محققان در یک پژوهش جدید، از مدل نوآورانه SoMA رونمایی کردند که یک شبیهساز «واقعیت به شبیهسازی» (Real-to-Sim) مبتنی بر 3D Gaussian Splatting است. این مدل به رباتها کمک میکند تا تعامل با اجسام تغییرشکلپذیر (مثل پارچه یا اشیاء نرم) را بسیار دقیقتر و پایدارتر یاد بگیرند.
ویژگی کلیدی SoMA این است که دینامیک محیط، نیروهای فیزیکی و حرکات ربات را در یک فضای نهفته (Latent Space) متحد میکند. این یعنی رباتها حالا میتوانند کارهای پیچیدهای مثل «تا کردن لباس» را با ۲۰ درصد دقت بیشتر و پایداری بالاتر، بدون نیاز به مدلهای فیزیکی از پیش تعریفشده، شبیهسازی کنند.
گامی بزرگ برای هوشمندتر شدن رباتهای نسل آینده در محیطهای واقعی! 🦾
منبع: arXiv AI