في عالم الذكاء الاصطناعي، تظهر نماذج اللغات الكبيرة (LLMs) كأدوات قوية قادرة على إحداث تحولات في مجالات متعددة، ومن بينها التحكم الروبوتي. جديد الأبحاث في هذا المجال يأتي مع مفهوم "التعلم في السياق" (In-Context Learning أو ICL) الذي يسمح للنماذج الكتابية التنبؤ بأفعال الروبوتات دون الحاجة إلى تدريب مخصص.

ومع ذلك، كانت تحديات المناولة الثنائية (bimanual manipulation) تتطلب استراتيجيات أكثر تعقيداً نظراً لوجود مساحة أفعال ذات أبعاد عالية والقيود الشديدة على التنسيق بين اليدين. وللتغلب على هذه التحديات، تم تقديم إطار العمل BiCICLe (Bimanual Coordinated In-Context Learning) الذي يعد الأول من نوعه ويتيح للنماذج ذات اللغات الكبيرة أداء مهام المناولة الثنائية بفعالية ودون الحاجة إلى إعادة ضبط.

يعمل BioCICLe على إعادة تشكيل التحكم الثنائي كمسألة تتعلق بالتفاعل بين الوكلاء، حيث يتم فصل فضاء الأفعال إلى تنبؤات مفردة لليد الواحدة، مما يسهل عملية التنبؤ ويعزز من أداء الروبوت. كما يقدم الإطار عملية تحسين تكرارية تُعرف باسم "نقاش الأذرع" (Arms' Debate)، والتي تعتمد على نموذج ثالث لفرض الحكم واختيار المسارات الأكثر تنسيقًا.

عبر تقييم الإطار على 13 مهمة من معيار TWIN، حقق BiCICLe معدل نجاح متوسط يصل إلى 71.1%، متفوقاً بذلك على أفضل الطرق المعتمدة على التدريب بمدى 6.7 نقطة مئوية. كما أثبت الإطار قدرة ملحوظة على التحسين في المهام الجديدة، مما يمهد الطريق أمام تطبيقات واسعة النطاق في مجال التحكم الروبوتي.

يأتي هذا الابتكار ليعزز من قدرة الروبوتات على التعلم والتكيف مع المهام المتعددة، مما يفتح آفاقًا جديدة في عالم التكنولوجيا الحديثة. كيف يمكن أن يؤثر ذلك على مستقبل الروبوتات؟ شاركونا آراءكم في التعليقات!