أعلن فريق من الباحثين في إمبريال كوليدج لندن نجاحه في تدريب ذراع روبوتية على تنفيذ 1000 مهمة مختلفة خلال يوم واحد فقط، عقب فترة تدريب لا تتجاوز ثماني ساعات. يعتمد الإنجاز على أسلوب تعلم جديد يُعرف بـ MT3 يتيح للروبوت اكتساب مهارات معقّدة انطلاقًا من عرض واحد لكل مهمة. تمكنت الذراع من طراز Sawyer من تنفيذ مهام متعددة بما فيها استخدام الأدوات والتقاط ونقل عدة أجسام معًا والتعامل مع أوضاع مختلفة للأغراض دون الحاجة لإعادة تدريب كاملة أو الاعتماد على بيانات ضخمة. هذه النتيجة تمهد لإمكان استخدام الروبوتات في بيئات صناعية ومنازل واقعية مع تقليل الوقت والجهد والتكاليف المرتبطة بالتدريب.
التعلّم من عرض واحد
يتعلم MT3 من عرض واحد فقط، حيث يشاهد الروبوت أداء إنسان المهمة مرة واحدة ثم يحلّل الحركة إلى مراحل يمكن إعادة استخدامها وتكييفها مع مهام جديدة. يقسم النظام الحركة إلى مرحلتين أساسيّتين هما المحاذاة والتفاعل، ويستخدم آلية استرجاع ذكاء لاستحضار أقرب خبرة تدريبية مناسبة للمهمة بناءً على وصفها وبيئتها. يقلل هذا الأسلوب من الوقت والموارد المطلوبة للتدريب ويفتح الباب أمام تطبيقات في بيئات واقعية ومتغيرة دون الاعتماد على كميات هائلة من البيانات.
تقسيم الحركة وسياقها
يكشف MT3 عن فصل المهمة إلى محورين رئيسيين: المحاذاة التي تتعلم فيها الروبوت الاقتراب بالشكل الصحيح من الجسم أو الأداة، والتفاعل حيث ينفذ الحركة المطلوبة كالقبض أو النقل. كما يعتمد النظام على آلية استرجاع للذاكرة تتيح اختيار أقرب عرض تدريبي سابق يتناسب مع المهمة الجديدة بحسب وصف المهمة والمعطيات البيئية. هذه القدرة على استدعاء الخبرة الملائمة تمنح الروبوت مرونة عالية في التكيّف مع مواقف جديدة وتقلل من احتمال الوقوع في أخطاء سلوكية.
سلوك قابل للتفسير
يمتاز MT3 بعدم الاعتماد على نماذج التعلم العميق “الصندوق الأسود” بل يوفر سلوكًا يمكن فهمه وتفسيره بوضوح، وهو ما يعزز موثوقيته في البيئات الحساسة مثل خطوط الإنتاج والرعاية الصحية. ويؤكد الباحثون أن القابلية للتفسير تمثل عاملًا حاسمًا لاعتماد الروبوتات على نطاق أوسع، خصوصًا عندما تكون القرارات المؤثرة بحاجة إلى شفافية. هذا النهج يسهم في بناء ثقة المستخدمين وتقليل المفاجآت غير المتوقعة خلال التشغيل.
كفاءة وتكيّف حركي
أظهرت التجارب أن الذراع تعلم مهام جديدة بسرعة عبر التكيّف الحركي وتقدير الوضع والتخطيط، ما مكّنها من تنفيذ عمليات التقاط ونقل بأوضاع مختلفة بدقة وموثوقية. كما أظهر MT3 تفوقًا على أساليب مثل Behavioral Cloning في مواجهة اختلافات بسيطة في البيئة أو الأدوات. يرى الباحثون أن هذه النتائج تدل على أن تعلم الروبوتات للمهام المعقدة لا يحتاج بالضرورة إلى شبكات ضخمة أو بيانات هائلة، بل إلى أساليب ذكية وقابلة للتفسير مثل MT3.
آفاق واعدة للمستقبل
ويُتوقع أن تسهم التحسينات المستقبلية في تمكين الروبوتات من تعديل مساراتها الحركية لمواجهة أشياء غير مألوفة تمامًا، بما يقلل أوقات التدريب وتكاليفه. ستتيح هذه التطويرات نشر الروبوتات بمسؤولية أعلى في تطبيقات واقعية تشمل المصانع والمستودعات والمنازل. كما ستعزز القدرة على التخطيط والتفسير موثوقية الأنظمة الذكية في بيئات عمل حساسة وتزيد من فعاليتها وكفاءتها.
