قدّم باحثون PhysEvo، وهو نظام يضع نموذجًا واحدًا ثابتًا للروبوت ضمن حلقة للتشخيص الذاتي ومراجعة الأدوات. يشغّل وكيل المهام الروبوت، ثم يفحص وكيل فوقي ما حدث من أخطاء، ويعيد كتابة الأدوات أو المهارات ويختبر الحلول. ويمكن للحلقة أيضًا تطوير أساليب التشخيص لدى الوكيل الفوقي نفسه، فتتراكم التحسينات بمرور الوقت من دون تغيير أوزان النموذج الأساسي.
ما مدى فاعليته؟
اختُبر PhysEvo في معيار RoboDojo على 42 مهمة بتصميمات لم يسبق له رؤيتها. وسجّلت النسخ التي احتُفظ بها من الوكيل متوسطًا بلغ 68.14 من 100، ونجحت في 62 % من المهام. في المقابل، حقق أفضل وكيل Astra منشور يعمل من محاولة واحدة، وهو RoboDawn، نجاحًا في 47.17 % من المهام نفسها. وفي ثماني مهام صعبة للغاية للتعامل مع الأغراض، بلغت نسبة نجاح PhysEvo 55 %، مقابل 1.25 % فقط لخط الأساس المباشر Astra.
من المحاكاة إلى روبوت حقيقي
نقل الفريق منظومة التحكم التي طوّرها في المحاكاة إلى روبوت AgileX PiPER، وواصل مراجعة المهارات على الجهاز. وفي خمس مهام واقعية نُفذت عبر 25 تجربة، حقق الروبوت متوسط نتيجة قدره 90.60 ومعدل نجاح بلغ 84 %.
لماذا يهم
بالنسبة إلى مطوري الروبوتات، يبيّن PhysEvo أن بالإمكان زيادة قدرات نموذج ذكاء اصطناعي ثابت واحد من دون إعادة تدريب مكلفة، ما يوفر وقت الحوسبة والبيانات. وتشير النتائج أيضًا إلى إمكانية ترقية الروبوتات الحالية بإضافة حلقة مماثلة للتشخيص الذاتي، وإطالة عمرها النافع. ولا تزال هناك حاجة إلى تحقق مستقل في ظروف واقعية خارج نطاق هذه الدراسة.
