# روش تازه آموزش ربات در وظایف RoboTwin از مدل‌های قبلی بهتر است

> روش ACG-WAM در صحنه‌های شبیه‌سازی‌شده به موفقیت بیش از ۹۳٪ و روی ربات‌های واقعی به ۸۵٪ رسید و تا ۱۰ واحد درصد از بهترین روش قبلی پیشی گرفت.

Oossa · 2026-10-07 · https://oossa.com/fa/new-robot-learning-method-acg-wam-beats-prior-models-on-robotwin-tasks

پژوهشگران روش تازه‌ای با نام ACG-WAM معرفی کرده‌اند که به ربات‌ها می‌آموزد بر اساس ورودی‌های بصری عمل کنند. این سامانه در مجموعه‌ای شامل ۵۰ وظیفه شبیه‌سازی‌شده RoboTwin 2.0، در محیط‌های بدون تغییر ۹۳٫۴۶٪ و در صحنه‌های تصادفی‌شده ۹۲٫۶۸٪ موفق بود. در سه وظیفه دنیای واقعی نیز به موفقیت کامل ۸۵٫۰۰٪ و امتیاز تکمیل جزئی ۹۱٫۶۷٪ رسید و به‌ترتیب با اختلاف ۱۰ و ۹٫۱۷ واحد درصد از بهترین سامانه قبلی، Motus، پیشی گرفت.

## ACG-WAM چگونه کار می‌کند؟

این روش یک پیش‌بین کمکی اضافه می‌کند که با استفاده از نمای فعلی دوربین ربات و اقداماتی که قرار است انجام دهد، یاد می‌گیرد چند گام جلوتر ویژگی‌های هندسی، مانند موقعیت و شکل اشیا، را پیش‌بینی کند. این پیش‌بین با هدف‌هایی آموزش می‌بیند که از یک رمزگذار بصریِ ثابت به دست می‌آیند؛ رمزگذار، جفت‌تصویرهای فعلی و آینده را پردازش می‌کند. پس از آموزش، پیش‌بین اضافه و ماژول‌های معلم حذف می‌شوند و مدل کم‌حجمی باقی می‌ماند که می‌تواند روی ربات اجرا شود.

## این روش برای کاربران ربات چه معنایی دارد؟

نرخ موفقیت بالاتر در شبیه‌سازی و روی سخت‌افزار واقعی نشان می‌دهد ربات‌های مجهز به ACG-WAM ممکن است وظایف را با اطمینان بیشتری و آزمون‌وخطای کمتری یاد بگیرند. برای شرکت‌هایی که در کارخانه‌ها یا انبارها از ربات استفاده می‌کنند، این روش می‌تواند توقف ناشی از تلاش‌های ناموفق را کاهش دهد و مدت‌زمان آموزش رفتارهای تازه را کوتاه کند.

## حقایق

- مقاله در 3 اکتبر 2026 ارسال شد و در 7 اکتبر 2026 در arXiv منتشر شد.
- ACG-WAM در وظایف شبیه‌سازی‌شده RoboTwin 2.0 و در محیط‌های بدون تغییر به موفقیت ۹۳٫۴۶٪ رسید.
- این روش در صحنه‌های شبیه‌سازی‌شده تصادفی‌شده به موفقیت ۹۲٫۶۸٪ رسید که بالاترین رقم در میان روش‌های مقایسه‌شده بود.
- این روش در سه وظیفه با ربات واقعی، موفقیت کامل ۸۵٫۰۰٪ و تکمیل جزئی ۹۱٫۶۷٪ را ثبت کرد.
- این روش با اختلاف‌های ۱۰٫۰۰ و ۹٫۱۷ واحد درصد، به‌ترتیب از بهترین سامانه قبلی، Motus، بهتر عمل کرد.

## چرا مهم است

برای مدیر یک کارخانه، ارقام موفقیت بالاتر یعنی می‌توان وظایف تازه را سریع‌تر و با خطاهای کمتری به ربات‌ها آموزش داد و در نتیجه احتمالاً هزینه‌های آموزش را کاهش داد. بااین‌حال، مقاله درباره پایایی بلندمدت یا مقیاس‌پذیری روش برای وظایف پیچیده‌تر گزارشی نمی‌دهد؛ بنابراین، این مزایا هنوز باید در پیاده‌سازی‌های گسترده‌تر تأیید شوند.

## منابع و ارجاع‌ها

1. [ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction](https://arxiv.org/abs/2610.06965) – arXiv cs.RO, 2026-10-07

آخرین به‌روزرسانی: 2026-10-07