🤖 AI

VITA: Vision-to-Action Flow Matching Policy

تُعد VITA إطار عمل جديد لمطابقة التدفق، خالٍ من الضجيج ومن التكييف، يعمل على تسريع الاستدلال عبر رسم خرائط التمثيلات المرئية مباشرة إلى أفعال كامنة مهيكلة من خلال مشفر تلقائي مُدرب بشكل مشترك وفك تشفير تدفق كامن، محققاً أداءً هو الأفضل في فئته على مهام روبوتية متنوعة.

المؤلفون الأصليون: Dechen Gao, Boqi Zhao, Andrew Lee, Ian Chuang, Hanchu Zhou, Hang Wang, Zhe Zhao, Junshan Zhang, Iman Soltani

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dechen Gao, Boqi Zhao, Andrew Lee, Ian Chuang, Hanchu Zhou, Hang Wang, Zhe Zhao, Junshan Zhang, Iman Soltani

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تعلم روبوتًا كيفية أداء مهمة دقيقة، مثل لضم خيط في إبرة أو صب كرة صغيرة في أنبوب. يحتاج الروبوت إلى رؤية العالم (الرؤية) واتخاذ قرار بشأن كيفية تحريك أذرعه بدقة (الحركة).

لفترة طويلة، كانت أفضل طريقة لتعليم الروبوتات هي مثل تعليم طالب الرسم من خلال جعله يبدأ بصفحة بيضاء ثابتة ويخمن الصورة خطوة بخوة.

الطريقة القديمة: الفنان الذي يعتمد على "التخمين والتحقق"

تعمل الطرق التقليدية (المسماة بالانتشار Diffusion أو مطابقة التدفق Flow Matching) كالتالي:

يبدأ الروبوت بدماغ مليء بـ "ضجيج استاتيكي" (مثل تشويش التلفاز).
ينظر إلى صورة للمهمة.
يسأل نفسه: "حسنًا، إذا نظرت إلى هذه الصورة، كيف سيبدو الضجيج إذا أزلت منه جزءًا بسيطًا؟"
يكرر هذه العملية 20 أو 3اً، محولاً الضجيج الاستاتيكي ببطء إلى خطة عمل.
المشكلة: في كل مرة يتخذ فيها خطوة، يتعين عليه التوقف، والنظر إلى الصورة مرة أخرى، والسؤال: "هل تتطابق هذه الخطوة مع الصورة؟" هذا الأمر بطيء، ومكلف حاسوبيًا، ويشبه محاولة قيادة سيارة مع التحقق المستمر من الخريطة عند كل تقاطع.

الطريقة الجديدة: VITA (السائق ذو "المسار المباشر")

تقدم الورقة البحثية نظام VITA (الرؤية إلى الحركة - Vision-To-Action). بدلًا من البدء بضجيج استاتيكي والتخمين، يبدأ VITA بـ الصورة نفسها ويتدفق مباشرة نحو خطة الحركة.

إليك التشبيه:

الطريقة القديمة: أنت في غرفة مظلمة (الضجيج). لديك مصباح يدوي (الصورة). عليك تسليط الضوء، وتخمين مكان الباب، ثم اتخاذ خطوة، ثم تسليط الضوء مجددًا، والتخمين مرة أخرى، وتكرار ذلك حتى تجد الباب.
VITA: أنت تقف بجانب الباب تمامًا (الصورة). أنت ببساطة تسير مباشرة نحو المخرج. لا تحتاج إلى الاستمرار في التحقق من المصباح اليدوي لأنك "متجذر" بالفعل في الواقع البصري.

العقبات الثلاث الكبرى (وكيف تجاوزها VITA)

1. عدم تطابق الأبعاد (مشكلة "العملاق مقابل النملة")

المشكلة: صورة الكاميرا ضخمة وتفصيلية (ملايين البكسلات). أما حركة الروبوت فهي ضئيلة وبسيطة (مجرد أرقام قليلة لزوايا المفاصل). لا يمكنك تدفق محيط ضخم (الصورة) مباشرة إلى كوب شاي (الحركة) دون سكب كل شيء.
حل VITA: قاموا ببناء مترجم (ترميز تلقائي للحركة - Action Autoencoder). يأخذ هذا المترجم حركات الروبوت الصغيرة و"يرفعها" إلى عالم ضخم ومنظم يشبه الصورة تمامًا. الآن، أصبح حجم الصورة وحجم الحركة متساويين، مما يسمح لهما بالتدفق مباشرة في بعضهما البعض.

2. فخ "التجميد"

المشكلة: عادةً، عندما تُعلم روبوتًا، تقوم بتعليم المترجم أولًا، ثم تجمده (بحيث لا يتغير)، ثم تعلم الروبوت كيفية التدفق. لكن حركات الروبوت نادرة وفوضوية. إذا جمدت المترجم مبكرًا جدًا، فسيصبح سيئًا في الترجمة، وسيفشل الروبوت.
حل VITA: قاموا بتدريب المترجم والروبوت معًا في نفس الوقت. لكن هذا تسبب في مشكلة جديدة: ارتبك المترجم لأن الروبوت كان يتعلم التحدث بلغة لم يكن المترجم يتوقعها بعد.

3. الفجوة بين "التدريب والواقع"

المشكلة: أثناء التدريب، يتعلم الروبوت من مخرجات المترجم المثالية. لكن في العالم الحقيقي، يجب على الروبوت توليد مساره الخاص. هذه الفجوة تسببت في جعل الروبوت يهلوس بحركات سيئة.
حل VITA: قدموا تقنية فك ترميز التدفق الكامن (Flow Latent Decoding). تخيل مدربًا لا يكتفي بمراقبة اللاعب أثناء التمرين فحسب؛ بل يجبر المدرب اللاعب على خوض محاكاة اللعبة الفعلية أثناء التدريب ويصحح له مساره فورًا إذا تعثر. يجبر VITA الروبوت على فك تشفير مساره المولد وتحويله إلى حركات حقيقية أثناء التدريب، مما يضمن تعلمه الدقة منذ اليوم الأول.

لماذا يعد هذا أمرًا هامًا؟

السرعة: نظرًا لأن VITA لا يحتاج إلى التوقف و"التحقق من الخريطة" (الاشتراط/Conditioning) عند كل خطوة، فهو أسرع بمقدار 1.5 إلى 2 مرة. إنه يشبه الانتقال من سيارة تتوقف عند كل إشارة حمراء إلى قطار فائق السرعة على مسار مخصص.
البساعة: الطرق القديمة احتاجت إلى شبكات ضخمة ومعقدة (مثل نماذج Transformer العملاقة) للتعامل مع عملية التحقق. VITA فعال للغاية لدرجة أنه يمكنه العمل باستخدام شبكة بسيطة وخفيفة الوزن (MLP)، وهو أمر أقل تكلفة في البناء والتشغيل.
الدقة: في العالم الحقيقي، يمكن لخطأ بمقدار مليمتر واحد أن يعني الفشل (مثل تفويت عين الإبرة). VITA دقيق للغاية لأنه يتدفق مباشرة من الواقع البصري، بدلًا من التخمين من الضجيج.

الخلاصة

VITA هو طريقة جديدة لتعليم الروبوتات كيفية الحركة. بدلًا من البدء بالفوضى والتخمين للوصول إلى حل، يبدأ بالواقع البصري ويتدفق مباشرة نحو الفعل. إنه أسرع، وأبسط، وأكثر دقة، مما يجعله خطوة كبيرة للأمام للروبوتات التي تحتاج للعمل في العالم الحقيقي في الوقت الفعلي.

إليك ملخص تقني مفصل لورقة البحث "VITA: Vision-to-Action Flow Matching Policy".

1. بيان المشكلة

تعاني سياسات التحكم البصري الحركي (الروبوتات) التقليدية القائمة على مطابقة التدفق (Flow Matching) والانتشار (Diffusion) من عدم كفاءة كبيرة وتعقيدات معمارية:

إزالة الضجيج التكرارية من الضجيج: تولد الطرق القياسية الأفعال عن طريق البدء من توزيع ضجيج قياسي (مثل التوزيع الطبيعي/Gaussian) وإزالة الضجيج منه تكرارياً للوصول إلى فضاء الفعل المستهدف.
الأعباء الإضافية للشرطية (Conditioning Overhead): لدمج المعلومات البصرية، تتطلب هذه النماذج وحدات شرطية (مثل Cross-Attention أو AdaLN أو FiLM) لحقن الميزات البصرية في كل خطوة من خطوات إزالة الضجيج. يؤدي هذا إلى استهلاك كبير للوقت والذاكرة، مما ينتج عنه غالباً تعقيد تربيعي أو يتطلب شبكات تعديل إضافية.
قيود الوقت الفعلي: يتطلب التحكم الروبوتي عالي التردد (مثلاً 50 هرتز - 200 هرتز) زمن انتقال منخفض (Low-latency)، وهو ما يعيقه التكرار في عملية الشرطية والمعماريات المعقدة (مثل Transformers أو U-Nets) المستخدمة في أساليب الحالة الراهنة (SOTA).
فجوة الأنماط (Modality Gap): يعد سد الفجوة بين الرؤية والفعل أمراً صعباً لأن التمثيلات البصرية عالية الأبعاد وهيكلية، بينما بيانات الأفعال منخفضة الأبعاد، متفرقة، وغير هيكلية. علاوة على ذلك، تتطلب مطابقة التدفق أن يكون للمصادر والأهداف أبعاد متطابقة.

2. المنهجية: إطار عمل VITA

يقترح VITA (VIsion-To-Action) سياسة مطابقة تدفق خالية من الضجيج ومن دون الحاجة لوحدات شرطية، تقوم بتحويل التمثيلات البصرية مباشرة إلى أفعال كامنة.

المعمارية الأساسية

مصدر خالٍ من الضجيج: على عكس الطرق التقليدية التي تبدأ من ضجيج طبيعي، يعامل VITA التمثيل البصري الكامن ( $z_0$ ) كمصدر للتدفق. تتعلم السياسة حقل سرعة $v_\theta(z_t, t)$ ينقل $z_0$ مباشرة إلى هدف الفعل الكامن $z_1$ .
خالٍ من الشرطية (Conditioning-Free): بما أن التدفق ينبع من المدخل البصري نفسه، فلا توجد حاجة لوحدات شرطية خارجية (مثل Cross-Attention) لحقن البيانات البصرية أثناء عملية التوليد.
المشفر التلقائي للفعل (Action Autoencoder): لحل عدم التطابق في الأبعاد بين التمثيلات البصرية عالية الأبعاد والأفعال الخام منخفضة الأبعاد، يقدم VITA مشفر تلقائي للفعل:
- المشفر ( $E_a$ ): يربط قطع الأفعال (Action Chunks) إلى فضاء فعل كامن ( $z_1$ ) مهيكل وعالي الأبعاد يطابق أبعاد التمثيلات البصرية الكامنة.
- المفكك ( $D_a$ ): يعيد بناء الأفعال الخام من الأفعال الكامنة المولدة.

الابتكار الرئيسي: فك تشفير التدفق الكامن (Flow Latent Decoding - FLD)

يتمثل التحدي الحرج في التدريب من طرف إلى طرف (End-to-end) في فجوة التدريب والاستدلال:

التدريب: يقوم المفكك بإعادة بناء الأفعال من التمثلات الكامنة القائمة على المشفر ( $z_1$ ).
الاستدلال: يجب على المفكك إعادة بناء الأفعال من التمثلات الكامنة المولدة عبر معادلة التفاضل العادية ( $\hat{z}_1$ )، وهي تمثلات تقريبية.
الحل: يقدم VITA تقنية فك تشفير التدفق الكامي (FLD). خلال التدريب، يقوم النموذج بحل معادلة التفاضل العادية (ODE) لتوليد $\hat{z}_1$ ويجبر المفكك على إعادة بناء الفعل الحقيقي من $\hat{z}_1$ . يتم تمرير خطأ إعادة البناء (Reconstruction loss) عبر خطوات حل الـ ODE إلى شبكة التدفق والمشفر البصري. هذا "يربط" عملية توليد التمثيل الكامن، مما يمنع انهيار الفضاء الكامن (Latent Space Collapse) ويضمن أن التمثلات الكامنة المولدة عبر الـ ODE قابلة لفك التشفير.

أهداف التعلم

تجمع دالة الخسارة الإجمالية بين ثلاثة مكونات:

خسارة مطابقة التدفق ( $L_{FM}$ ): تقلل الفرق بين السرعة المتوقدة والسرعة الحقيقية ( $z_1 - z_0$ ).
خسارة فك تشفير التدفق الكامن ( $L_{FLD}$ ): تعيد بناء الأفعال من التمثلات الكامنة المولدة عبر الـ ODE ( $\hat{z}_1$ ) لسد الفجوة بين التدريب والاستدلال.
خسارة المشفر التلقائي ( $L_{AE}$ ): تضمن قدرة المشفر/المفكك الخاص بالفعل على إعادة بناء الأفعال الخام من الفضاء الكامن.

3. المساهمات الرئيسية

مطابقة تدفق خالية من الضجيج: يعد VITA أول سياسة تلغي الحاجة إلى نماذج ضجيج مسبقة ووحدات شرطية في مطابقة التدفق للروبوتات، حيث يتدفق مباشرة من التمثلات البصرية إلى تمثلات الأفعال الكامنة.
فك تشفير التدفق الكامن (FLD): آلية مبتكرة لتمكين التدريب المشترك المستقر من طرف إلى طرف لنموذج التدفق وفضاء الفعل الكامن، مما يمنع انهيار فضاء الأفعال الكامنة.
تبسيط المعمارية: من خلال إزالة وحدات الشرطية، يسمح VITA بمعماريات خفيفة الوزن. بالنسبة للميزات القائمة على المتجهات (Vector-based)، فإنه يختزل السياسة إلى معمارية بسيطة تعتمد فقط على MLP، ومع ذلك يحقق أداءً يضاهي الحالة الراهنة (SOTA) في المهام المعقدة.
الكفاءة: يقلل VITA بشكل كبير من زمن انتقال الاستدلال واستهلاك الذاكرة مقارنة بالطرق التقليدية.

4. النتائج التجريبية

تم تقييم VITA على 9 مهام محاكية (بما في ذلك Robomimic، وPushT، وCloseBox) و 5 مهام واقعية (بما في ذلك ALOHA وAV-ALOHA للتحكم ثنائي اليد).

الكفاءة:
- سرعة الاستدلال: يحقق VITA سرعة استدلال أسرع بمقدار 1.5 إلى 2 مرة مقارنة بمطابقة التدفق التقليدية المزودة بوحدات شرطية.
- استهلاك الذاكرة: يقلل من ذروة استهلاك الذاكرة بنسبة 18.6% إلى 28.7%.
- المعمارية: في الإعدادات القائمة على المتجهات، يتفوق VITA (المعتمد على MLP فقط) على نماذج Transformer من حيث السرعة مع مضاهاة دقتها.
الأداء:
- معدلات النجاح: يضاهي VIRA أو يتفوق على سياسات SOTA (مثل Diffusion Policy وFlow Matching وACT) في جميع المهام.
- الدقة: في المهام عالية الدقة (مثل ThreadNeedle وPourTestTube)، يظهر VITA دقة تحكم فائقة، محققاً معدلات نجاح أعلى من Diffusion Policy (DP) وAction Chunking Transformer (ACT)، والتي غالباً ما تفشل بسبب أخطاء بمستوى المليمتر.
- التقارب: يتقارب VITA بشكل أسرع وأكثر استقراراً من النماذج المرجعية القائمة على الانتشار (Diffusion-based).
النشر في العالم الحقيقي: تم بنجاح تجربة المهام ثنائية اليد (Bimanual) باستخدام AV-ALOHA التي تتضمن رؤية نشطة وأفعال عالية الأبعاد بـ 21 درجة حرية (DoF).

5. الأهمية

القابلية للتطبيق في الوقت الفعلي: من خلال إزالة الاختناق الحسابي للشرطية التكرارية، يجعل VITA سياسات التدفق التوليدية قابلة للاستخدام في التحكم الروبوتي عالي التردد (مثلاً 50 هرتز - 200 هرتز).
تحول في النموذج الفكري: يتحدى VITA الافتراض القائل بأن السياسات التوليدية يجب أن تبدأ من الضجيج وتتطلب وحدات شرطية معقدة. فهو يثبت أن التمثلات البصرية يمكن أن تعمل كنموذج مسبق (Prior) كافٍ لتوليد الأفعال إذا تم محاذاة الفضاءات الكامنة بشكل صحيح.
القابلية للتوسع: تشير القدرة على استخدام MLPs بسيطة لمهام التحكم ثنائي اليد المعقدة إلى أن "التعقيد" في الطرق السابقة كان غالباً نتاج آليات شرطية غير فعالة وليس بسبب الصعوبة الجوهرية للمهمة.
القدرة على التعميم: توفر آلية FLD نهجاً منهجياً للتدريب من طرف إلى طرف للنماذج التوليدية ذات الفضاءات الكامنة، وهو ما قد يكون قابلاً للتطبيق في مجالات أخرى تتجاوز الروبوتات.

باخت-صار، يمثل VITA خطوة كبيرة للأمام في التحكم الروبوتي عالي الدقة والكفاءة من خلال إعادة التفكير في العملية التوليدية لتكون مباشرة، وخالية من الضجيج، ومبسطة معمارياً.