💻 computer science

GPA-RAM: Grasp-Pretraining Augmented Robotic Attention Mamba for Spatial Task Learning

تقترح الورقة البحثية GPA-RAM، وهو إطار عمل مبتكر يدمج تعزيز ما قبل التدريب على الإمساك (Grasp-Pretraining Augmentation) لتعزيز معدلات نجاح المناولة، ويستخدم بنية Robotic Attention Mamba لتوليد إجراءات فعالة وفي الوقت الفعلي، محققاً أداءً هو الأفضل في فئته عبر منصات روبوتية متعددة.

المؤلفون الأصليون: Juyi Sheng, Yangjun Liu, Sheng Xu, Zhixin Yang, Tiantian Xu, Mengyuan Liu

نُشر 2026-08-03

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Juyi Sheng, Yangjun Liu, Sheng Xu, Zhixin Yang, Tiantian Xu, Mengyuan Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت القيام بأعمالك المنزلية. أنت لا تريد كتابة مليون سطر من البرمجيات لتخبره بالضبط كيف يحرك أصابعه لكل جسم في منزلك. بدلاً من ذلك، تريد أن تريه ما يجب فعله، تماماً كما يعلم الوالد طفله كيفية تكديم المكعبات أو وضع ملعقة في كوب. هذا هو عالم تعلم التقليد الروبوتي (robot imitation learning). إنه فرع من العلوم حيث تتعلم الروبوتات من خلال المشاهدة وتقليد العروض البشرية. التحدي الكبير؟ الروبوتات بارعة في تحريك أذرعها، لكنها غالباً ما تكون سيئة للغاية في الخطوة الأولى: الإمساك بالشيء الصحيح بالطريقة الصحيحة. إذا أمسك الروبوت بكوب من حافته بدلاً من مقبضه، أو أخطأ في إصابة وتد بمليمتر واحد، فقد تفشل المهمة بأكملها، وقد لا يعرف الروبوت كيفية إصلاح ذلك. يحاول العلماء باستمرار بناء "أدمغة" للروبوتات يمكنها رؤية غرفة فوضوية، وتحديد أفضل طريقة للإمساك بجسم ما، ثم تحريكه بدقة دون الاصطدام بكل شيء.

الآن، تعرف على GPA-RAM، وهو دماغ روبوتي جديد صُمم لحل مشكلة "الإمساك والانطلاق" تلك تحديداً. أدرك الباحثون وراء هذا المشروع أن العديد من الروبوتات تفشل لأنها لا تولي اهتماماً كافياً لـ كيفية إمساكها بالجسم قبل أن تبدأ في التحرك. لقد بنوا نظاماً يجمع بين حيلتين ذكيتين. أولاً، منحوا الروبوت "تدريباً مسبقاً" على كيفية الإمساك بالأشياء، باستخدام نفس الفيديوهات التي يستخدمها لتعلم بقية المهمة. الأمر يشبه إعطاء طالب اختباراً قصيراً حول كيفية إمساك القلم قبل أن تطلب منه كتابة مقال؛ يتعلم الروبوت طريقة القبضة قبل أن يحاول حل اللغز. ثانياً، استبدلوا محرك التفكير البطيء والثقيل الخاص بالروبوت بمحرك جديد سريع كالبرق يسمى RAM (Robotic Attention Mamba). فكر في RAM كأمين مكتبة فائق الكفاءة يمكنه مسح مكتبة ضخمة من المعلومات المرئية والعثور على الكتاب المناسب في جزء من الثانية، بينما كانت الأنظمة القديمة ستصاب بالارتباك والبطء.

اختبر الفريق هذا الدماغ الجديد على أربعة إعدادات روبوتية مختلفة، بما في ذلك روبوتات فيزيائية حقيقية وروبوتات محاكية. وجدوا أنه من خلال إضافة "التدريب المسبق على الإمساك"، أصبح الروبوت أفضل بكثير في المهام الصعبة مثل تكديم الأكواب، وإدخال الأوتاد في الثقوب، ونقل الأشياء بين ذراعين. وفي اختبار قياسي يسمى RLBench، نجح النظام الجديد بنسبة 87.5% من الوقت، متفوقاً على أفضل الطرق السابقة. والأكثر إثارة للإعجاب، أنه في مهمة روبوت ثنائي الأذرع تتضمن نقل مكعب، نجح بنسبة 98%، وفي مهمة إدخال صعبة تتطلب استخدام كلتا اليدين، قفز من نسبة نجاح 16% إلى 56%. والجزء الأفضل؟ لقد فعل كل هذا بينما يعمل بسرعة تقارب 71 إطاراً في الثانية، مما يعني أنه يفكر بسرعة كافية للاستجابة في الوقت الفعلي دون أن يتوقف. ويشير الباحثون إلى أن نهج تعليم الروبوتات "الإمساك أولاً، ثم التنفيذ" يمكن أن يجعلها مساعدين أكثر موثوقية في العالم الحقيقي، حيث تتعامل مع المهام الدقيقة التي كانت تتسبب في فشلها سابقاً.

أبحاث مشابهة