# MIT Han Lab يدرّب نموذجاً للتحكم بالروبوتات في المحاكاة

> يقول الباحثون إن نموذجهم الاستدلالي المفتوح، الذي يضم 27B من المعلمات، حقق نجاحاً بنسبة 60% مع روبوت حقيقي بذراعين بعد تدريبه في المحاكاة فقط.

Oossa · 2026-11-16 · https://oossa.com/ar/mit-han-lab-trains-a-robot-using-model-entirely-in-simulation

يقول باحثون في MIT Han Lab إنهم درّبوا نموذجاً استدلالياً مفتوحاً يضم 27 مليار معلمة على تشغيل روبوتات حقيقية باستخدام التعلم المعزز في المحاكاة، من دون تزويده بأمثلة توضح كيفية تنفيذ المهام. نجح النموذج المدرّب في 60% من التجارب على روبوت حقيقي بذراعين، بينما لم ينجح النموذج غير المدرّب في أي منها.

كذلك تحسّن أداء النموذج، المستند إلى Qwen3.8-27B، من 1.6% إلى 74.4% في معيار LIBERO لمهام الروبوتات. ويقول الباحثون إن هذه النتيجة قاربت أداء GPT-6 Astra وGPT-6.1 Sol عند تشغيلهما بأعلى إعدادات الاستدلال. وهذه نتائج تقييمات أجراها الباحثون، وليست تقييماً مستقلاً.

## كيف يتحكم النموذج بالروبوت؟

يتلقى النموذج صوراً من الكاميرا ومعلومات عن ذراع الروبوت، ثم يستدل على ما ينبغي فعله ويصدر أمراً بموقع الذراع التالي. ويحوّل متحكّم الروبوت ذلك الموقع إلى حركة. ويصف الباحثون هذا بأنه يشبه وكيلاً يتفاعل مع الحاسوب، إذ ينظر إلى الشاشة وينفذ نقرة، لكنهم يقولون إن نظامهم لا يستخدم طبقة إضافية من أدوات الإدراك أو مخططات الحركة أو المهارات المعدّة مسبقاً.

استخدم التدريب التعلم المعزز لتشغيل الروبوتات: جرّب النموذج تنفيذ المهام في بيئات محاكاة وتعلّم من نجاحه أو إخفاقه. ويوفر برنامج PEAR الذي طوره الفريق بنية التدريب التحتية، بما في ذلك عمليات المحاكاة وأدوات التقييم. ويقول MIT Han Lab إنه أتاح النموذج والرمز البرمجي وبنية التدريب التحتية للجمهور.

## هل ينتقل التدريب بالمحاكاة إلى الواقع؟

يفيد الباحثون بأن النموذج نقل مهاراته إلى روبوت حقيقي، وإلى روبوت مختلف، وإلى تعليمات لم يسبق له مواجهتها أثناء التدريب. وفي LIBERO-Pro، الذي يختبر تغيير الأهداف وترتيب الأشياء، نجح نموذجهم في 57.4% من الحلقات التي تضمنت مهمة جديدة في مشهد مألوف. أما النموذج المدرّب على العروض التوضيحية π0.5 فنجح في 0.75% من الحالات في هذا الاختبار.

ويختلف ذلك عن مجرد تكرار مهام مألوفة. ففي LIBERO، قيّم الباحثون النماذج عبر 2,000 حلقة. كما أفادوا بعدم رصد أي تراجع قابل للقياس في تسعة معايير للاستدلال والبرمجة والرؤية بعد تدريب الروبوت. والورقة البحثية منشورة كنسخة أولية على arXiv، ولا تثبت النتائج كيف سيؤدي النظام في الاستخدام اليومي أو مع روبوتات وبيئات أخرى.

## الحقائق

- كان النموذج الأساسي Qwen3.8-27B، وهو نموذج استدلالي مفتوح يضم 27 مليار معلمة.
- ارتفعت نسبة النجاح في LIBERO من 1.6% قبل التدريب إلى 74.4% بعده.
- نجح النموذج المدرّب في 60% من التجارب على روبوت حقيقي بذراعين؛ بينما لم ينجح النموذج الأساسي في أي تجربة.
- في اختبار LIBERO-Pro لمهمة جديدة ضمن مشهد مألوف، أفاد الباحثون بأن نسبة نجاح نموذجهم بلغت 57.4%، مقابل 0.75% لـ π0.5.

## لماذا يهم

يمكن لباحثي الروبوتات الاستفادة من النموذج والرمز البرمجي وبنية التدريب PEAR التي أُتيحت للجمهور، لدراسة ما إذا كان التدريب بالمحاكاة يقلل الحاجة إلى عروض توضيحية للمهام. والنتيجة المعلنة على روبوت حقيقي واعدة، لكنها لا توضح مدى موثوقية النظام خارج نطاق الروبوت والمهام التي اختُبرت.

## المصادر والمراجع

1. [Training Reasoning Models in Simulation to Natively Use Real Robots](https://arxiv.org/abs/2611.18562) – arXiv cs.RO, 2026-11-16
2. [MIT HAN Lab](https://github.com/mit-han-lab/pear) – MIT HAN Lab
3. [MIT Han Lab](https://mit-han-lab.github.io/pear-blog/) – MIT Han Lab

آخر تحديث: 2026-11-16
