یکی از بزرگترین چالشهای رباتهای مسیریاب، محدودیت حافظه برای یادگیری در محیطهای طولانی است. محققان به تازگی مدل جدیدی به نام «StateLinFormer» معرفی کردهاند که با استفاده از یک مکانیزم حافظه پویا (Stateful Memory)، به مدل اجازه میدهد اطلاعات را بدون بازنشانی در هر مرحله حفظ کند.
این مدل برخلاف معماریهای رایج ترنسفورمر که با محدودیت پنجره متنی روبرو هستند، به رباتها کمک میکند مسیرهای طولانیتر را بهتر یاد بگیرند و در محیطهای پیچیده، عملکرد بسیار دقیقتری داشته باشند. این جهش علمی، راه را برای هوشمندتر شدن رباتهای نسل آینده هموارتر میکند. 🚀
منبع: arXiv Machine Learning