X2C: A Dataset Featuring Nuanced Facial Expressions for Realistic Humanoid Imitation

تخيل أنك تحاول تعليم روبوت كيف يبتسم، ولكن بدلاً من مجرد إخباره بأن "يبدو سعيداً"، يتعين عليك تحريك 30 محركاً صغيراً في وجهه يدوياً لجعل زوايا الفم ترتجف بالشكل الصحيح تماماً. هذا هو العالم المعقد لـ الروبوتات البشرية (humanoid robotics)، حيث يحاول العلماء سد الفجوة بين كيفية إظهار البشر للمشاعر بشكل طبيعي وبين كيفية حركة الآلات الخرقاء فعلياً. لكي يكون الروبوت صديقاً جيداً، أو معلماً، أو ممرضاً، فإنه يحتاج إلى ما هو أكثر من مجرد إصدار أصوات "بيب" ووميض الأضواء؛ يحتاج إلى أن ينظر إلينا في أعيننا ويظهر عبوساً حقيقياً أو ابتسامة خفيفة غامضة. لقد كان التحدي الكبير دائماً هو أن الروبوتات والبشر مبنيون بشكل مختلف. فوجه الإنسان ناعم ومرن، بينما وجه الروبوت هو مجموعة من التروس والأسلاك. إن تحديد أي الأسلاك يجب شدها بالضبط لجعل الروبوت يبدو "حزيناً" أو "متفاجئاً" كان يشبه محاولة ترجمة قصيدة إلى لغة رياضية بدون قاموس.

هنا يأتي دور مشروع جديد يسمى X2C. فكر فيه كأنه دليل تعليمات ضخم وتفصيلي للغاية، يمنح الروبوتات أخيراً قاموساً للمشاعر. أدرك الباحثون وراء هذه الورقة البحثية أن المحاولات السابقة لتعليم الروبوتات المشاعر كانت تشبه محاولة تعلم لغة باستخدام كلمات قليلة فقط وكتاب صور ضبابي. لم تكن لديهم أمثلة كافية، وكانت التعليمات غالباً ما تعتمد على التخمين بدلاً من القياس. ولإصلاح ذلك، أنشأوا مجموعة بيانات ضخمة تسمى X2C (والتي تعني "أي شيء للتحكم" - Anything to Control). وهي تحتوي على 100,000 زوج من الصور والأرقام. تظهر كل صورة روبوتاً يصنع تعبيراً معيناً، وتخبر الأرقام الروبوت بكيفية تحريك 30 وحدة تحكم مختلفة بدقة — مثل حواجبه، وجفونه، وأنف، وفمه — لإعادة إنشاء ذلك التعبير بدقة.

باستخدام هذا "القاموس" الجديد، بنى الفريق برنامج كمبيوتر ذكياً يسمى X2CNet. يمكنك التفكير في X2CNet كأنه مترجم ذو خطوتين. أولاً، ينظر إلى وجه الإنسان ويحدد "طابع" (vibe) التعبير (هل هي ابتسامة خجولة أم ضحكة عالية؟). ثم يستخدم مجموعة بيانات X2C لترجمة هذا الطابع إلى الـ 30 رقماً المحددة التي يحتاجها الروبوت لتحريك وجهه. تُظهر الورقة البحثية أن هذا النظام يعمل بشكل رائع؛ فعندما اختبروه، استطاع الروبوت محاكاة التعبيرات البشرية الدقيقة — مثل العبوس الطفيف أو النظرة الجانبية — بدقة أعلى بكثير من أي طريقة سابقة. حتى أنهم أخذوا الروبوت إلى العالم الحقيقي، حيث نجح في نسخ وجوه 20 شخصاً مختلفاً من دول متنوعة، متجاوزاً تحديات الإضاءة المختلفة وحتى الأشخاص الذين يرتدون النظارات. والنتيجة هي روبوت لا يبدو كمجرد آلة، بل يبدو وكأنه يفهم حقاً ما تشعر به.

الصورة الكبيرة: لماذا تحتاج الروبوتات إلى "قاموس للوجه"؟

لفهم سبب أهمية هذه الورقة البحثية، نحتاج أولاً إلى النظر في المشكلة التي تحلها. لسنوات، كانت الروبوتات تتحسن في تحريك أجسامها، لكن وجوهها ظلت عالقة في العصر الحجري. فبينما نمتلك تقنيات مذهلة يمكنها جعل شاشة الكمبيوتر تعرض رأساً يتحدث، فإن جعل روبوت مادي يفعل الشيء نفسه هو أمر مختلف تماماً.

المشكلة الأساسية هي "فجوة النطاق" (domain gap). تخيل محاولة تعليم عازف بيانو كيف يعزف على الكمان؛ كلاهما يصنع الموسيقى، لكن الأدوات مختلفة تماماً. وبالمثل، يستخدم وجه الإنسان عضلات تتمدد وتنقبض بطرق معقدة، بينما يستخدم وجه الروبوت محركات تدور أو تنزلق. التحدي يكمكم في كيفية رسم خريطة للحركة الانسيابية والناعمة لتعبير بشري وتحويلها إلى الحركات الميكانيكية الدقيقة لوجه الروبوت.

لفترة طويلة، حاول الباحثون حل ذلك من خلال النظر إلى صور الوجوه وتخمين أجزاء الروبوت التي يجب تحريكها. لكن هذا يشبه محاولة قيادة سيارة بالنظر إلى خريطة للطريق دون معرفه كيفية عمل عجلة القيادة. كانت مجموعات البيانات السابقة صغيرة، وتفتقر غالباً إلى التفاصيل الهامة مثل التعبيرات "غير المتماثلة" (حيث يتحرك جانب واحد من الوجه بشكل مختلف عن الآخر، وهو ما يفعله البشر طوال الوقت). كما أنها اعتمدت على تخمين مواقع سمات الوجه، مما أدى إلى حدوث أخطاء. إذا كان التخمين خاطئاً، سيبدو وجه الروبوت غريباً أو مخيفاً بدلاً من أن يكون معبراً.

تتدخل هذه الورقة لتقول: "دعونا نتوقف عن التخمين". فبدلاً من التقدير، قرروا قياس كل شيء بدقة. أنشأوا نظاماً يتم فيه تسجيل كل وجه يصنعه الروبوت مع الأرقام الدقيقة التي تسببت في ذلك. وهذا يحول المشكلة من لعبة تخمين إلى علم دقيق.

الحل: مكتبة ضخمة لوجوه الروبوتات

قدم المؤلفون X2C، وهي مجموعة بيانات تعمل كمكتبة ضخمة لتعبيرات الروبوت. وإليكم كيف بنوها:

1. الروبوت: استخدموا روبوتاً يدعى Ameca، والذي يحتوي على 32 جزءاً متحركاً مختلفاً (تسمى درجات الحرية - Degrees of Freedom) في رأسه ورقبته. وهذا أكثر مما تمتلكه معظم الروبوتات، مما يسمح بحركات دقيقة للغاية.
2. المتطوعون: استعانوا بـ 10 متطوعين من جنسيات وأجناس مختلفة. لم يكتفِ هؤلاء المتطوعون بصنع تعبيرات وجوه فحسب، بل أنشأوا 560 "رسوماً متحركة" (animations) مختلفة. استخدموا محاكاة حاسوبية للتحكم في وجه الروبوت، وخلطوا ومزجوا بين عناصر التحكم الـ 30 المختلفة لإنشاء كل شيء، بدءاً من العواطف الأساسية (مثل الفرح أو المفاجأة) وصولاً إلى التعبيرات المعقدة والدقيقة التي لا تندرج تحت تصنيفات بسيطة.
3. نهج السلامة أولاً: نظراً لأن تحريك وجه روبوت حقيقي بشكل مفرط قد يؤدي إلى كسر جلده أو تروسه، فقد أجروا كل "التجارب" في محاكاة افتراضية. وبما أن الروبوت الافتراضي والروبوت الحقيقي يتشاركان في نفس نظام التحكم، فإن ما ينجح في المحاكاة ينجح في الواقع.
4. جمع البيانات: قاموا بتصوير هذه المحاكاة والتقطوا 100,000 صورة. ولكل صورة، سجلوا الأرقام الـ 30 الدقيقة (قيم التحكم) التي أوجدت ذلك الوجه المحدد. حتى أنهم فحصوا الصور للتأكد من عدم وجود صور مكررة، مما يضمن أن مجموعة البيانات متنوعة وفريدة.

النتيجة هي مجموعة بيانات حيث كل صورة لوجه الروبوت مقترنة تماماً بـ "الوصفة" (الأرقام الـ 30) اللازمة لصنعها. وهذه قفزة هائلة للأمام لأنها تزيل عنصر التخمين. توضح الورقة صراحةً رفض فكرة الاعتماد على التخمينات غير المثالية أو اكتشاف معالم الوجه (الذي قد يكون عرضة للخطأ). بدلاً من ذلك، جادلوا بأن استخدام قيم تحكم دقيقة رياضياً هو السبيل الوحيد للحصول على دقة حقيقية.

المترجم: X2CNet

امتلاك المكتبة (X2C) أمر رائع، ولكنك لا تزال بحاجة إلى طريقة لاستخدامها. وهنا يأتي دور X2CNet. هذا إطار عمل ذكاء اصطناعي مكون من خطوتين مصمم لأخذ صورة لإنسان وإخبار الروبوت بما يجب فعله.

• الخطوة 1: نقل الحركة (Motion Transfer): ينظر النظام أولاً إلى وجه الإنسان ويلتقط "حركة" تعبيره. إنه يشبه محرك دمى رقمي يقوم بتشويه وجه الروبوت ليتناسب مع حركة الإنسان في الصورة. هذا الجزء يعالج "ماهية" التعبير.
• الخطوة 2: شبكة الربط (Mapping Network): هذا هو عقل العملية. يأخذ وجه الروبوت المشوه ويسأل: "ما هي الأرقام الثلاثين التي أحتاجها لجعل هذا يبدو حقيقياً؟". يستخدم مجموعة بيانات X2C الضخمة لتعلم العلاقة بين شكل الوجه وأرقام التحكم.

اختبر المؤلفون هذا النظام بصرامة. لقد قسموا بياناتهم إلى مجموعة تدريب (80%) ومجموعة اختبار (20,000 صورة). وقارنوا طريقتهم بثلاث طرق أخرى:

1. التخمين العشوائي: اختيار أرقام عشوائية.
2. الاختيار العشوائي: اختيار وجه عشوائي من بيانات التدريب.
3. القائم على المعالم (Landmark-Based): استخدام الطريقة القديمة القائمة على التخمين بناءً على سمات الوجه.

كانت النتائج واضحة؛ فقد كانت طريقة X2CNet متفوقة بمراحل. فبينما سجلت الطرق الأخرى معدلات خطأ عالية (بمعنى أن الروبوت بدا بعيداً تماماً عن الإنسان)، حققت X2CNet معدل خطأ منخفضاً جداً. تشير الورقة إلى أن هذا النهج يسمح بـ "المحاكاة في البيئات الواقعية" (in-the-wild imitation)، مما يعني أنه يعمل حتى مع اختلاف الأشخاص، وظروف الإضاءة، والإكسسوارات مثل النظارات.

إثبات من العالم الحقيقي

لإثبات أن الأمر ليس مجرد خدعة حاسوبية، أخذ الفريق النظام إلى العالم الحقيقي. فقد استعانوا بـ 20 مؤدياً بشرياً من 5 دول مختلفة. صنع هؤلاء الأشخاص مجموعة واسعة من الوجوه، بما في ذلك التعبيرات الدقيقة مثل العبوس، أو اتجاه نظرة معينة، أو إمالة الرقبة. كما ارتدى بعضهم نظارات أو سماعات أذن.

نجح الروبوت، باستخدام إطار عمل X2CNet، في محاكاة هذه التعبيرات الدقيقة. وتشير الورقة إلى أن الروبوت استطاع التعامل مع قيود الأجهزة ومع ذلك أنتج نتائج واقعية. وهذا يؤكد أن مجموعة البيانات وإطار العمل يعملان معاً لحل مشكلة الاتساق عبر المجالات (cross-domain consistency) — أي التأكد من أن وجه الروبوت يطابق نية الإنسان، رغم اختلاف بنيتهما.

ماذا يعني هذا (وما لا يعنيه)

تخلص الورقة إلى أن X2C و X2CNet يمثلان خطوة مهمة للأمام لجعل الروبوتات أكثر تعبيراً وموثوقية. ومن خلال توفير مجموعة بيانات عالية الجودة وواسعة النطاق ذات قيم تحكم دقيقة، فقد منحوا الباحثين أساساً متيناً للبناء عليه.

ومع ذلك، فإن المؤلفين حذرون من المبالغة في تقدير النتائج. فقد أقروا بوجود قيود:

• التحيز الثقافي: على الرغم من محاولتهم الحصول على متطوعين متنوعين، إلا أن الاختلافات الثقافية في كيفية تعبير الناس عن مشاعرهم قد تظل موجودة.
• روبوت واحد: البيانات حالياً مخصصة لروبوت Ameca فقط. ورغم أن النظام مصمم ليكون قابلاً للتكيف، إلا أنه لم يُختبر بعد على نماذج روبوتات أخرى.
• العمل المستقبلي: يخططون لإضافة تسميات عواطف أكثر تحديداً وتوسيع مجموعة البيانات لتشمل مزيداً من الأشخاص.

كما تتطرق الورقة إلى الاعتبارات الأخلاقية؛ فقد حذروا من إمكانية إساءة استخدام هذه التكنولوجيا لأغراض الخداع أو المراقبة، وشددوا على ضرة الاستخدام المسؤول. كما أشاروا إلى أن الروبوتات التي تبدو بشرية "أكثر من اللازم" قد تجعل الناس يشكلون ارتباطات عاطفية غير واقعية، وهو أمر قد يكون معقداً من الناحية النفسية.

باختدال، لا تقترح هذه الورقة مجرد فكرة جديدة، بل تقدم حلاً ملموساً ومقاساً لمشكلة طويلة الأمد. إنها تنقل المجال من "التخمين حول كيفية جعل الروبوت يبتسم" إلى "معرفة الأرقام الدقيقة التي يجب كتابتها لجعل الروبوت يبتسم". وهي تشير إلى أنه مع البيانات الصحيحة وأداة الترجمة المناسبة، يمكن للروبوتات أخيراً تعلم التحدث باللغة العالمية للوجه.