STEP تدفع بشكل متواصل حدود العلاقة بين زمن الاستدلال ومعدل النجاح مقارنة بالأساليب الحالية. للمزيد من التفاصيل، يمكنك زيارة كود المشروع المتاح للجميع على GitHub.