Robotların öğrenme başarısı yeni yöntemle yüzde 74,8'e ulaştı.

Robotik alanında çalışan araştırmacılar, otonom sistemlerin yeni beceriler kazanırken eski yeteneklerini kaybetme sorununa karşı önemli bir adım attı. Hazırlanan yeni bir akademik çalışmaya göre, Dream to Remember (D2R) ismi verilen teknik, robotik modellerin karmaşık görev dizilerindeki performansını belirgin şekilde yükseltti.

CALVIN adı verilen standart robot öğrenme testlerinde elde edilen bulgular, yeni yöntemin verimliliğini ortaya koyuyor. Geliştirilen yaklaşım, sekiz aşamalı bir görev dizisinde ortalama başarı oranını yüzde 63,7 seviyesinden yüzde 74,8'e çıkardı. Aynı test dizisinde yaygın kullanılan LoRA yönteminin başarı oranı ise yüzde 11,7 seviyesine kadar geriledi.

Geliştirilen mimari, robotun ana yapay zeka politikasını sabit tutarak yalnızca küçük bir yönlendirme modülünü eğitmeyi esas alıyor. Bu süreçte devreye giren önceden eğitilmiş dünya modeli, robotun geçmiş görevleri sanal ortamda tekrar etmesini sağlıyor. Böylece eski eğitim verilerini saklamaya veya geçmiş senaryolar için yeniden veri toplamaya gerek kalmıyor.

Farklı Senaryolarda Performans Test Edildi

Yöntemin etkinliği sadece bilgisayar simülasyonlarıyla sınırlı kalmadı. Araştırmacılar, LIBERO-90 test dizisinde ve gerçek bir Franka robot kolu üzerinde çeşitli denemeler gerçekleştirdi. Deneylerde robotun önceden kazandığı becerileri korurken üç yeni görevi sırasıyla başardığı kaydedildi.

Dünya modelinin yüksek doğrulukla çalıştığı durumlarda robot, yeni bir görevi tamamen zihninde canlandırarak öğrenebiliyor. Modelin yetersiz kaldığı durumlarda ise sistem, yeni yeteneği doğrudan gerçek çevrede denerken eski görevlerin tekrarını yine sanal ortamda sürdürüyor.

Sınırlamalar ve Yanıt Bekleyen Sorular

Elde edilen veriler şimdilik ilk aşama sonuçlarını temsil ediyor. Çalışma henüz bağımsız hakem heyeti değerlendirmesinden geçmedi. Ayrıca raporda işlem maliyetleri, görev bazlı detaylı skorlar ve kesin güven aralıkları henüz yer almıyor.

Sistemin başarısı büyük oranda kullanılan dünya modelinin kalitesine bağlı varlığını sürdürüyor. Eğer dünya modeli yeterince hassas değilse, robotun fiziksel çevreyle etkileşime girme zorunluluğu devam ediyor. Bu durum, yöntemin pratik uygulamalardaki sınırlarını belirleyen temel unsur olarak öne çıkıyor.

Gelecek Dönem Beklentileri

Yapay zeka modellerinin çok amaçlı robotik sistemlerde yaygınlaşması, bu tür esnek öğrenme tekniklerine bağlı görünüyor. Araştırmacılar, yıkıcı unutma probleminin çözülmesinin endüstriyel otomasyonda kritik bir dönüm noktası olacağını değerlendiriyor.