🤖 AI

X-Diffusion: Training Diffusion Policies on Cross-Embodiment Human Demonstrations

يُعد X-Diffusion إطار عمل للتعلم عبر الهياكل المختلفة يستفيد من الانتشار المحيطي (Ambient Diffusion) لتدريب سياسات الروبوت بشكل انتقائي على عروض بشرية مشوشة، مما يستخلص بفعالية القصد ذي الصلة بالمهمة مع تصفية عدم الإمكانية المرتبطة بهيكل معين، مما يؤدي إلى تحسين معدلات نجاح عمليات المعالجة بشكل كبير.

المؤلفون الأصليون: Maximus A. Pace, Prithwish Dan, Chuanruo Ning, Atiksh Bhardwaj, Audrey Du, Edward W. Duan, Wei-Chiu Ma, Kushal Kedia

نُشر 2026-04-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Maximus A. Pace, Prithwish Dan, Chuanruo Ning, Atiksh Bhardwaj, Audrey Du, Edward W. Duan, Wei-Chiu Ma, Kushal Kedia

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

إليك شرح لورقة البحث X-DIFFUSION، مترجم إلى لغة بسيطة مع بعض التشبيهات الإبداعية.

المشكلة الكبرى: البشر والروبوتات يتحدثون "لغات" مختلفة

تخيل أنك تحاول تعليم روبوت كيفية الطبخ. لديك مكتبة ضخمة من الفيديوهات التي تظهر طهاة محترفين (بشر) وهم يعدون وجبات لذيذة. ولديك أيضاً فيديو صغير ومكلف لذراع روبوت وهي تحاول القيام بنفس الشيء.

المشكلة؟ أجسام البشر والروبوتات مختلفة.

الطاهي البشري يمكنه تمرير أصابعه تحت الطبق لرفعه.
أما الروبوت المزود بـ "قابض" (مثل الملقط) فلا يمكنه فعل ذلك. إذا حاول تقليد الإنسان، فسوف يسقط الطبق أو يكسر الطاولة.

إذا قمت بمجرد خلط فيديوهات البشر وفيديوهات الروبوتات معاً وقلت للروبوت: "تعلم من كل هذا"، فسيصاب الروبوت بالارتباك. سيحاول تقليد حركات الأصابع المعقدة للبشر، وسيفشل، وسيتعلم عادات سيئة. وهذا ما يسمى بـ "فجوة التجسيد" (Embodiment Gap).

الطريقة القديمة: "التصفية" أو "الخلط الأعمى"

حاول الباحثون سابقاً تجربة أمرين رئيسيين:

المُصفّي (The Filter): حاولوا مشاهدة كل فيديو بشري يدوياً واستبعاد الفيديوهات التي لا يستطيع الروبوت القيام بها. هذه العملية بطيئة، مكلفة، وقد تتخلص فيها من أفكار مفيدة لمجرد أن الحركة الدقيقة كانت مستحيلة.
الخلط الأعمى (The Blind Mix): قاموا فقط برمي كل شيء في وعاء التدريب. وعادة ما جعل هذا الروبوت يؤدي بشكل أسوأ مما لو كان قد شاهد فيديوهات الروبوتات القليلة فقط.

الحل الجديد: X-DIFFUSION (خدعة "الضجيج")

ابتكر المؤلفون فكرة ذكية مستوحاة من طريقة عمل مولدات الصور بالذكاء الاصطناعي (مثل Midjourney). لقد أدركوا أنه إذا أضفت قدراً كافياً من "التشويش" (الضجيج/Static) إلى صورة ما، فإن صورة قطة وصورة كلب ستبدوان مثل كتلة رمادية ضبابية واحدة. عند تلك النقطة، لن تستطيع التمييز بينهما.

طبقوا ذلك على تعلم الروبوتات:

عملية "الضجيج": تخيل أنك تأخذ حركة يد بشرية وتضيف إليها "تشويشاً" ببطء، خطوة بخطوة.
- الخطوة 1 (ضجيج منخفض): لا يزال بإمكانك رؤية الإنسان بوضوح وهو يمرر أصابعه تحت الطبق. هنا يعرف الروبوت: "أنا لا أستطيع فعل ذلك".
- الخطوة 50 (ضجيج عالٍ): أصبحت الحركة الآن مجرد فكرة مجردة وضبابية لـ "تحريك الطبق من النقطة أ إلى النقطة ب". الطريقة "البشرية" المحددة للقيام بذلك قد تلاشت، لكن الهدف (تحريك الطبق) لا يزال موجوداً.
المصنف الذكي (الحارس):
بنى الفريق "حارساً" خاصاً يعمل بالذكاء الاصطناعي (Classifier). مهمته هي النظر إلى حركة مشوشة والسؤال: "هل هذا إنسان أم روبوت؟"
- إذا كانت الحركة واضحة (ضجيج منخفض)، يقول الحارس: "هذا بالتأكيد إنسان! لا تسمح للروبوت بتعلم هذه الحركة المحددة".
- إذا كانت الحركة مشوشة جداً (ضجيج عالٍ)، يصاب الحارس بالارتباك ويقول: "لا أستطيع التمييز. يبدو أنها قد تكون لروبوت".
القاعدة السحرية:
يُسمح للروبوت بالتعلم من بيانات البشر فقط عندما يكون الحارس مرتبكاً.
- الضجيج المنخفض: يتجاهل الروبوت البيانات البشرية (لتجنب تعلم الحركات المستحيلة).
- الضجيج العالي: يتعلم الروبوت من البيانات البشرية (لتعلم الهدف والنية، مثل "رفع المقلاة").

التشبيه: تعلم القيادة

فكر في الأمر كتعلم قيادة السيارة:

الإنسان: سائق فورمولا 1 يقوم بالانزلاق حول المنعطفات، ويصعد فوق الأرصفة، ويقود على عجلتين.
الروبوت: سيارة عائلية عادية يجب أن تلتزم بمسارها وتتوقف عند الإشارات الحمراء.

إذا قلت للسيارة العائلية أن تقلد حركات سائق الفورمولا 1 بدقة، فستتحطم.

X-DIFFUSION يشبه ارتداء نظارات ضبابية.
عندما يقود سائق الفورمولا 1 بشكل طبيعي (رؤية واضحة)، لا يمكنك تقليده لأن حركاته جامحة جداً.
ولكن عندما تنظر من خلال الضباب (ضجيج عالٍ)، لا يمكنك رؤية دوران العجلات أو القفز. أنت ترى فقط المسار العام الذي يتخذه للوصول إلى خط النهاية.
تتعلم السيارة العائلية: "حسناً، الهدف هو الالتفاف حول المضمار بأمان"، دون تعلم تقنية "الانزلاق" الخطيرة.

لماذا يعد هذا أمراً هاماً؟

لا مزيد من التخلص من البيانات: لست بحاجة لحذف الفيديوهات البشرية "السيئة" يدوياً. النظام يعرف تلقائياً أي أجزاء من الفيديو مفيدة وأيها خطيرة.
القابلية للتوسع: البشر بارعون في إظهار ما يجب فعله، حتى لو كانوا يفعلونه بشكل مختلف عن الروبوتات. هذه الطريقة تسمح للروبوتات بالتعلم من ملايين الفيديوهات البشرية دون ارتباك.
نتائج أفضل: في اختباراتهم، كانت الروبوتات المدربة باستخدام X-DIFFUSION أكثر نجاحاً بنسبة 16% في المهام مقارنة بالروبوتات المدربة بطريقة "الخلط العشوائي". لقد تعلمت النية من المهمة دون تقليد الحركات المستحيلة.

الملخص

X-DIFFUSION هو طريقة ذكية لتعليم الروبوتات باستخدام الفيديوهات البشرية. إنه يضيف "ضجيجاً" إلى الأفعال البشرية حتى لا يستطيع الروبوت التمييز بين الإنسان والروبوت. عند تلك النقطة، يتعلم الروبوت الهدف من الإنسان، ولكنه يتجاهل حركات الجسم المستحيلة، مما ينتج عنه روبوت ذكي وآمن في آن واحد.

إليك ملخص تقني مفصل لورقة البحث X-DIFFUSION: تدريب سياسات الانتشار (Diffusion Policies) على عروض بشرية عبر اختلاف التجسيد (Cross-Embodiment).

1. بيان المشكلة

تتناول الورقة تحدي التعلم عبر اختلاف التجسيد (Cross-Embodiment Learning) في مجال الروبوتات. في حين توفر عروض الفيديو البشرية مصدراً قابلاً للتوسع ومنخفض التكلفة لبيانات التدريب في التعلم بالتقليد، إلا أنها تعاني من فجوة تجسيد (Embodiment Gap) كبيرة:

عدم التطابق الحركي/الديناميكي: البشر والروبوتات لديهم هياكل فيزيائية مختلفة (على سبيل المثال، أصابع ماهرة مقابل مقابض فكية متوازية). وبناءً على ذلك، فإن العديد من الأفعال البشرية (مثل تحريك طبق باستخدام الأصابع من تحته) هي أفعال غير ممكنة فيزيائياً أو غير مستقرة ديناميكياً بالنسبة للروبوت لتنفيذها.
المعضلة: يؤدي التدريب المشترك الساذج على مجموعات بيانات مختلطة من البشر والروبوتات غالباً إلى تدهور أداء الروبوت لأن السياسة تتعلم استراتيجيات تنفيذ غير ممكنة. وعلى العكس من ذلك، فإن تصفية البيانات البشرية يدوياً عملية مجهدة وتخاطر بالتخلص من التوجيهات القيمة على مستوى المهمة (مثل إشارات التفاعل مع الأشياء، أو القصد/النية).
الهدف: يسعى المؤلفون إلى الاستففادة من التوجيه الخشن والغني لبيانات الفيديو البشرية واسعة النطاق لتحسين سياسات الروبوت دون نقل استراتيجيات التنفيذ منخفضة المستوى غير الممكنة فيزيائياً.

2. المنهجية: X-DIFFUSION

يقوم الإطار المقترح، X-DIFFUSION، بتكييف مفهوم الانتشار المحيط (Ambient Diffusion) (المصمم أصلاً للتعلم من البيانات منخفضة الجودة) ليتناسب مع سياق اختلاف التجسيد. الرؤية الجوهرية هي التعامل مع الأفعال البشرية غير الممكنة ديناميكياً كنسخ "مشوشة" (Noisy) من أفعال الروبوت.

أ. التمثيل الموحد

فضاء الحالة: يقوم النظام بتوحيد حالات البشر والروبوتات باستخدام Grounded SAM 2 لتوليد أقنعة تقسيم للأجسام ذات الصلة بالمهمة، مع وضع وضعية النهاية الطرفية (End-effector pose) المُصورة فوق إطارات الفيديو.
فضاء الفعل: يتم استخراج حركات اليد البشرية باستخدام HaMeR (تقدير وضعية اليد) وإعادة توجيهها إلى إطار النهاية الطرفية للروبوت عبر رسم خرائط حركية (Kinematic mapping). وهذا يخلق فضاء أفعال مشتركاً حيث تكون المسارات البشرية والآلية قابلة للمقارنة، رغم أن الجدوى الديناميكية قد تظل مختلفة.

ب. الآلية الجوهرية: عدم التمييز الناجم عن الضجيج

تعتمد الطريقة على ملاحظة أنه مع إضافة ضجيج غاوسي (Gaussian noise) إلى مسارات الأفعال (أثناء عملية الانتشار الأمامي)، تتلاشى التفاصيل الخاصة بالتجسيد (مثل مواضع الأصابع المحددة)، بينما يتم الحفاظ على هيكل المهمة عالي المستوى (مثل "تحريك الجسم من أ إلى ب").

الانتشار الأمامي: يتم تشويش كل من الأفعال البشرية والآلية بشكل تدريجي.
تدريب المصنف: يتم تدريب شبكة عصبية مصنفة للتمييز بين ما إذا كان تسلسل الفعل المشوش ناتجاً عن إنسان أو روبوت.
خطوة عدم التمييز الأدنى ( $k^*$ ): لكل مسار بشري، يحدد النظام أبكر خطوة انتشار $k^*$ $k^{*}$ حيث لا يستطيع المصنف التمييز بين مصدر الفعل بشكل موثوق (أي أن احتمال كونه فعلاً روبوتياً $\geq 0.5$ $\geq 0.5$ ).
- الأفعال البشرية الممكنة: تمتلك $k^*$ منخفضة (تصبح غير قابلة للتمييز مبكراً).
- الأفعال البشرية غير الممكنة: تمتلك $k^*$ مرتفعة (تظل قابلة للتمييز حتى يتم تشويشها بشدة).

ج. التكامل الانتقائي للتدريب

يتم تدريب "سياسة الانتشار" (Diffusion Policy) على إزالة التشويش من الأفعال. يقوم X-DIFFUSION بتعديل خسارة التدريب لدمج البيانات البشرية بشكل انتقائي:

بيانات الروبوت: تُستخدم في جميع خطوات الانتشار ( $k \in [0, K]$ ).
البيانات البشرية: تُستخدم فقط لتدريب عملية إزالة التشويش عندما تكون مستوى الضجيج الحالي $k$ $k$ أكبر من أو يساوي قيمة $k^*$ $k^{*}$ الخاصة بذلك المسار المحدد.
- الضجيج المنخفض ( $k < k^*$ ): تتجاهل السياسة البيانات البشرية لتجنب تعلم الديناميكيات منخفضة المستوى غير الممكنة.
- الضجيج العالي ( $k \geq k^*$ ): تستخدم السياسة البيانات البشرية لتعلم التوجيه الخشن للمهمة والقصد/النية.

3. المساهمات الرئيسية

ابتكار في الإطار: يقدم X-DIFFUSION، وهو أول إطار يدمج مبادئ "الانتشار المحيط" في التعلم عبر اختلاف التجسيد للروبوتات، معتبراً اختلاف التجسيد مشكلة ضجيج.
التصفية التكيفية: يستبدل التصفية اليدوية للبيانات بآلية تكيفية قائمة على البيانات تحدد متى (عند أي مستوى ضجيج) يكون من الآمن استخدام البيانات البشرية لمسار معين.
الحفاظ على الجدوى: يضمن أن سياسة الروبوت لا تتعلم أبداً تنفيذ حركات منخفضة المستوى مستحيلة حركياً، بينما تستفيد في الوقت نفسه من المعلومات الدلالية عالية المستوى في الفيديوهات البشرية.
القابلية للتوسع: يتيح استخدام مجموعات بيانات فيديو بشرية ضخمة وغير منقحة دون الحاجة إلى عمليات تحكم عن بعد مكلفة للروبوت أو تنقية يدوية.

4. النتائج التجريبية

قام المؤلفون بتقييم X-DIFFUSION على خمس مهام تلاعب في العالم الحقيقي (مثل: Pan on Plate، Push Plate، Mug on Rack) باستخدام روبوت Franka Emika Panda بـ 7 درجات حرية.

مكاسب الأداء: حقق X-DIFFUSION تحسناً في متوسط معدل النجاح بنسبة 16% مقارنة بالتدريب المشترك الساذج وخطوط الأساس للتصفية اليدوية للبيانات.
المقارنة مع خطوط الأساس:
- التدريب المشترك الساذج: أدى غالباً إلى "نقل سلبي" (Negative Transfer)، حيث تعلم الروبوت استراتيجيات غير ممكنة (مثل محاولة الإمساك بمقلاة من الجانب)، مما أدى إلى معدلات نجاح أقل من التدريب على بيانات الروبوت وحدها.
- خطوط الأساس المصفاة: حتى عند تصفية البيانات البشرية يدوياً للاحتفاظ فقط بالمسارات "الممكنة"، تفوق X-DIFFUSION عليها. وهذا يشير إلى أن X-DIFFUSION نجح في استخراج إشارات مفيدة من المسارات "غير الممكنة" عند مستويات الضجيج العالية، والتي تتجاهلها التصفية اليدية تماماً.
الاعتماد على المهمة: يستخدم النظام بشكل تكيفي المزيد من البيانات البشرية للمهام التي تتوافق فيها ديناميكيات الإنسان والروبوت جيداً (مثل Mug on Rack) وأقل للمهام ذات التباين العالي (مثل Bottle Upright)، مما يظهر تعلماً انتقالياً قوياً يعتمد على المهمة.

5. الأهمية

سد فجوة البيانات: يوفر هذا العمل مساراً قابلاً للتوسع للاستفادة من كميات هائلة من فيديوهات البشر المتاحة على الإنترنت لتعلم الروبوتات، متجاوزاً العقبة التقليدية المتمثلة في جمع بيانات الروبوت المكلفة.
رؤية نظرية: يعيد هذا العمل صياغة مشكلة اختلاف التجسيد ليس كمسألة محاذاة تمثيل، بل كمسألة متانة تجاه الضجيج (Noise-robustness). من خلال اعتبار اختلاف التجسيد نوعاً من الضجيج، تظهر الورقة أن نماذج الانتشار يمكنها طبيعياً تصفية الديناميكيات غير المتوافقة مع الاحتفاظ بقصد المهمة.
الأثر العملي: يسمح هذا النهج للروبوتات بتعلم مهارات تلاعب معقدة من عروض بشرية متنوعة دون الحاجة إلى إعادة توجيه حركي مثالي أو تنقية يدوية، مما يجعل تعلم الروبوت أكثر سهولة وكفاءة.

باختاقصار، نجح X-DIFFUSION في فصل قصد المهمة عن التنفيذ الخاص بالتجسيد، مما سمح للروبوتات بتعلم "ماذا تفعل" من البشر مع الالتزام الصارم بـ "كيف تفعل ذلك" بناءً على قيودها الفيزيائية الخاصة.