گروهی پژوهشی WorldSketch را معرفی کرده‌اند؛ سامانه‌ای رباتیک که به‌جای انتخاب مستقیم حرکت‌های ربات، از یک مدل بینایی‌ـ‌زبانی (VLM) می‌خواهد مدلی ساده از محیط اطراف بسازد. این مدل اشیای مرتبط با وظیفه، نحوه تماس با آن‌ها یا جابه‌جایی‌شان و حرکت‌های احتمالی را مشخص می‌کند. سپس یک برنامه‌ریز هندسی از این مدل برای برنامه‌ریزی تماس و حرکت تمام‌بدن ربات استفاده می‌کند.
پژوهشگران نرخ موفقیت بدون آموزش اختصاصی را 91% در RoboCasa، 97% در LIBERO-PRO و 76% در ناوبری R2R-CE گزارش کرده‌اند. در RoboCasa، امتیاز WorldSketch با اختلاف 58 واحد درصد از خط پایه عامل بدون آموزش اختصاصیِ بعدی بیشتر بود و این سامانه از یک‌دهم توکن‌های ورودی VLM استفاده کرد. در LIBERO-PRO، عملکرد آن 82 واحد درصد بهتر از CaP-X بود. در ناوبری، نرخ موفقیتش با عامل‌های VLM گام‌به‌گام برابر بود، درحالی‌که شش برابر توکن ورودی کمتری مصرف کرد. این نتایج را نویسندگان مقاله گزارش کرده‌اند و ارزیابی مستقل نیستند.
سامانه چطور برنامه‌اش را اصلاح می‌کند؟
WorldSketch طرح اولیه‌اش را قطعی نمی‌داند. VLM می‌تواند برای بررسی برداشت خود از ابزارهای ادراکی پرس‌وجو کند و بازخورد اجرای ربات نیز ممکن است نشان دهد پیش‌بینی‌ای اشتباه بوده است. در این صورت، سامانه می‌تواند بخش‌های نامطمئن مدل را به‌روزرسانی کند و دوباره تلاش کند. هدف این است که اطلاعات کافی برای اقدام در اختیار برنامه‌ریز قرار گیرد، بی‌آنکه VLM مجبور باشد مستقیماً درباره هندسه دقیق و تماس فیزیکی استدلال کند.
این رویکرد به دو انتخاب رایج در طراحی می‌پردازد که پژوهشگران شرح داده‌اند: استفاده از VLM برای انتخاب مهارت از یک مجموعه ثابت، یا سپردن تولید کنش‌ها و برنامه‌های کنترلی به آن. مجموعه ثابت می‌تواند توانایی‌های ربات را محدود کند؛ تولید مستقیم کنش نیز مستلزم آن است که VLM استدلال فیزیکیِ جزئی انجام دهد. در عوض، در WorldSketch ساخت مدلی متناسب با هر وظیفه بر عهده VLM است و برنامه‌ریز حرکت را مدیریت می‌کند.
این مقاله پیش‌چاپی 40 صفحه‌ای در arXiv است که در November 3, 2026 منتشر شده است. چکیده آن نتایج سه معیار مشخص را گزارش می‌کند، اما نمی‌گوید ارزیابی با ربات‌های فیزیکی انجام شده یا سامانه خارج از این آزمون‌ها چه عملکردی خواهد داشت. بنابراین، نتایج در چارچوب ارزیابی‌های گزارش‌شده امیدوارکننده‌اند، اما استفاده مطمئن روزمره در خانه را ثابت نمی‌کنند.
چرا مهم است
برای علاقه‌مندان به ربات‌های خانگی، WorldSketch راه متفاوتی برای پیوند دادن درک بصری با حرکت ارائه می‌کند: VLM مدل می‌سازد و برنامه‌ریز از آن برای اقدام استفاده می‌کند. نتایج گزارش‌شده در معیارها امیدوارکننده‌اند، اما چکیده مقاله روشن نمی‌کند که سامانه با ربات‌های فیزیکی آزمایش شده یا در خانه‌های معمولی تا چه اندازه قابل‌اعتماد خواهد بود.
