# MetaGenSim با بهینه‌سازی داده‌های شبیه‌سازی، یادگیری ربات‌ها را تقویت می‌کند

> یک سامانهٔ جدید فرایادگیری به‌طور خودکار تنظیمات شبیه‌ساز را انتخاب می‌کند و موفقیت ربات‌ها در انجام وظایف دنیای واقعی را نسبت به تولید یکنواخت داده‌ها 150% افزایش می‌دهد.

Oossa · 2026-10-15 · https://oossa.com/fa/metagensim-boosts-robot-learning-by-actively-shaping-simulation-data

پژوهشگران به سرپرستی Liqian Ma، چارچوب فرایادگیری MetaGenSim را معرفی کرده‌اند؛ سامانه‌ای که یاد می‌گیرد کدام پارامترهای شبیه‌ساز برای آموزش ربات‌ها داده‌های مفیدتری تولید می‌کنند. این سامانه با استفاده از فرارَوندهای گرادیانی، یک شبکهٔ ارزیاب کمکی را آموزش می‌دهد و نیاز به تنظیم دستی شبیه‌سازی برای تطبیق با دنیای واقعی را از میان برمی‌دارد. در آزمایش‌های مربوط به وظایف دست‌کاری اشیا، MetaGenSim موفقیت کامل در انجام وظایف دنیای واقعی را در مقایسه با داده‌های تولیدشده به‌صورت یکنواخت 150% افزایش داد و عملکردی هم‌سطح تنظیمات طراحی‌شده به‌دست متخصصان داشت. این پژوهش در CoRL 2026 ارائه شد.

## حقایق

- افزایش نسبی 150% در موفقیت کامل انجام وظایف دنیای واقعی، در مقایسه با تولید یکنواخت داده‌ها
- مقاله در CoRL 2026 ارائه و در 2026-10-15 منتشر شد

## چرا مهم است

این روش به توسعه‌دهندگان ربات کمک می‌کند بدون صرف هفته‌ها برای تنظیم دستی شبیه‌سازها، عملکرد بهتری در دنیای واقعی به دست آورند.

## منابع و ارجاع‌ها

1. [Active Generative Simulation: Meta-Learning What to Simulate for Sim-and-Real Policy Co-Training](https://arxiv.org/abs/2610.19479) – arXiv cs.RO, 2026-10-15

آخرین به‌روزرسانی: 2026-10-15