پژوهشگران MIT Han Lab میگویند یک مدل استدلالیِ متنباز با 27 میلیارد پارامتر را با یادگیری تقویتی در شبیهسازی برای کار با رباتهای واقعی آموزش دادهاند؛ آن هم بدون ارائه نمونههایی از نحوه انجام کارها. مدل آموزشدیده در 60% آزمایشها روی یک ربات واقعیِ دوبازویی موفق شد؛ مدل آموزشندیده حتی یک بار هم موفق نشد.
این مدل که بر پایه Qwen3.8-27B ساخته شده، در بنچمارک وظایف رباتیک LIBERO نیز از 1.6% به 74.4% رسید. پژوهشگران میگویند این نتیجه به عملکرد GPT-6 Astra و GPT-6.1 Sol در بالاترین تنظیمات استدلالیشان نزدیک بود. این نتایج حاصل ارزیابیهای خود پژوهشگران است و ارزیابی مستقلی از آنها انجام نشده است.
مدل چگونه ربات را کنترل میکند؟
مدل تصاویر دوربین و اطلاعات مربوط به بازوی ربات را دریافت میکند، درباره کاری که باید انجام شود استدلال میکند و سپس موقعیت بعدی بازو را خروجی میدهد. کنترلگر ربات این موقعیت را به حرکت تبدیل میکند. پژوهشگران این فرایند را شبیه عاملهای کار با رایانه میدانند که صفحهنمایش را میبینند و فرمان کلیک میدهند؛ اما میگویند سامانه آنها از لایههای اضافهای مثل ابزارهای ادراک، برنامهریزهای حرکت یا مهارتهای ازپیشساخته استفاده نمیکند.
آموزش با یادگیری تقویتی برای کار با ربات انجام شد: مدل در محیطهای شبیهسازیشده وظایف را امتحان کرد و از موفقیت یا شکست خود یاد گرفت. نرمافزار PEAR تیم، زیرساخت آموزش از جمله شبیهسازیها و ابزارهای ارزیابی را فراهم میکند. MIT Han Lab میگوید مدل، کد و زیرساخت آموزش را منتشر کرده است.
آموزش در شبیهسازی به ربات واقعی منتقل میشود؟
پژوهشگران گزارش میدهند که مدل مهارتهایش را به یک ربات واقعی، رباتی متفاوت و دستورهایی که هنگام آموزش ندیده بود منتقل کرد. در LIBERO-Pro که هدفها و چیدمان اشیا را تغییر میدهد، مدل آنها در 57.4% از اپیزودهای مربوط به انجام کاری تازه در صحنهای آشنا موفق شد. مدل آموزشدیده با نمایش، π0.5، در همین شرایط به موفقیت 0.75% رسید.
این آزمون با تکرار ساده کارهای آشنا تفاوت دارد. پژوهشگران در LIBERO مدلها را طی 2,000 اپیزود ارزیابی کردند. آنها همچنین گزارش میدهند که پس از آموزش رباتیک، در 9 بنچمارک استدلال، کدنویسی و بینایی افت قابلاندازهگیری مشاهده نکردند. مقاله پیشچاپی در arXiv است و نتایج نشان نمیدهند که سامانه در استفاده روزمره یا روی رباتها و محیطهای دیگر چگونه عمل خواهد کرد.
چرا مهم است
پژوهشگران رباتیک میتوانند از مدل منتشرشده، کد و زیرساخت آموزش PEAR برای بررسی این موضوع استفاده کنند که آیا آموزش مبتنی بر شبیهسازی میتواند نیاز به نمونههای نمایشیِ انجام کار را کاهش دهد یا نه. نتیجه گزارششده روی ربات واقعی امیدوارکننده است، اما نشان نمیدهد سامانه بیرون از ربات و وظایف آزمایششده تا چه اندازه قابلاعتماد عمل میکند.