محققان در دستاوردی تازه، راهکار هوشمندانهای برای بهبود عملکرد مدلهای بینایی-زبانی-کنشی (VLA) ارائه دادهاند. چالش بزرگ در رباتیک این است که هنگام آموزش مدلهای هوش مصنوعی برای کنترل ربات، دانش بصری و زبانیِ قبلیِ مدل اغلب از بین میرود و اصطلاحاً «فراموشی فاجعهبار» رخ میدهد.
مدل جدید Anchor-Align با دو تکنیک خلاقانه:
۱. تثبیت بصری-زبانی: برای جلوگیری از افت کیفیت دانشِ از پیش آموزشدیده.
۲. همراستایی زبان و کنش: برای درک دقیقتر دستورات در بازوهای رباتیک،
توانسته است عملکرد بازوهای مکانیکی (مثل مدل xArm7) را به شکل چشمگیری (تا ۲۳ درصد) در محیطهای واقعی و شبیهسازیشده بهبود ببخشد. این یعنی رباتهایی که در آینده، هوشمندتر و دقیقتر محیط اطراف خود را درک میکنند! 🦾✨
منبع: arXiv Computer Vision