نجح فريق من العلماء في إمبريال كوليدج لندن في تدريب ذراع روبوتية على تنفيذ 1000 مهمة مختلفة خلال يوم واحد فقط، بعد فترة تدريب لم تتجاوز ثماني ساعات، والإنجاز يعتمد على أسلوب تعلّم جديد يُعرف باسم MT3 (Multi-Task Trajectory Transfer).
نطاق التطبيق والإنجاز التقني
أظهرت الذراع الروبوتية من طراز Sawyer قدرات متعددة شملت استخدام الأدوات، والتقاط ونقل أكثر من جسم في آن واحد، والتعامل مع أوضاع مختلفة للأجسام، دون الحاجة إلى إعادة تدريب كاملة أو الاعتماد على قواعد بيانات ضخمة، وهو ما يمثل قفزة نوعية في تعلم الآلة والروبوتات.
يتعلم MT3 من عرض واحد فقط، إذ يراقب الروبوت إنسانًا يؤدي المهمة مرة واحدة ثم يحلل الحركة ويقسمها إلى مراحل قابلة لإعادة الاستخدام والتكيّف مع مهام جديدة أو أشياء مختلفة، ما يقلل بشكل كبير من الوقت والموارد اللازمة لتدريب الروبوتات ويفتح الباب أمام تشغيلها في بيئات واقعية متغيرة كالذي توجد في المصانع والمستودعات وحتى المنازل.
يعتمد MT3 تقسيمًا ذكيًا للحركة وفهمًا للسياق، حيث يقسم المهمة إلى مرحلتين أساسيتين: مرحلة المحاذاة حيث يتعلم الروبوت الاقتراب من الجسم بشكل صحيح، ومرحلة التفاعل حيث ينفذ الحركة المطلوبة كالإمساك أو النقل أو الاستخدام. كما يعتمد النظام آلية استرجاع ذكية للذاكرة تتيح له اختيار أقرب عرض تدريبي سابق مناسب للمهمة الجديدة بناءً على وصف المهمة والبيئة المحيطة، ما يمنح الروبوت مرونة عالية في التكيّف مع مواقف جديدة دون الوقوع في أخطاء سلوكية.
سلوك MT3 أكثر قابلية للفهم والثقة، إذ لا يعتمد على نماذج التعلم العميق “الصندوق الأسود” الشائعة، وإنما يوفر سلوكًا واضحًا وقابلًا للتفسير، وهو عامل حاسم في اعتماد الروبوتات في بيئات حساسة مثل الرعاية الصحية وخطوط الإنتاج الصناعي حيث لا مكان للأخطاء غير المتوقعة.
كفاءة MT3 ظهرت في قدرة الروبوت على التكيّف مع أجسام مختلفة وتعلم مهام جديدة بسرعة عبر التقدير الوضعية والتخطيط الحركي، ما مكنه من تنفيذ عمليات التقاط ونقل بدقة وموثوقية حتى مع تغيّر شكل أو موضع الأشياء. وتبيّن أن قدرة التعميم ضمن فئة واحدة من المهام تفوق أساليب مثل Behavioral Cloning التي تفشل غالبًا عند اختلافات بسيطة في البيئة أو الأدوات.
يؤكد الباحثون أن هذا العمل يثبت أن تعلّم الروبوتات لمهام معقّدة على نطاق واسع لا يحتاج بالضرورة شبكات عصبية ضخمة أو بيانات هائلة، بل يمكن تحقيقه بأساليب ذكية وفعّالة وقابلة للتفسير مثل MT3. وتوقع الفريق أن تحسينات إضافية ستسمح للروبوتات بتعديل مساراتها الحركية للتعامل مع أجسام غير مألوفة تمامًا، مما يخفّض أوقات التدريب وتكاليفه ويدفع نحو استخدام أوسع في التطبيقات الواقعية.
