في عالم الروبوتات، يبقى التعلم المباشر (on-robot learning) من خلال التعزيز العميق (Deep Reinforcement Learning) معضلة تتعلق ببطء وقت التدريب. ولكن مع التقنية الجديدة SymmGrid، يبدو أن الأمور آخذة في التغيير. تعتمد SymmGrid على إطار عمل لتAugmentation المسارات، مستندة إلى التماثلات المتوازية، مما يعزز بشكل كبير تسريع التعلم.

تستند هذه التقنية إلى نموذج عملية اتخاذ القرار (Markov Decision Process) تحت شجرة تماثل، حيث توفر الأزواج بين الحالة والإجراء تحولات متوازية ثابتة تؤدي إلى بنية شبكية هندسية متطورة. يعتمد النموذج على صور من بيئات egocentric وexocentric، بالإضافة إلى معلومات الاستشعار الحركي (Proprioception) التي تحتاج إلى معالجة خاصة لضبط المشاهد البصرية وفقًا للتحولات المكانية المقابلة.

لقد أثبتت SymmGrid فعالية ملحوظة من خلال أنظمة التعليم المستخدمة على الروبوتات الحقيقية خلال عمليات التعامل مع المهام مثل إدخال القضبان، وتوجيه الكابلات، وإعادة توطين الأشياء. مقارنةً بأفضل ما هو متاح (SOTA)، قدمت SymmGrid تسريعات في وقت التدريب بإطارات زمنية تتراوح بين 1.37 إلى 2.17، مع تحسينات في معدلات النجاح تصل إلى 1.09-1.27. كما أظهرت نتائج التدريب الخاصة بها أوقات تقارب تصل إلى 16.6 و10.9 و79.3 دقيقة على التوالي.

تقدم SymmGrid أيضًا تحسينات في تقيمات العرض المعياري (nAUC) تصل إلى 2.59x، مما يجعلها تقنية مفيدة للغاية في الوصول إلى التعلم الفائق للروبوتات خلال أقل من عشر دقائق في مهام التعامُل. إذا كنت ترغب في معرفة المزيد، يمكنك زيارة صفحة المشروع عبر الرابط: symmgrid-robot.github.io.