مدلهای بینایی-زبانی-عملگر (VLA) که مغز متفکر رباتهای مدرن هستند، معمولاً هنگام یادگیری وظایف جدید، بخشی از درک معنایی خود را از دست میدهند. حالا محققان در مقالهای جدید، روشی به نام «Semantic Anchoring» ابداع کردهاند که این مشکل را حل میکند.
این روش با حفظ ساختار معنایی در طول آموزش، باعث میشود رباتها نه تنها در وظایف تعریفشده (In-distribution) بهتر عمل کنند، بلکه در شرایط جدید و خارج از برنامهریزی اولیه هم عملکرد خیرهکنندهای (تا ۲۱.۵٪ بهبود) از خود نشان دهند. نکته جالب اینجاست که این ترفند صرفاً در زمان آموزش کاربرد دارد و در زمان اجرا (Inference) هیچ پیچیدگی اضافه یا سرباری به مدل تحمیل نمیکند.
این یک قدم بزرگ دیگر برای هوشمندتر و منعطفتر شدن رباتهای واقعی در دنیای فیزیکی است! 🦾🚀
منبع: arXiv AI