Ushbu tadqiqot robotlarning o‘zgaruvchan real dunyo sharoitlariga moslashuvida ikki xil o‘rganish mexanizmini taqqoslaydi: tajribalar o‘rtasidagi doimiy strukturaviy muntazamliklarni model parametrlariga singdiradigan Xulosaviy Strukturani O‘rganish (Inferred-Structure Learning, IS) va model parametrlarini o‘zgartirmasdan mavjud misollardan joriy vazifa qoidasini tezkor chiqarib oladigan Kontekst Ichida O‘rganish (In-Context Learning, ICL). Tadqiqotchilar MAML asosidagi IS agenti bilan kichik transformer asosidagi ICL agentini bir xil support va query ma’lumotlarida taqqoslagan; strukturaviy o‘zgarishlarda IS, har bir epizodda butunlay o‘zgaradigan kontekstual qoidalarda esa ICL ustun bo‘lishini bashorat qiladigan ierarxik Bayes doirasini ishlab chiqqan. O‘n ikki nazoratli tajribada sintetik va robot miqyosidagi ma’lumotlar bu to‘ldiruvchanlikni kuchli qo‘llab-quvvatlagan; Niryo Ned3 Pro robotidan yig‘ilgan 2.400 haqiqiy proprioseptiv kuzatuvda IS strukturaviy o‘zgarishlar ostida ICLni sezilarli darajada ortda qoldirgan. Biroq haqiqiy robot tajribasidagi sinf yorliqlari sintetik tarzda tayinlangan, robotning yopiq konturdagi fizik vazifa muvaffaqiyati o‘lchanmagan va haqiqiy ma’lumotdagi kontekstual ICL ustunligi statistik ahamiyatga yetmagan.

Tadqiqotning asosiy xulosasi shuki, IS va ICL bir-birining o‘rnini bosadigan raqib texnikalar emas. IS ko‘plab tajriba yoki vazifalar davomida takrorlanadigan fizik va sababiy tuzilmalarni doimiy parametrlarga o‘tkazar ekan; ICL bitta vazifa davomida berilgan yangi misollar, ko‘rsatmalar yoki maqsad mosliklarini tez talqin qiladi. Shu sababli tadqiqotchilar doimiy dunyo modeli, muzlatilgan kontekstual mulohaza yuritish moduli va ikki chiqishni sharoitga ko‘ra birlashtiradigan o‘rganilgan gate mexanizmidan iborat uch qatlamli robotik kognitiv arxitekturani taklif qiladi.

Turkiya nuqtai nazaridan nimani anglatadi?

Turkiyada avtomobilsozlik, maishiy texnika, mudofaa, logistika, qishloq xo‘jaligi texnologiyalari va moslashuvchan ishlab chiqarish liniyalarida ishlatiladigan robotlar mahsulot og‘irligi, ishqalanish, uskuna yeyilishi, ish stoli tartibi va ishlab chiqarish maqsadlari kabi o‘zgaruvchilar bilan duch keladi. Ushbu tadqiqot fizik tuzilmadagi takrorlanuvchi o‘zgarishlarni uzoq muddatli strukturaviy model bilan, smena yoki buyurtma bo‘yicha o‘zgaradigan ko‘rsatmalarni esa kontekst ichidagi xulosa chiqarish bilan boshqarishni taklif qiladigan konseptual dizayn tamoyilini beradi.

Turkiyada qo‘llash uchun sintetik tasniflash tajribalaridan tashqariga chiqish kerak. Turkcha tabiiy til ko‘rsatmalari, mahalliy ishlab chiqarish liniyalaridagi sensor tartiblari, turli robot brendlari, haqiqiy yuk va ishqalanish o‘zgarishlari, xavfsizlik standartlari va fizik vazifa muvaffaqiyati mezonlari bilan yopiq kontur tajribalari o‘tkazilishi lozim. Tadqiqot natijalari taklif etilgan arxitektura Turkiyadagi robotik tizimlarda bevosita muvaffaqiyat keltirishini isbotlamaydi; qaysi turdagi o‘zgarishda qaysi moslashuv mexanizmi ustun qo‘yilishi kerakligi haqida sinovdan o‘tkaziladigan muhandislik gipotezasini beradi.

Tadqiqotning asosiy savoli nima?

Real dunyoda ishlaydigan robot ikki xil noaniqlikka duch kelishi mumkin. Birinchisida muhitning doimiy yoki takrorlanuvchi tuzilishi o‘zgaradi: yuk og‘irligi, bo‘g‘im ishqalanishi, sensorlar o‘rtasidagi munosabatlar, ish maydoni geometriyasi yoki obyektning fizik xatti-harakati farqlanishi mumkin. Ikkinchisida fizik tuzilish o‘zgarmaydi, ammo joriy vazifaning ma’nosi o‘zgaradi: operator yangi tartiblash qoidasini berishi, ranglarning maqsadlar bilan mosligi qayta tayinlanishi yoki xuddi shu obyektga boshqa maqsad berilishi mumkin.

Tadqiqotchilarning asosiy savoli shunday: robot bu o‘zgarishlarning barchasiga bitta moslashuv mexanizmi bilan javob berishi kerakmi yoki uzoq muddatli strukturaviy o‘rganish bilan qisqa muddatli kontekstual xulosa chiqarishni birga ishlatishi kerakmi?

Tadqiqot gipotezasi aniq:

• Strukturaviy o‘zgarishda, epizodlar orasida takrorlanuvchi umumiy tartib bo‘lgani uchun IS ustun bo‘lishi kerak.
• Kontekstual o‘zgarishda, har bir epizod qoidasi mavjud misollardan qayta o‘qilishi kerak bo‘lgani uchun ICL ustun bo‘lishi kerak.
• Aralash sharoitlarda, ikki mexanizm chiqishini muhitga qarab vaznlantiradigan gibrid tizim yakka ishlatiladigan agentlardan ko‘ra mosroq bo‘lishi kerak.

Xulosaviy Strukturani O‘rganish nima?

Xulosaviy Strukturani O‘rganish tadqiqotda standartlashgan yagona algoritm nomi sifatida emas, balki yashirin strukturaviy muntazamliklarni model parametrlariga singdiradigan usullar uchun yuqori darajadagi tushuncha sifatida qo‘llanadi. Meta-o‘rganish, dunyo modellari, variatsion avtoenkoderlar, yashirin o‘zgaruvchili mustahkamlovchi o‘rganish va reprezentatsion o‘rganish ushbu umumiy mexanizmning turli misollari sifatida qaraladi.

Kuzatilgan ma’lumot \(x\) bilan yashirin tuzilma \(z\) o‘rtasidagi asosiy generativ munosabat quyidagicha:

\[ p(x)=\int p(x\mid z)p(z)\,dz \]

Bu yerda:

• \(x\), tasvir, gap, robot holati yoki harakat trayektoriyasi kabi kuzatilgan ma’lumotdir.
• \(z\), fizik rejim, vazifa oilasi, muhit tartibi yoki sababiy tuzilma kabi bevosita kuzatilmaydigan o‘zgaruvchidir.
• \(p(z)\), mumkin bo‘lgan yashirin tuzilmalar ustidagi prior taqsimotdir.
• \(p(x\mid z)\), ma’lum yashirin tuzilma ostida ma’lumot kuzatilish ehtimolidir.

O‘rganiladigan parametrlar \(\theta\) qo‘shilganda model:

\[ p_{\theta}(x)=\int p_{\theta}(x\mid z)p(z)\,dz \]

ko‘rinishini oladi. Maqsad kuzatilgan ma’lumotni eng yaxshi tushuntiradigan parametrlarni o‘rganishdir:

\[ \theta^{*}=\arg\max_{\theta}\mathbb{E}_{p_{data}(x)}[\log p_{\theta}(x)] \]

Haqiqiy posterior taqsimotni hisoblash ko‘p hollarda qiyin bo‘lgani uchun, \(q_{\phi}(z\mid x)\) nomli taxminiy xulosa chiqarish modeli ishlatiladi. Evidence Lower Bound (ELBO) quyidagicha beriladi:

\[ \mathcal{L}(\theta,\phi)=\mathbb{E}_{q_{\phi}(z\mid x)}[\log p_{\theta}(x\mid z)]-D_{KL}(q_{\phi}(z\mid x)\parallel p(z)) \]

Birinchi had model ma’lumotni qanchalik yaxshi qayta tiklashi yoki tushuntirishini, Kullback-Leibler divergentsiyasi bo‘lgan ikkinchi had esa o‘rganilgan yashirin fazoning prior taqsimotdan haddan tashqari uzoqlashishiga to‘sqinlik qiladigan regularizatsiyani ifodalaydi. ISning asosiy xususiyati doimiy bilim model parametrlariga va yashirin reprezentatsiyalarga singdirilishidir.

Kontekst Ichida O‘rganish nima?

Kontekst Ichida O‘rganish oldindan o‘qitilgan modelning parametrlarini o‘zgartirmasdan, faqat joriy kirish ketma-ketligidagi misollar yordamida vazifaning vaqtinchalik qoidasini chiqarib olishi hisoblanadi. Model parametrlari \(\theta\) o‘zgarmas qoladi. \(k\) misoldan iborat kontekst:

\[ C=\{(x_i,y_i)\}_{i=1}^{k} \]

deb aniqlanganda yangi query uchun bashorat:

\[ \hat{y}_{k+1}=f_{\theta}(x_{k+1},C) \]

ko‘rinishida bo‘ladi. Moslashuv gradient yangilanishi bilan emas, transformerning self-attention mexanizmi orqali sodir bo‘ladi:

\[ h_i=Attention(Q_i,K_C,V_C) \]

\(Q_i\) joriy queryni, \(K_C\) kontekst misollarining key reprezentatsiyalarini, \(V_C\) esa shu misollardan olinadigan ma’lumotni tashiydi. Model qaysi kontekst misollari joriy query bilan bog‘liq ekanini attention vaznlari bilan aniqlaydi.

Bu jarayon Bayes nuqtai nazaridan vazifa parametri \(\phi\) ustidagi vaqtinchalik posterior taqsimotni taxminiy hisoblash sifatida ifodalanadi:

\[ p(y\mid x,C)\approx\int p_{\theta}(y\mid x,\phi)q(\phi\mid C)\,d\phi \]

Kontekst olib tashlanganda ushbu moslashuv ham yo‘qoladi. Shu sababli ICL tez va parametr yangilanishisiz ishlaydi; biroq o‘zi yangi strukturaviy bilimni doimiy xotiraga aylantirmaydi.

IS va ICL o‘rtasidagi asosiy farqlar nimalar?

Birlashtirilgan Bayes doirasi qanday quriladi?

Tadqiqot ikki yondashuvni bir xil ierarxik xulosa chiqarish jarayonining turli vaqt masshtabidagi komponentlari sifatida ifodalaydi:

\[ p(y\mid x,D)=\int p_{\theta}(y\mid x,\phi)q_{\theta}(\phi\mid D)\,d\phi \]

\(D\), IS nuqtai nazaridan uzoq muddatli o‘qitish ma’lumotini; ICL nuqtai nazaridan esa qisqa muddatli kontekst misollarini ifodalashi mumkin. IS doimiy prior va strukturaviy reprezentatsiya qobiliyatini yaratadi, ICL esa ushbu priorni joriy vazifa misollarida tez qo‘llaydi.

Birinchi teorema: IS qaysi sharoitlarda yaqinlashadi?

Birinchi teorema strukturaviy shovqin ostida MAML asosidagi IS agentining meta-parametrlari qanchalik tez yaqinlashishi mumkinligini tushuntiradi. Har bir epizoddagi strukturaviy siljish \(\varepsilon\) bilan chegaralangan, yo‘qotish funksiyasi \(L\)-Lipschitz va \(\mu\)-kuchli konveks deb faraz qilinadi.

Asosiy matndagi chegara quyidagicha:

\[ \|\theta_T-\theta^{*}\|\leq(1-\eta\mu)^T\|\theta_0-\theta^{*}\|+\frac{\eta L\varepsilon}{\mu} \]

Bu yerda:

• \(\theta_T\), \(T\) meta-yangilanishdan keyingi parametrlardir.
• \(\theta^{*}\), vazifa oilasi uchun eng yaxshi meta-boshlang‘ich qiymatdir.
• \(\eta\), o‘rganish tezligidir.
• \(\mu\), kuchli konvekslik koeffitsiyentidir.
• \(L\), silliqlik yoki Lipschitz koeffitsiyentidir.
• \(\varepsilon\), epizodlar orasidagi strukturaviy shovqinning yuqori chegarasidir.

Birinchi had yangilanish soni bilan geometrik tarzda kamayadi. Ikkinchi had strukturaviy shovqin tufayli nolga tushirib bo‘lmaydigan xato polini ifodalaydi. Biroq qo‘shimcha isbotdagi geometrik qator amali \(L\varepsilon/\mu\) natijasini bersa, teoremaning asosiy ifodasida \(\eta L\varepsilon/\mu\) yozilgan. Ko‘rib chiqilgan versiya bu farq uchun izchil matematik tushuntirish bermaydi.

Ikkinchi teorema: Kontekst kattalashgani sari ICL qanday o‘zgaradi?

Ikkinchi teorema \(k\) kontekst misolini oladigan ICL agentining vazifani oldindan biladigan oraclega nisbatan kutilgan regretini chegaralaydi:

\[ \mathbb{E}[R_{ICL}(k)]\leq\mathcal{O}\left(\frac{d\log M}{k}\right) \]

\(d\), kirish o‘lchamini; \(M\), mumkin bo‘lgan vazifa yoki yorliq mosligi sonini; \(k\) esa kontekst misollari sonini ifodalaydi. Model Bayes xulosasini yetarlicha to‘g‘ri yaqinlashtiradi degan faraz ostida kontekst ko‘paygani sari regret taxminan \(1/k\) tezlikda kamayishi kutiladi.

Kontekst masshtablash tajribasida \(k\) qiymati 4, 8, 12, 16, 24, 32 va 48 qilib o‘zgartirilgan. Kontekstual o‘zgarish sharoitida ICL aniqligi kontekst hajmi bilan monoton tarzda oshgan. Strukturaviy sharoitda ham ko‘proq misol ICLga yordam bergan, biroq epizodlararo o‘rganilgan strukturaviy priorni ishlatadigan IS agentidan ortda qolgan.

Uchinchi teorema: Gibrid agent qaysi usulga qancha vazn berishi kerak?

IS va ICL vazifa haqida shartli ravishda mustaqil ma’lumot beradi degan farazda optimal aralashma koeffitsiyenti:

\[ \alpha^{*}=\frac{I(z;D_{meta})}{I(z;D_{meta})+I(\phi;C)} \]

sifatida beriladi. \(I(z;D_{meta})\), IS yashirin tuzilmasi bilan meta-o‘qitish ma’lumoti o‘rtasidagi mutual informationni; \(I(\phi;C)\), ICLning vaqtinchalik vazifa o‘zgaruvchisi bilan kontekst o‘rtasidagi mutual informationni ifodalaydi.

• Strukturaviy ma’lumot ustun bo‘lsa \(\alpha^{*}\) 1 ga yaqinlashadi va IS vazni ortadi.
• Kontekstual ma’lumot ustun bo‘lsa \(\alpha^{*}\) 0 ga yaqinlashadi va ICL vazni ortadi.

Shartli mustaqillik bajarilmasa yopiq shakldagi natija amal qilmasligi mumkin. Tadqiqotchilar bunday holda support to‘plamining o‘rtacha qiymati, dispersiyasi va sinf entropiyasi kabi xulosalarini ishlatib, \(\alpha\) qiymatini har epizod uchun bashorat qiladigan o‘rganilgan gate tarmog‘idan foydalangan.

Robotik foydalanish misoli nimani tushuntiradi?

Tadqiqotchilar umumiy stol ustida rangli obyektlarni turli maqsadlarga ko‘chiradigan hamkor robot qo‘li misolidan foydalanadi. Fabrika muhitida obyekt og‘irligi, ishqalanish va konveyer tezligi o‘zgarishi mumkin. Oshxonada fizik muhit o‘zgarmas qolib, retsept sabab obyekt-maqsad mosligi o‘zgarishi mumkin. Qadoqlash stansiyasida esa fizik sharoitlar ham, maqsad ma’nolari ham birga o‘zgarishi mumkin.

IS agenti fizik rejim yoki ish maydonini ifodalovchi yashirin \(z_t\) o‘zgaruvchisini o‘rganadi:

\[ p_{\theta}(s_{t+1}\mid s_t,a_t,z_t) \]

Siyosat ham joriy holat va chiqarilgan tuzilmaga ko‘ra shartlanadi:

\[ \pi_{\theta}(a_t\mid s_t,z_t)=\frac{\exp(Q_{\theta}(s_t,a_t,z_t)/\tau)}{\sum_{a'}\exp(Q_{\theta}(s_t,a',z_t)/\tau)} \]

\(\tau\), harakat taqsimotining qanchalik tasodifiy bo‘lishini belgilovchi harorat koeffitsiyentidir. ICL agenti esa bir nechta misol harakatdan “qizil obyekt A maqsadga, ko‘k obyekt C maqsadga” kabi vaqtinchalik moslikni chiqarib oladi; model parametrlarini o‘zgartirmasdan yangi obyekt maqsadini bashorat qiladi.

Tajriba pipeline qanday qurilgan?

10-sahifadagi 2-rasm tajriba pipelineini to‘rt bosqichda ko‘rsatadi:

1. MAML asosidagi IS agenti 1.500 meta-o‘qitish epizodi bilan, ICL transformeri esa 50.000 tasodifiy tasniflash vazifasi bilan o‘qitilgan.
2. Agentlar strukturaviy va kontekstual o‘zgarish muhitlarida sinovdan o‘tkazilgan.
3. Har bir baholash epizodida bir xil 24 support misoli va 120 query misoli ikkala agentga ham berilgan.
4. Juftlangan t-testi, Cohenning \(d\) effekt kattaligi, bootstrap ishonch oralig‘i va Bonferroni tuzatishi qo‘llangan.

11-sahifadagi 3-rasm IS agenti support to‘plamida besh gradient qadami bilan parametrlarini o‘zgartirishini, ICL agenti esa muzlatilgan parametrlar bilan kontekst ketma-ketligiga attention qo‘llashini taqqoslab ko‘rsatadi.

Strukturaviy va kontekstual o‘zgarish qanday ajratilgan?

Strukturaviy o‘zgarishda barcha epizodlar uchun umumiy o‘zgarmas bazaviy matritsa mavjud:

\[ W_{ep}=W_{base}+\varepsilon,\qquad \varepsilon\sim\mathcal{N}(0,\sigma_{shift}^{2}I) \]

Bu muhitda har bir vazifa bir xil bazaviy tuzilmaning shovqinli versiyasidir. MAML \(W_{base}\) tuzilmasini epizodlar bo‘ylab meta-o‘rganishi mumkin.

Kontekstual o‘zgarishda esa:

\[ W_{ep}\sim\mathcal{N}(0,I) \]

ko‘rinishida har bir epizod uchun butunlay yangi matritsa yaratiladi. Umumiy baza bo‘lmagani uchun ISning epizodlararo priori foydali emas; ICL joriy support misollaridan epizod mosligini o‘qiydi.

13-sahifadagi 4-rasm bu farqni ko‘k strukturaviy va qizil kontekstual panellar bilan ko‘rsatadi. Shu sahifadagi 5-rasmda strukturaviy muhitda IS aniqligi taxminan 0,80 atrofida, ICL aniqligi esa taxminan 0,58 atrofida. 6-rasmda kontekstual muhitda natija teskarilanadi va ICL o‘rtacha aniqligi ISdan yuqori chiqadi.

Haqiqiy robot tajribasida nima qilingan?

Niryo Ned3 Pro olti o‘qli robot qo‘li chegaralari belgilangan ish maydonidagi tasodifiy Karteziyan koordinatalarga harakatlantirilgan:

• \(x\): 0,144-0,385 metr
• \(y\): -0,253 dan 0,253 metrgacha
• \(z\): 0,050-0,100 metr

Har bir koordinatada 21 o‘lchamli kuzatuv vektori qayd etilgan:

• 6 bo‘g‘im burchagi — radianlarda
• 3 end-effector koordinatasi — metrlarda
• 4 obyektning end-effectorga nisbatan uch o‘lchamli joylashuvi — jami 12 qiymat, metrlarda

Pilot bosqichida 80 epizodda sakkiztadan kuzatuv bilan 640 o‘lchov; to‘liq bosqichda 200 epizodda o‘n ikkitadan kuzatuv bilan 2.400 o‘lchov to‘plangan. To‘liq tajriba taxminan 3,3 soat robot ishlashini qamrab olgan, 120 epizod o‘qitish va 80 epizod baholash uchun ishlatilgan.

Sinf yorliqlari haqiqiy ushlash, kontakt yoki maqsadga erishish natijasidan olinmagan. To‘rtta maqsad sinfi quyidagi chiziqli proyeksiya bilan tayinlangan:

\[ y=\arg\max(X_{real}W) \]

Strukturaviy sharoitda:

\[ W_i=W_{base}+\varepsilon_i,\qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^{2}I),\quad \sigma=0{,}3 \]

kontekstual sharoitda esa:

\[ W_i\sim\mathcal{N}(0,0{,}25I) \]

ishlatilgan. Bu dizayn haqiqiy sensor shovqini va kinematik korrelyatsiyalar IS-ICL farqini buzadimi-yo‘qmi, shuni sinaydi. Biroq robot bashorat qilingan maqsadga haqiqatan harakat qilib, muvaffaqiyatli yetganini ko‘rsatadigan yopiq kontur fizik tajribasi emas.

Tadqiqotning asosiy natijasi nima?

Sintetik bazaviy tajribada strukturaviy o‘zgarish ostida IS agentining o‘rtacha aniqligi 0,795, ICL agentining aniqligi 0,578 bo‘lgan. Farq juda katta: \(d=3{,}57\) va \(p=3{,}1\times10^{-115}\).

Kontekstual o‘zgarishda ICL o‘rtacha 0,641 aniqlikka erishgan, IS esa 0,561 da qolgan. Effekt kattaligi \(d=-0{,}99\), tuzatilgan ahamiyat qiymati \(p=2{,}9\times10^{-31}\) deb bildirilgan. Manfiy effekt kattaligi ICL foydasiga bo‘lgan farqni ko‘rsatadi.

Robot miqyosidagi 19 o‘lchamli simulyatsiyada strukturaviy ustunlik yanada kattalashgan; IS 0,822, ICL 0,514 aniqlik ko‘rsatgan. Kontekstual sharoitda ICL 0,623, IS 0,548 aniqlikka erishgan.

Haqiqiy robot ma’lumotida strukturaviy sharoit uchun IS 0,794, ICL 0,613 o‘rtacha aniqlikka erishgan. Juftlangan test natijasi \(t(79)=5{,}22\), \(p=1{,}42\times10^{-6}\), \(d=0{,}587\) deb bildirilgan. Bu o‘rta kattalikdagi va ahamiyatli IS ustunligidir.

Haqiqiy ma’lumotning kontekstual sharoitida ICL 0,675, IS 0,609 aniqlik ko‘rsatgan. Yo‘nalish ICL foydasiga bo‘lsa-da, farq ahamiyatli emas: \(t(79)=-1{,}58\), \(p=0{,}117\), \(d=-0{,}178\).

Kontekstual haqiqiy robot natijasining zaiflashishi qanday tushuntirilgan?

Tadqiqotchilar uchta sabab taklif qiladi:

• Haqiqiy robot tajribasida kontekst soni \(k=8\), bazaviy sintetik tajribada esa \(k=24\) bo‘lgan. Kamroq misol ICLga yangi moslikni yechish uchun kamroq ma’lumot beradi.
• Bo‘g‘im burchaklari, end-effector joylashuvi va nisbiy obyekt koordinatalari kinematik jihatdan o‘zaro bog‘liq. Korrelyatsiya har bir kontekst misolining mustaqil axborot miqdorini kamaytirishi mumkin.
• Radian va metr masshtablarini tenglashtirish uchun qo‘llangan z-score normalizatsiya sinflar orasidagi ajralishni siqishi mumkin.

Kontekst hajmi sakkizga tushirilgan alohida sintetik nazoratda ICLning kontekstual effekt kattaligi \(-0{,}99\) dan \(-0{,}41\) gacha kamaygan, biroq baribir ahamiyatli bo‘lib qolgan. Bu natija kontekst soni ta’sirli ekanini qo‘llab-quvvatlaydi. Haqiqiy ma’lumotdagi qo‘shimcha pasayish esa sensor shovqini, korrelyatsiya va normalizatsiya bilan bog‘langan.

Gibrid agent nimani ko‘rsatgan?

IS va ICL sinf logitlari quyidagi qoida bilan birlashtirilgan:

\[ \hat{y}=\arg\max_c[\alpha\,\ell_{IS}(c)+(1-\alpha)\,\ell_{ICL}(c)] \]

\(\alpha=1\) sof IS, \(\alpha=0\) sof ICL degani. 15-sahifadagi 12-rasmda strukturaviy o‘zgarish ostida \(\alpha\) ortgani sari aniqlik oshgani, kontekstual o‘zgarishda esa kamaygani ko‘rinadi. Support to‘plamining statistikalaridan \(\alpha\) ni bashorat qiladigan kichik gate tarmog‘i epizod turiga qarab sof IS yoki sof ICLga yaqin vaznlarni tanlagan.

Bu natija bitta o‘zgarmas aralashma barcha sharoitda eng yaxshi emasligini ko‘rsatadi. Robot avval o‘zgarish doimiy strukturaviy o‘zgarishmi yoki vaqtinchalik kontekstual o‘zgarishmi, shuni baholashi kerak.

Uch qatlamli kognitiv arxitektura qanday loyihalangan?

22-sahifadagi 17-rasm tadqiqotchilar taklif qilgan, ammo end-to-end amalga oshirmagan konseptual arxitekturani ko‘rsatadi:

1. Strukturaviy Dunyo Modeli: RGB-D tasvir, bo‘g‘im joylashuvi, kuch-moment va muhit holatidan yashirin \(z_t\) reprezentatsiyani o‘rganadi. Sekin meta-yangilanishlar bilan muhit dinamikasi, obyekt affordancelari va doimiy munosabatlarni yig‘adi.
2. Kontekstual Mulohaza Moduli: Muzlatilgan vision-language transformer \(z_t\) strukturaviy prefiksi va joriy kontekstdan foydalanib yangi ko‘rsatmalar, foydalanuvchi afzalliklari va vazifa misollarini parametr yangilamasdan talqin qiladi.
3. Qaror va Boshqaruv Moduli: Strukturaviy va kontekstual siyosatlarni o‘rganilgan \(\alpha_t\) gate bilan birlashtiradi.

Birlashtirilgan siyosat konseptual tarzda:

\[ \pi(a_t\mid s_t,C_t)=\int\pi_{\theta}(a_t\mid s_t,z_t)\,q(z_t\mid D)\,q(\phi\mid C_t)\,dz_t\,d\phi \]

ko‘rinishida ifodalanadi. IS uzoq muddatli xotira, ICL esa ishchi xotira kabi ishlaydi. Biroq bu uch qatlamli tizim tadqiqotda fizik robotda end-to-end amalga oshirib taqqoslanmagan; tajriba natijalaridan chiqarilgan dizayn taklifidir.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Takrorlanuvchi umumiy vazifa tuzilmasi bo‘lgan nazoratli tajribalarda MAML asosidagi IS kontekstga asoslangan transformerdan sezilarli darajada muvaffaqiyatliroq.
• Har bir epizodda vazifa mosligi butunlay o‘zgaradigan sintetik sharoitlarda ICL ISdan muvaffaqiyatliroq.
• ICL muvaffaqiyati berilgan kontekst misollari soni ortgani sari oshadi.
• ISning strukturaviy ustunligi 12 o‘lchamli sintetik ma’lumotdan 19 o‘lchamli robot miqyosidagi ma’lumotga va 21 o‘lchamli haqiqiy proprioseptiv ma’lumotga ko‘chgan.
• Chiziqli bo‘lmagan tasniflash tajribasida ham ustunlik yo‘nalishlari saqlangan.
• Beshta turli tasodifiy boshlanishda sintetik strukturaviy va kontekstual effekt yo‘nalishlari barqaror qolgan.
• O‘rganilgan gate tarmog‘i strukturaviy va kontekstual sharoitlarda turli IS-ICL vaznlarini tanlay olgan.

Tadqiqot isbotlamagan natijalar

• Taklif etilgan tizim haqiqiy robotda yopiq kontur ushlash, joylashtirish yoki maqsadga yetish muvaffaqiyatini ko‘rsatmagan.
• Sintetik chiziqli sinf yorliqlari tabiiy robot vazifalarining barcha murakkabligini ifodalaydi deb isbotlanmagan.
• Haqiqiy robot ma’lumotida kontekstual ICL ustunligi statistik jihatdan tasdiqlanmagan.
• Natijalar barcha IS yoki ICL algoritmlarining xatti-harakatini ifodalamaydi; faqat MAML va taxminan 415-417 ming parametrli kichik transformer taqqoslangan.
• Uch qatlamli gibrid kognitiv arxitektura end-to-end amalga oshirilmagan va fizik robotda sinovdan o‘tkazilmagan.
• Nazariy chegaralarning kuchli konvekslik va shunga o‘xshash farazlari real, chiziqli bo‘lmagan robotik tizimlarda to‘liq tasdiqlanmagan.
• Tadqiqot katta til modeli miqyosidagi ICL tizimlari xuddi shu effekt kattaliklarini ko‘rsatishini isbotlamaydi.
• Uzoq muddatli online o‘rganish, xavfsizlik, catastrophic forgetting va hisoblash xarajati bevosita o‘lchanmagan.

Tadqiqotning Usuli va Natijalari

Agent arxitekturalari va o‘qitish sharoitlari

IS agentining outer loopi Adam bilan 0,003 o‘rganish tezligida, ICL agenti Adam bilan \(10^{-3}\) o‘rganish tezligida o‘qitilgan. Bazaviy sintetik vazifalar 12 o‘lchamli kirish, to‘rtta sinf, 24 support misoli va 120 query misolini o‘z ichiga oladi.

O‘n ikki tajribaning qamrovi

Asosiy raqamli natijalar

Muqobil usullar bilan taqqoslash

Ridge regressiyaning chiziqli kontekstual vazifada ICLdan ozgina yuqori aniqlik ko‘rsatishi muhim. Bu natija ICLning kontekstual ustunligi har qanday sharoitda eng yaxshi tasniflagich degani emasligini ko‘rsatadi. Tadqiqotning asosiy taqqoslanishi epizodlararo parametr o‘rganish bilan epizod ichidagi kontekstual xulosa chiqarish o‘rtasidagi mexanizm farqidir.

Ko‘p seed va statistik tahlil

Beshta tasodifiy boshlanishda strukturaviy Cohenning \(d\) qiymati o‘rtacha \(3{,}65\pm0{,}24\), kontekstual qiymat esa \(-0{,}99\pm0{,}05\) deb bildirilgan. Bazaviy taqqoslashlarda har bir sharoit uchun 200 epizod ustida juftlangan t-testlari, 10.000 qayta namunalashli bootstrap 95 foizlik ishonch oraliqlari va Bonferroni tuzatishi qo‘llangan.

Haqiqiy robot to‘liq tajribasida 80 noyob baholash epizodi ishlatilgani asosiy matn va 5-jadvalda ochiq ko‘rsatilgan. Biroq 19-sahifadagi 14-rasm 300 qayta namunalangan baholash epizodi va boshqa aniqlik qiymatlarini ko‘rsatadi. Ushbu tasvir bilan asosiy matn bir xil tajriba versiyasini ifodalamaydi; natijalarni talqin qilishda asosiy matndagi 80 noyob epizod asos qilib olinishi kerak.

Tadqiqotning kuchli tomonlari

• IS va ICLni bir xil support va query ma’lumotlari ustida nazoratli tarzda taqqoslaydi.
• Strukturaviy va kontekstual o‘zgarishni matematik jihatdan aniq ajratadi.
• Kontekst hajmi, shovqin, vazifa murakkabligi, chiziqli bo‘lmagan chegaralar va tasodifiy boshlanishlar uchun qo‘shimcha nazoratlar bajaradi.
• Effekt kattaligi, juftlangan test, ishonch oralig‘i va ko‘p taqqoslash tuzatishini hisobot qiladi.
• Sintetik ma’lumotdan haqiqiy robot sensor ma’lumotiga bosqichma-bosqich tasdiqlash olib boradi.
• Haqiqiy robot tajribasida ikkala agentga bir xil support va query epizodlarini berib, adolatli taqqoslash yaratadi.
• Haqiqiy ma’lumotdagi kontekstual natija ahamiyatli emasligini natija va cheklovlarda ochiq tan oladi.

Tadqiqotning cheklovlari va matn ichidagi nomuvofiqliklar

• Tadqiqot ekspert taqrizidan o‘tmagan preprintdir.
• Haqiqiy robot ma’lumotidagi yorliqlar tabiiy fizik vazifa natijasidan emas, sintetik chiziqli proyeksiyadan hosil qilingan.
• Yopiq kontur robot harakati, maqsadga yetish, ushlash yoki joylashtirish muvaffaqiyati baholanmagan.
• Haqiqiy robotning kontekstual sharoitida ICL farqi ahamiyatli emas.
• Abstrakt va Highlights bo‘limlaridagi umumiy \(p<0{,}001\), \(d>0{,}9\) ifodasi haqiqiy robotning kontekstual natijasini qamrab olmaydi.
• 14-rasm eski yoki boshqa tajriba pipelineiga tegishli 300 qayta namunalangan epizodni ko‘rsatsa, asosiy matn 80 noyob epizodni bildiradi.
• Korrelyatsiya qiymatlari matn ichida 0,299 va 0,303; yuqori korrelyatsiya chegarasi esa 0,5 va 0,8 sifatida ikki xil yozilgan.
• Birinchi teoremaning asosiy chegarasi bilan qo‘shimcha isbotdagi xato poli o‘rtasida \(\eta\) koeffitsiyenti bo‘yicha nomuvofiqlik mavjud.
• Nazariy natijalar kuchli konvekslik, silliqlik, taxminiy Bayes xulosasi va shartli mustaqillik kabi kuchli farazlarga tayangan.
• IS faqat MAML, ICL esa kichik transformer bilan ifodalangan; dunyo modeli, katta til modeli yoki Decision Transformer kabi boshqa amalga oshirishlar sinovdan o‘tkazilmagan.
• Vazifalarning ko‘pchiligi tasniflashdir; ketma-ket qaror qabul qilish va qisman kuzatiluvchanlik bevosita sinovdan o‘tkazilmagan.
• Taklif etilgan uch qatlamli arxitektura konseptual bo‘lib, end-to-end robotda tasdiqlanmagan.

Manba va Usul Haqida Izoh

Tadqiqotning to‘liq asl nomi: Inferred-Structure and In-Context Learning: A Unified Bayesian Framework for Adaptive Robotic Intelligence in Real-world Settings

Mualliflar: Khashayar Ghamati; Abolfazl Zaraki.

Mualliflar tartibi: Khashayar Ghamati birinchi muallif, Abolfazl Zaraki ikkinchi muallifdir.

Teng birinchi muallif: Teng hissa yoki teng birinchi muallif ma’lumoti ko‘rib chiqilgan versiyada mavjud emas.

Mas’ul muallif: Khashayar Ghamati. Matndagi yulduzcha va aloqa elektron pochtasi mas’ul muallifni ko‘rsatadi.

Institutsional aloqa: School of Physics, Engineering and Computer Science (SPECS), Robotics Research Group, University of Hertfordshire, College Lane, Hatfield, AL10 9AB, United Kingdom.

ORCID: Khashayar Ghamati — 0009-0002-6416-3127; Abolfazl Zaraki — 0000-0001-6204-7865.

DOI:10.2139/ssrn.7193870

Jurnal: Ekspert taqrizidan o‘tgan jurnal nomi ko‘rib chiqilgan versiyada mavjud emas. Pastki izohda faqat “Preprint submitted to Elsevier” ifodasi bor; qaysi jurnalga yuborilgani ochiqlanmagan.

Nashriyot: Yakuniy asl nashriyot ma’lumoti mavjud emas. SSRN preprint platformasidir va yakuniy jurnal nashriyoti sifatida baholanmasligi kerak.

Nashr platformasi: SSRN.

Nashr yili: 2026.

Manba turi: Nazariy modellashtirish, nazoratli sintetik tajribalar, robot miqyosidagi ma’lumot tahlili va haqiqiy proprioseptiv robot ma’lumotini o‘z ichiga olgan muhandislik tadqiqoti preprinti.

Ekspert taqrizi holati: Ushbu tadqiqot preprintdir va ekspert taqrizidan o‘tmagan. Natijalar shu cheklov hisobga olingan holda o‘qilishi kerak.

Rasmiy manba:SSRN rasmiy tadqiqot qaydi.

Versiya izohi: Xuddi shu sarlavha uchun 6487278 raqamli eski SSRN qaydi ham indekslangan. Ko‘rib chiqilgan versiya aniq 7193870 raqamli qaydga yo‘naltiradi; ikki qayd o‘rtasidagi munosabat matnda tushuntirilmagan.

Ma’lumot va kod bayonoti: Tadqiqotchilar qo‘shimcha material, manba kod, o‘qitilgan modellar va tajriba ma’lumotlari tadqiqot loyiha sahifasida mavjudligini bildiradi. Bu bayon ko‘rib chiqilgan preprintda bor; barcha fayllarning to‘liq kirish imkoniyati ushbu maqola tayyorlanayotganda alohida texnik tarzda tasdiqlanmagan.

Ushbu turkcha izoh yuklangan 27 sahifalik tadqiqotning matni, matematik ifodalari, jadvallari, tajriba grafiklari, robot tasvirlari va qo‘shimcha teorema isbotlari ko‘rib chiqilib tayyorlangan. Ilmiy mazmunga tadqiqotdan tashqari yangi tajriba natijasi yoki muvaffaqiyat da’vosi qo‘shilmagan. Tashqi tasdiqlash faqat muallif, muassasa, DOI, SSRN qaydi va nashr holatini bibliografik tekshirish uchun ishlatilgan.

Tadqiqotning haqiqiy robot bo‘limi fizik sensor ma’lumotida o‘rganish mexanizmlarini taqqoslaydi; robotning haqiqiy uzanish, ushlash yoki joylashtirish vazifasini yopiq konturda tugatganini ko‘rsatmaydi. Taklif etilgan uch qatlamli IS-ICL arxitekturasi ham eksperimental tarzda amalga oshirilgan yakuniy robot tizimi emas, balki topilmalardan chiqarilgan konseptual dizayn taklifidir.