# روش تازه گردآوری داده، کنترل ربات‌ها را بهبود می‌دهد

> پژوهشگران می‌گویند بیشینه‌سازی تأثیر کنش (AIM) دادهٔ لازم برای آموزش مدل‌های ویدئوییِ قابل‌کنترل را 85× کاهش می‌دهد.

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

پژوهشگرانی به سرپرستی ساموئل بیتمن الگوریتمی به نام بیشینه‌سازی تأثیر کنش (AIM) معرفی کرده‌اند که با گردآوری هدفمند تجربه‌های آموزشی، به مدل‌های جهانِ مبتنی بر ویدئو کمک می‌کند به کنش‌های فرمان‌داده‌شده توجه کنند. در آزمایش‌های ناوبری شبیه‌سازی‌شده و دست‌کاری اشیا بر پایهٔ پیکسل، AIM تنها 500 تجربهٔ تازه به مجموعه‌ای شامل 3,000 نمایش از کارشناسان افزود و به همان میزان کنترل‌پذیریِ مدلی رسید که با 300,000 تجربهٔ کارشناسی آموزش دیده بود. این روش از نظر بهره‌وری داده، عملکرد بهتری از روش‌های رایج اکتشاف و انگیزش درونی داشت.

## حقایق

- AIM با نیاز به 500 تجربه در برابر 300k نمایش از کارشناسان، دادهٔ موردنیاز را 85× کاهش داد.
- مقاله در 2026‑10‑21 در arXiv منتشر شد.

## چرا مهم است

برای توسعه‌دهندگان ربات، AIM به این معناست که می‌توانند مدل‌های کنترلیِ پاسخ‌گوتر را با ضبط تعداد بسیار کمتری نمایشِ پرهزینه آموزش دهند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-21