# أسلوب جديد لجمع البيانات يحسّن تحكّم الروبوتات بالعالم

> يقلّل أسلوب تعظيم تأثير الأفعال (AIM) بيانات التدريب اللازمة لنماذج الفيديو القابلة للتحكّم بمقدار 85 مرة، بحسب الباحثين.

Oossa · 2026-10-21 · https://oossa.com/ar/new-data-collection-method-boosts-robot-world-model-control

قدّم باحثون بقيادة صامويل باتمان خوارزمية «تعظيم تأثير الأفعال» (AIM)، التي تجمع حلقات تدريب بصورة نشطة كي تجعل نماذج العالم المعتمدة على الفيديو تولي اهتمامًا للأفعال المطلوبة منها. وفي اختبارات على التنقّل المحاكى والتعامل مع الأشياء اعتمادًا على البكسلات، أضافت AIM 500 حلقة جديدة فقط إلى مجموعة تضم 3,000 عرض توضيحي من خبراء، وحققت مستوى تحكّم مماثلًا لنموذج دُرّب على 300,000 حلقة من عروض الخبراء. وتفوّقت الطريقة على أساليب الاستكشاف التقليدية والتحفيز الذاتي من حيث كفاءة استخدام البيانات.

## الحقائق

- حققت AIM خفضًا في البيانات بمقدار 85 مرة، إذ احتاجت إلى 500 حلقة بدلًا من 300 ألف عرض توضيحي من خبراء.
- نُشرت الورقة البحثية على arXiv في 2026‑10‑21.

## لماذا يهم

بالنسبة إلى مطوّري الروبوتات، تتيح AIM تدريب نماذج تحكّم أكثر استجابة باستخدام عدد أقل بكثير من تسجيلات العروض التوضيحية المكلفة.

## المصادر والمراجع

1. [Training Controllable World Models via Action Influence Maximization](https://arxiv.org/abs/2610.27387) – arXiv cs.RO, 2026-10-21

آخر تحديث: 2026-10-21