روبوت بشري يتعلم تسلسلات معقدة دون بيانات تدريب موحدة
مهندسو جامعة سيول الوطنية يقدمون إطار RISE لربط المشي والمناولة في روبوت Unitree G1.
بقلم Giovanni Sapere
القراءة: دقيقتانكُتب بدعم من الذكاء الاصطناعي · المراجعة والاعتماد: Giovanni Sapere

يتطلب تعليم آلة ثنائية القدمين المشي عبر غرفة ومناولة الأشياء عادة تسلسلات عرض متصلة يصعب تسجيلها بموثوقية. وبنى فريق بحثي في جامعة سيول الوطنية (Seoul National University) بنية رؤية ولغة وفعل تسمى RISE، تربط بيانات المشي والمناولة التي جُمعت بصورة مستقلة لأداء مهام متتابعة. ويدفع النظام الروبوتيات العملية قدماً بتخفيف عبء تدريب الآلات المادية.
عنق الزجاجة في تدريب المهارتين معاً
تتيح نماذج الرؤية واللغة والفعل المدفوعة عبر الذكاء الاصطناعي للآلات تفسير الأوامر اللغوية الطبيعية مع المشاهد المرئية لتنفيذ حركات مادية في الروبوتيات المتقدمة. ويطرح تطبيق هذه الأنظمة على روبوت بشري مشكلة ميكانيكية جوهرية، بحسب ما أوردته TechXplore. فالحركة تعتمد على تنسيق الساقين والتوازن، بينما تتطلب المناولة تتبعاً دقيقاً للذراعين واليدين. وعندما يحاول المهندسون جمع عروض كاملة متعددة المراحل تجمع السلوكين، يفسد أي إخفاق صغير أثناء حركة وسيطة مجموعة البيانات بأكملها. أما جمع أمثلة منعزلة للمشي أو الإمساك فأسهل بكثير، لكن مجموعات البيانات المنفصلة تعجز عن تعليم الآلة متى يجب أن يتوقف سلوك ويبدأ الذي يليه.
إسناد المسؤولية إلى خبراء منفردين
ولسد هذه الفجوة دون عروض مهام من البداية إلى النهاية، ابتكر فريق بقيادة الأستاذ Songhwai Oh في كلية الهندسة بجامعة سيول الوطنية إطار RISE، وهو اختصار عبارة Responsibility-Induced Specialized Experts. ويقرن الإطار، الموصوف في بحث مقبول في مؤتمر IROS 2026، نظام إدراك بصرياً لغوياً مشتركاً بمتحكم أعلى وعدة وحدات فرعية للفعل، بحسب TechXplore. وخلال مرحلة التعلم، يقيس المتحكم دقة التنبؤ لكل فعل ويمنحه درجة تشغيلية تعرف بالمسؤولية. وتكتسب الوحدات الفرعية ذات الدرجات الأعلى تأثيراً أكبر في حركات بعينها، فتتوزع الأدوار تلقائياً بين الحركة والمناولة دون أدوار مبرمجة مسبقاً. ثم يراقب النظام التحولات في أوزان هؤلاء الخبراء أثناء التنفيذ، ويستخدم التغيرات محفزات آلية للانتقال بين المراحل.
اختبار التنفيذ متعدد المراحل على عتاد فعلي
قيّم الباحثون البنية في بيئات محاكاة قبل نشرها على عتاد فعلي، باستخدام روبوت Unitree G1 مزود بيدين من طراز Dex3-1. ومنح هذا الإعداد المادي الآلة 43 درجة حرية قابلة للتحكم، كما ورد تفصيلاً في TechXplore. وفي اختبارات رقمية على مهام من مرحلتين إلى أربع شملت زجاجات وأكواباً وفاكهة، حققت الطريقة الجديدة معدل نجاح متوسطاً بلغ 87.3%. وتفوقت على 73.6% سجلها خط أساس مبني على نموذج GR00T الأساسي من NVIDIA. وعلى روبوت Unitree الفعلي، امتدت المهام إلى خمس مراحل، منها التقاط غرض والانتقال والتقاط غرض ثانٍ. وفي الظروف الفعلية، سجل النظام معدل نجاح 50.0%، متفوقاً على خط الأساس بفارق 20 نقطة مئوية مع ازدياد تعقيد المهمة، في ابتكار واعد لمستقبل الأنظمة المستقلة.
اقرأ أيضاً في The Patent: باحثون في بكين يصممون سقالات عظمية في 12 ثانية بالذكاء الاصطناعي
مترجم تلقائيًا من الأصل الإنجليزي. اقرأ النص الأصلي
مقال من غرفة أخبار The Patent ®، كُتب بدعم من الذكاء الاصطناعي اعتمادًا على مصادر اختارتها غرفة الأخبار. المراجعة والتصحيحات والموافقة على النشر: Giovanni Sapere. الناشر المسؤول: WitUp Ltd.



