لماذا يفشل الروبوت في السكب؟ حل ذكاء اصطناعي من مرحلتين للتقاطع المخصص للمهمة
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
لطالما واجهت المناورات الروبوتية فجوة محددة. تستطيع الأنظمة التقليدية تحديد طرق متعددة لأمساك جسم ما بناءً على هندسته فقط. لكنها تفشل غالباً في اختيار الوضعية التي تتيح إجراءات لاحقة ناجحة. تخيل روبوتا يمسك إبريق الشاي بشكل مثالي لكنه يعجز عن السكب لأنه أغفل الاتجاه الوظيفي للمقبض. يوفر إطار عمل جديد من مرحلتين حلاً لهذه المشكلة عبر فصل توليد الإمساك عن الاستدلال الدلالي. يحسن هذا النهج دقة الاختيار المشروط بالمهمة بشكل ملحوظ.
يعمل النظام في مرحلتين متميزتين لحل هذه الإشكالية. في المرحلة الأولى، يحدد نموذج لغة ورؤية المناطق ذات الصلة بالمهمة ضمن ملاحظة RGB-D. توجه هذه العملية التقطيع وتوليد مرشحات إمساك واقعية سداسية الأبعاد عبر GraspNet. النتيجة هي مجموعة مقترحات تتمتع بصحة هندسية وترتبط بمناطق وظيفية محددة. تستخدم المرحلة الثانية بعد ذلك ناقداً منظماً قائماً على نماذج اللغة والرؤية لترتيب هذه المرشحات المتجذرة. تقييمها يعتمد على التوافق مع المهمة المستهدفة بدلاً من الاعتماد الكلي على الدرجات الهندسية. يمنع هذا النهج المحدود النموذج من توليد أوضاع غير مقيدة. يختار بدلاً من ذلك من مجموعة موثقة من معرفات المرشحين.
أظهرت التقييمات المكثفة عبر ستين تجربة فعلية للنظام الكامل معدل نجاح مهماتي بنسبة 63.3%. شملت الاختبارات مهاماً مثل النقل العشوائي وضرب المطرقة والسكب. كشفت تجارب إعادة التشغيل الخاضعة للرقابة عن تفاوتات كبيرة في الأداء اعتماداً على اختيار نموذج اللغة والرؤية. برز Gemini 3 Flash Preview كأفضل أداء في مرحلة تحديد المواقع الأولى. حقق دقة تبلغ 95.0% مع أقل زمن استجابة. أما في مرحلة الترتيب الثانية، أظهر GPT-5.6 Sol موثوقية فائقة. حصل على معدل صحة مهمة من المرتبة الأولى بنسبة 92.9% وأظهر أقوى اتساق في الاستدلالات المتكررة.
تبرز هذه الدراسة أن إكمال المهام الفعلية وسلوكيات النماذج المحددة تعكس جوانب مختلفة من متانة النظام. أظهر تحليل الحساسية أن التغييرات في أدلة المرشحين الأوائل يمكن أن تغير اختيارات الإمساك النهائية. يؤكد هذا الحاجة إلى تقييم المرحلتين معاً. يوفر هذا الإطار أساساً أوضح لتقييم الأنظمة الروبوتية القائمة على نماذج اللغة والرؤية من خلال عزل الدلالة عن تدقيق المرشحين. يتجاوز مقاييس النجاح البسيطة لفهم أين ولماذا تنجح القرارات أو تفشل. تقدم هذه المنهجية مساراً قابلاً للتوسع لدمج الاستدلال عالي المستوى في التحكم الروبوتي منخفض المستوى. تضمن أن الروبوتات لا تمسك الأجسام فحسب بل تفعل ذلك بطريقة تلبي التعليمات البشرية المعقدة.