وهذا النهج المبتكر يجمع بين بيانات حركة الروبوت مع رؤى من نماذج اللغات الكبيرة (LLMs)، ويقوم برفع كفاءة الروبوتات المحلية وقدرتها على التكيّف إلى مستويات غير مسبوقة.

وبحسب تقرير نشره موقع "cryptopolitan"، يتم بالعادة تدريب الروبوتات المنزلية من خلال التعلم بالتقليد، وهي عملية تحاكي فيها الحركات البشرية بناءً على العروض الفعلية.

ورغم ذلك، غالبًا ما تفشل هذه الطريقة في معالجة الاضطرابات غير المتوقعة؛ ما يؤدي إلى فشل المهمة المطلوبة.

لكن وإدراكًا لهذا القيد، بدأ مهندسو المعهد في ابتكار حل يزود الروبوتات بالقدرة على ممارسة الحس السليم عندما تواجه انحرافات عن مساراتها المدربة مسبقًا.

ويكمن أسلوب المعهد في نظام تحليل آلي يقسم المهام إلى فرعية منطقية؛ ما يمكّن الروبوتات من التنقل عبر الإجراءات المعقدة بسلاسة.

ومن خلال الاستفادة من قدرات نماذج اللغات الكبيرة في إنشاء أوصاف باللغة الطبيعية لهذه المهام الفرعية - مثل "الوصول" و"المغرفة" و"الصب" - يقوم المهندسون بسد الفجوة بين العروض التوضيحية البشرية وتنفيذ الروبوتات.

ويلغي هذا التحليل الآلي الحاجة إلى برمجة يدوية شاقة؛ ما يمكّن الروبوتات من تصحيح الأخطاء ذاتيًا في الوقت الفعلي.

أما مفتاح تنفيذ هذه الطريقة فهو خوارزمية طورها فريق معهد ماساتشوستس للتكنولوجيا، لتسهيل الاتصال بين الإجراءات الجسدية للروبوت والمهام الفرعية الدلالية التي تحددها عملية تسمى التأريض.

وتحدد هذه الخوارزمية بشكل مستقل المهمة الفرعية الحالية للروبوت بناءً على إحداثياته المادية أو بيانات الصورة.

ومن خلال الدمج السلس لأوصاف المهام الفرعية التي تم إنشاؤها بواسطة نماذج اللغات الكبيرة مع إجراءات الروبوت في العالم الحقيقي، تمكّن الخوارزمية الروبوتات من ضبط سلوكها ديناميكيًا؛ ما يضمن إكمال المهمة رغم الاضطرابات الخارجية.

وأثبتت التجارب الصارمة التي أجراها الباحثون فاعلية نهجهم، باستخدام ذراع آلية مدربة على مهمة تجريف الرخام.

وبعد العروض التوضيحية الأولية التي يوجهها البشر، اعتمد الروبوت على الخوارزمية المعدة مسبقًا لتحديد المهام الفرعية، ثم قامت الخوارزمية بعد ذلك بتعيين الإجراءات الجسدية للروبوت للمهام الفرعية المقابلة؛ ما يسمح له بتصحيح الانحرافات ذاتيًا أثناء التنفيذ.

واللافت للنظر أن الروبوت أكمل المهمة رغم الاضطرابات المتعمدة؛ ما يدل على قدرته الجديدة على التكيف والمرونة.

وتمتد الآثار المترتبة على الطريقة الرائدة إلى ما هو أبعد من التجارب المعملية، فمن خلال الاستفادة من بيانات التدريب الموجودة من أنظمة التشغيل عن بعد، يعد هذا النهج بتبسيط عملية تدريب الروبوتات المنزلية.

ويمكن للروبوتات، المجهزة بهذه الخوارزمية، تحويل بيانات التدريب بسهولة إلى أنماط سلوكية قوية؛ ما يمكنها من التنقل في المهام المعقدة بسهولة.

وفي عصر تلعب فيه الروبوتات دورًا حيويًا بشكل متزايد في المهام المنزلية، تقف هذه التقنية منارةً للابتكار، فمع استمرار تطور هذه التكنولوجيا، يبدو مستقبلالروبوتات المنزلية'> الروبوتات المنزلية أكثر إشراقًا من أي وقت مضى.