# PhysEvo مهارت‌های ربات را بدون تغییر مدل بهبود می‌دهد

> چارچوب تازه‌ای به نام PhysEvo با اصلاح پیاپی مهارت‌های ربات، نرخ موفقیت را در شبیه‌سازی و روی ربات واقعی افزایش می‌دهد.

Oossa · 2026-10-08 · https://oossa.com/fa/physevo-lets-a-frozen-robot-model-improve-its-own-skills

پژوهشگران PhysEvo را معرفی کرده‌اند؛ سامانه‌ای که یک مدل رباتیکِ ثابت را در چرخه‌ای از خودارزیابی و بازنگری ابزارها قرار می‌دهد. یک عامل وظیفه، ربات را به کار می‌اندازد و سپس عامل فرادستی بررسی می‌کند چه چیزی درست پیش نرفته، ابزارها یا مهارت‌ها را بازنویسی می‌کند و اصلاحات را می‌آزماید. این چرخه می‌تواند روش‌های تشخیصی خودِ عامل فرادستی را هم بهبود دهد؛ در نتیجه، بدون تغییر وزن‌های مدل پایه، به‌مرور پیشرفت‌ها روی هم انباشته می‌شوند.

## عملکرد آن چطور است؟

PhysEvo در معیار RoboDojo با 42 وظیفه و چیدمان‌هایی که پیش‌تر ندیده بود، آزمایش شد. نسخه‌های نگه‌داشته‌شده از عامل به‌طور میانگین امتیاز 68.14 از 100 گرفتند و در 62 ٪ وظایف موفق شدند. در مقایسه، بهترین عامل تک‌مرحله‌ای Astra که پیش‌تر منتشر شده بود (RoboDawn)، در همین وظایف به نرخ موفقیت 47.17 ٪ رسید. در هشت وظیفهٔ دشوارِ دست‌کاری اشیا، موفقیت PhysEvo به 55 ٪ رسید، در حالی که این رقم برای خط مبنای مستقیم Astra فقط 1.25 ٪ بود.

## از شبیه‌سازی تا ربات واقعی

تیم، چارچوب کنترلی بهبودیافته در شبیه‌سازی را به ربات AgileX PiPER منتقل کرد و به اصلاح مهارت‌ها روی سخت‌افزار ادامه داد. این ربات در پنج وظیفهٔ دنیای واقعی و طی 25 آزمایش، به‌طور میانگین امتیاز 90.60 گرفت و نرخ موفقیت 84 ٪ را ثبت کرد.

## حقایق

- PhysEvo با استفاده از مدلی ثابت، از طریق عاملی فرادستی که ابزارها و روش‌های تشخیص را بازنگری می‌کند، عملکرد را بهبود می‌دهد.
- PhysEvo در 42 وظیفهٔ RoboDojo به میانگین امتیاز 68.14/100 و نرخ موفقیت 62 ٪ رسید.
- عامل تک‌مرحله‌ای Astra از RoboDawn در همین معیار به نرخ موفقیت 47.17 ٪ دست یافت.
- در هشت وظیفهٔ دشوارِ دست‌کاری اشیا، PhysEvo در 55 ٪ موارد موفق شد، در برابر 1.25 ٪ برای Astra مستقیم.
- PhysEvo روی ربات AgileX PiPER طی 25 آزمایش امتیاز 90.60/100 و نرخ موفقیت 84 ٪ را ثبت کرد.

## چرا مهم است

برای توسعه‌دهندگان ربات، PhysEvo نشان می‌دهد که می‌توان بدون بازآموزی پرهزینه، توانایی‌های یک مدل هوش مصنوعی ثابت را افزایش داد و در زمان محاسبات و داده صرفه‌جویی کرد. این روش همچنین نشان می‌دهد که می‌توان با افزودن چرخه‌ای مشابه برای خودارزیابی، ربات‌های موجود را ارتقا داد و عمر مفیدشان را افزایش داد. با این حال، برای تأیید مستقل نتایج در دنیای واقعی، پژوهش‌های بیشتری فراتر از این مطالعه لازم است.

## منابع و ارجاع‌ها

1. [PhysEvo: Astra Can Act, Let It](https://arxiv.org/abs/2610.08995) – arXiv cs.RO, 2026-10-08

آخرین به‌روزرسانی: 2026-10-08