في عالم الذكاء الاصطناعي وروبوتات المستقبل، تتصدر مسألة تحسين مهارات التحكم في الروبوتات من خلال التعلم المعزز (Reinforcement Learning) جدول الأعمال. ومع ذلك، كانت المشكلة تكمن في نقص الكفاءة عند استخدام هذه التقنيات، حيث تعتمد معظم خوارزميات التعلم على عينة عشوائية من الحركات لاكتشاف استراتيجيات جديدة.

تمثل خوارزميات التعلم المعزز تقنيات شائعة، لكنها تستهلك معظم ميزانية التدريب في حركات تتجه نحو الفضاء الخالي، بعيدًا عن التفاعلات اللمسية الأساسية التي تنشأ منها مهارات المعالجة. وقد تم اقتراح طرق جديدة لتحفيز الفضول بناءً على عدم اليقين المعرفي، ومع ذلك، فإنها تعطي مكافآت للحركات العشوائية التي قد لا تكون ذات أهمية.

تقدم هذه الدراسة الجديدة بإطار TacEx، الذي يعتمد على التغذية الراجعة اللمسية كمؤشر طبيعي لاستكشاف البيئة. حيث يقوم بتفكيك عدم اليقين النمذجي عبر الحواس المتعددة، موجهًا الفضول نحو القناة اللمسية. من خلال ربط الفضول بإحساس اللمس، ينجح TacEx في دفع الروبوتات لاكتشاف ديناميات التلامس المعقدة، مما يمكنها من تعلم كيفية الإمساك بالأشياء دون حاجة إلى مكافآت أو توجيهات من خبراء أثناء مرحلة الاستكشاف.

الدataset المكتسب عبر هذه الطريقة يوفر إمكانية التعلم أوفلاين لسياسات الالتقاط والترتيب، مما يحقق كفاءة تدريبية ملحوظة. كما تم استخدام استكشاف اللمس لتعزيز نماذج العمل التي تربط الرؤية باللغات (VLA)، ورغم أن هذه النماذج تم تدريبها مبدئيًا بدون تغذية راجعة لمسية، فإن تحسين الأداء فيما بعد باستخدام TacEx كان ملحوظًا وفعالًا من حيث العينة.

باستخدام هذا الإطار الجديد، لا تزال لدينا فرصة لرؤية كيف ستتطور الروبوتات في المستقبل وكيف ستتمكن من التفاعل بشكل أفضل مع العالم المحيط بها.