في عالم الذكاء الاصطناعي، تأخذ تقنيات التعلم المعزز (Reinforcement Learning) مكانة بارزة، حيث تبين أنها أكثر فعالية من التقنيات التحليلية التقليدية في العديد من مهام التلاعب. ومع ذلك، يواجه الباحثون تحديات جديدة في كيفية إدارة القوة والموضع، خاصة في الأوضاع التي تتطلب دقة عالية. في هذا السياق، يُقدّم العمل البحثي الجديد تقنية "سياسات التحكم الهجينة" (Hybrid Control Policies) التي تهدف إلى تحسين التجربة في مهام حساسة مثل إدخال الموصلات الرقيقة.

تبرز سياسات التحكم التقليدية في التلاعب بقدرتها المحدودة على التحكم الصريح في القوة، مما يجعلها تعتمد على عُمّال تحكم منخفض المستوى المصممة بعناية لتفادي الأفعال الضارة. لكن مع تقنيات التحكم الهجينة، يتم تعلم اختيار ديناميكي لما إذا كان يتعين استخدام التحكم في القوة أو الموضع لكل بُعد من أبعاد التحكم.

كما تم تقديم استراتيجية "التدريب المدرك للوضع عند التعامل مع الاتصال" (Mode-Aware Training for Contact Handling - MATCH) والتي تهدف لتحسين كفاءة التعلم، بتعديل احتمالات عمل السياسات بما يعكس سلوك اختيار الوضع في التحكم الهجين.

أظهرت دراسة هذه التقنية الجديدة، التي خضعت لتجارب مكثفة تتجاوز الـ 1600 تجربة، تفوق واضح. حيث حققت MATCH معدلات نجاح أعلى تصل إلى 10% مقارنة بالسياسات التقليدية، مع تقليل حالات كسر الموصلات بنسبة 5 مرات تحت ظروف عدم اليقين الشديد.

تعتبر هذه التطورات علامة بارزة في كيفية تعزيز دقة وأمان عمليات التلاعب في الروبوتات، مما يعزز من قدرات الذكاء الاصطناعي ويعيد صياغة مفهوم التعامل مع الأجزاء الحساسة.