TL;DR
- نویسندگان:.
- Juhan Park،.
- Taerim Yoon،.
چه اتفاقی افتاد
نویسندگان:. Juhan Park،.
Taerim Yoon،. Seungmin Kim،.
Joonggil Kim،. Wontae Ye،.
Jeongeun Park،. Yoonbyung Chai،.
Geonwoo Cho،. Geunwoo Cho،.
Dohyeong Kim،. Kyungjae Lee،.
Yongjae Kim،. Sungjoon Choi برنامهریزی متنی برای دستکاری شیء مورد نیاز است.
و وظیفه، که سپس از طریق کنترل هماهنگ چند انگشتی اجرا میشود. با این حال،.
مشخص کردن پلانهای درک با موقعیتهای متراکم یا اهداف تماس برای هر شی و کار غیرعملی است. در همین حال،.
یادگیری تقویتی انتها به انتها از پاداش وظایف به تنهایی فاقد قابلیت کنترل است و مداخله را برای. کاربران در هنگام بروز شکست دشوار میکند.
برای این منظور،. ما GRIT،.
یک چارچوب دو مرحلهای را ارائه میکنیم که کنترل ماهرانهای را از راهنماییهای طبقهبندی پراکنده میآموزد. GRIT ابتدا مشخصات درک مبتنی بر طبقه بندی را از صحنه و زمینه وظیفه پیش بینی میکند.
مشروط به این فرمان پراکنده،. یک سیاست حرکات مداوم انگشت را ایجاد میکند که کار را با حفظ ساختار چنگال مورد نظر.
انجام میدهد. نتیجه ما نشان میدهد که دستهبندیهای خاص برای هندسههای شی خاص مؤثرتر هستند.
با استفاده از این رابطه،. GRIT تعمیم به اشیاء جدید را بیش از خطوط پایه بهبود میبخشد و به میزان موفقیت کلی.
87. 9 ٪ دست مییابد.
علاوه بر این،. آزمایشهای دنیای واقعی کنترلپذیری را نشان میدهند،.
و امکان تنظیم استراتژیهای درک از طریق انتخاب طبقهبندی سطح بالا بر اساس هندسه شی و هدف وظیفه. را فراهم میکنند.
رباتیک (cs. RO)؛ هوش مصنوعی (cs.
AI) استناد بهعنوان: (یا v1 [cs. RO] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Juhan Park [مشاهده ایمیل] [v1] یکشنبه،.
5 آوریل 2026،. ساعت 14:.
53:. 43 UTC (12,.
570 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.