تا امروز، سیاستهای یادگیری تقلیدی (Imitation Learning) در رباتها معمولاً به تاریخچهای بسیار کوتاه از محیط وابسته بودند؛ همین موضوع باعث میشد رباتها در کارهای پیچیده که نیاز به حافظه دارند، دچار تکرار اشتباهات شوند.
در مقالهی جدیدی که منتشر شده، محققان ثابت کردند که برخلاف تصور قبلی، افزایش «طول بافت» (Context Length) در مدلهای Diffusion Policy به آن اندازه که فکر میکردیم ناپایدار نیست! آنها با استفاده از روشهای جدید و معماری UNet+Cross-Attention، موفق شدند رباتها را با دقت بسیار بالاتری آموزش دهند.
این پیشرفت یعنی رباتهای آینده درک عمیقتری از محیط اطرافشان خواهند داشت و کمتر در بنبستهای حرکتی گیر میکنند. گام بزرگی برای دنیای رباتیک و هوش مصنوعی! 🤖✨
منبع: arXiv AI