# A2-MEAS در شبیه‌سازی ربات و کارهای خانگی نتیجه می‌دهد

> این مقاله در arXiv سامانه‌ای چندعاملی برای یادگیری ربات معرفی می‌کند و از نتایج چشمگیر در آزمون‌های معیار، از جمله بهبود بازیابی پس از خطا در آماده‌کردن قهوه، خبر می‌دهد.

Oossa · 2026-11-09 · https://oossa.com/fa/a2-meas-reports-results-across-robot-simulation-and-household-tasks

پژوهشگران A2-MEAS را معرفی کرده‌اند؛ سامانه‌ای برای یادگیری ربات که با استفاده از «کدهای اصلاحی» نوشتاری، اقدامات ربات را هدایت می‌کند و به آن امکان می‌دهد پس از اشتباه، عملکردش را بازیابی کند. مدل کنش A2-WLA سابقه حرکت را با مدلی از چگونگی تغییر جهان ترکیب می‌کند.

این مقاله از موفقیت 45.40% در انجام وظایف در میان 100 وظیفه عمومی BEHAVIOR 2026 و میانگین موفقیت 57.92% در 12 وظیفه خانگی با ربات واقعی خبر می‌دهد. در آزمون‌های آماده‌کردن قهوه، یک آداپتورِ شرطی‌شده بر سابقه، میزان تکمیل کار پس از خطا در دو مرحله کار با فیلتر را بهبود داد؛ نویسندگان می‌گویند قصد دارند سامانه و منابع آموزشی را منتشر کنند.

## حقایق

- طبق مقاله، A2-MEAS در مجموعه عمومی 100‌وظیفه‌ای BEHAVIOR 2026 امتیاز 0.6411 را کسب کرد.
- در دو مرحله کار با فیلتر قهوه، میزان تکمیل کار پس از خطا در مقایسه با تلاش‌های مجدد A2-WLA، به‌ترتیب از 14% به 94% و از 8% به 82% افزایش یافت.

## چرا مهم است

برای پژوهشگران رباتیک، این نتایج نشان می‌دهد ثبت اقدامات و اصلاحات گذشته شاید به ربات‌ها کمک کند پس از ناکامی در انجام کارهای خانگی دوباره به مسیر درست برگردند؛ بااین‌حال، آزمون‌های گزارش‌شده در مقاله مشخص نمی‌کنند که این روش در محیط‌های دیگر تا چه اندازه کارآمد خواهد بود.

## منابع و ارجاع‌ها

1. [Toward the Era of Agentic Embodied Intelligence](https://arxiv.org/abs/2611.09124) – arXiv cs.RO, 2026-11-09

آخرین به‌روزرسانی: 2026-11-09