🤖 AI

Mixture of Horizons in Action Chunking

تقترح هذه الورقة البحثية "مزيج الآفاق" (Mixture of Horizons - MoH)، وهي استراتيجية قابلة للتوصيل والتشغيل تعمل على إعادة ترتيب كتل الأفعال إلى مقاطع ذات آفاق متفاوتة لتحسين الاستشراف طويل المدى والدقة قصيرة المدى في آن واحد، مما يتغلب على المقايضة المتأصلة في نماذج الرؤية واللغة والأفعال (Vision-Language-Action models) ويحقق أداءً رائدًا مع قدرات استدلال ديناميكية.

المؤلفون الأصليون: Dong Jing, Gang Wang, Jiaqi Liu, Weiliang Tang, Zelong Sun, Yunchao Yao, Zhenyu Wei, Yunhui Liu, Zhiwu Lu, Mingyu Ding

نُشر 2026-06-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dong Jing, Gang Wang, Jiaqi Liu, Weiliang Tang, Zelong Sun, Yunchao Yao, Zhenyu Wei, Yunhui Liu, Zhiwu Lu, Mingyu Ding

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 بحثية بعنوان "مزيج من الآفاق في تقطيع الأفعال" (Mixture of Horizons in Action Chunking) باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة الجوهرية: معضلة "عدسة الزووم"

تخيل أنك تقود سيارة. لكي تقود بأمان، تحتاج إلى شيئين في نفس الوقت:

الاستشراف بعيد المدى: تحتاج إلى النظر بعيداً في الطريق لرؤية المنعطف القادم حتى تتمكن من البدال في التوجيه مبكراً.
الدقة قصيرة المدى: تحتاج إلى النظر بتركيز إلى لوحة القيادة وإلى الطريق المباشر أمام مصد السيارة لتجنب الاصطدام بحفرة أو حيوان صغير.

تجادل الورقة البحثية بأن عقول الروبوتات الحالية (التي تسمى نماذج الرؤية واللغة والفعل - Vision-Language-Action models) تواجه صعوبة في القيام بالأمرين معاً. فهي مجبرة على اختيار "مستوى زووم" واحد (والذي يسميه المؤلفون الأفق - Horizon):

إذا قاموا بعمل زووم للخارج (أفق طويل): فهم بارعون في التخطيط للمهام المعقدة متعددة الخطوات (مثل "اذهب إلى المطبخ، افتح الثلاجة، وأحضر الحليب"). لكنهم يصبحون غير متزنين في الحركات الصغيرة والمباشرة؛ فقد يصطدمون بالأشياء لأنهم لا ينظرون بدقة كافية إلى التفاصيل.
إذا قاموا بعمل زووم للداخل (أفق قصير): فهم دقيقون جداً في الحركات المباشرة. لكنهم يرتبكون بشأن الصورة الكبيرة؛ فقد يمسكون بالحليب لكنهم ينسون فتح الثلاجة أولاً، أو يفقدون المسار في سلسلة طويلة من الخطوات.

في السابق، كان على المهندسين اختيار مستوى زووم واحد فقط للروبوت بأكمله. وإذا اختاروا المستوى الخاطئ، سيفشل الروبوت في مهام معينة.

الحل: "مزيج الآفاق" (MoH)

يقترح المؤلفون حلاً ذكياً يسمى مزيج الآفاق (Mixture of Horizons - MoH). بدلاً من إجبار الروبوت على اختيار مستوى زووم واحد فقط، فإنهم يسمحون للروبوت باستخدام مستويات زووم متعددة في نفس الوقت.

فكر في الأمر كفريق من ثلاثة خبراء يقفون بجانب الروبوت، جميعهم ينظرون إلى نفس المشهد ولكن بعدسات مختلفة:

الخبير (أ): ينظر 10 خطوات للأمام (مدى قصير).
الخبير (ب): ينظر 20 خطوة للأمام (مدى متوسط).
الخبير (ج): ينظر 30 خطوة للأمام (مدى طويل).

يسأل عقل الروبوت ("محول الأفعال" - Action Transformer) جميع الخبراء الثلاثة عن نصيحتهم في آن واحد. ثم يقوم "حارس بوابة" صغير وذكي (طبقة خطية بسيطة) بالاستماع إلى الثلاثة ويقرر: "لهذه اللحظة تحديداً، نصيحة الخبير (أ) هي الأفضل لتدوير عجلة القيادة، لكن نصيحة الخبير (ج) هي الأفضل لمعرفة الاتجاه الذي يجب أن أقود إليه لاحقاً".

بعد ذلك، يدمج الروبوت هذه الآراء في فعل واحد مثالي.

كيف يعمل ذلك في الواقع؟

المعالجة المتوازية: لا يحتاج الروبوت لتشغيل ثلاثة عقول مختلفة؛ بل يشغل عقلاً واحداً يعالج جميع "مستويات الزووم" الثلاثة في نفس الوقت تماماً. هذا سريع جداً ولا يبطئ حركة الروبوت.
حارس البوابة: هذا مكون صغير وخفيف الوزن (يحتوي على 2,000 معلمة إضافية فقط) يتعلم كيفية خلط النصائح. فهو يتعلم أنه في حالة "المسار الطويل والمتعرج"، يجب عليه الوثوق بالخبير طويل المدى أكثر، وفي حالة "المساحات الضيقة"، يجب عليه الوثوق بالخبير قصير المدى أكثر.
الاستدلال الديناميكي (ميزة "التصحيح الذاتي"):
- تقدم الورقة البحثية خدعة رائعة حيث يتحقق الروبوت مما إذا كان جميع الخبراء متفقين.
- إذا اتفق الخبراء جميعاً على الخطوات العشر القادمة، ينفذ الروبوت الخطوات العشر دفعة واحدة بثقة (مما يجعله سريعاً).
- إذا بدأ الخبراء في الاختلاف (ربما يقترب الروبوت من نقطة قرار صعبة)، يتوقف الروبوت مبكراً، ويعيد التقييم، ثم يخطط مجدداً.
- تشبيه: تخيل أنك تسير في غابة. إذا كان المسار مستقيماً وواضحاً، تأخذ خطوات واسعة وطويلة. أما إذا واجهت مفترق طرق أو شجيرات كثيفة، فتتوقف وتنظر حولك وتأخذ خطوات صغيرة وحذرة. الروبوت يفعل ذلك تلقائياً، مما يجعله أسرع وأكثر أماناً.

النتائج: لماذا هذا الأمر مهم؟

اختبر المؤلفون هذا النظام على روبوتات تقوم بمهام مثل طي المناشف، صب الحليب، وتكديس المكعبات.

أفضل في كل شيء: أصبح الروبوت أفضل في المهام القصيرة والدقيقة (مثل صب الحليب دون سكب) وكذلك المهام الطويلة والمعقدة (مثل وضع قلم في درج وإغلاقه).
لا توجد مقايضة: لقد حل مشكلة "عدسة الزووم". لم يعد الروبوت مضطراً للتضحية بالدقة من أجل التخطيط، أو التخطيط من أجل الدقة.
السرعة: بما أن الروبوت يمكنه اتخاذ خطوات أطول عندما يكون واثقاً، فقد أنهى المهام أسرع بـ 2.5 مرة من الطرق السابقة دون ارتكاب المزيد من الأخطاء.
جاهز للاستخدام (Plug-and-Play): يمكن إضافة هذه الطريقة إلى أي عقل روبوت موجود تقريباً دون الحاجة إلى إعادة بناء النظام بالكامل.

الملخص

تقدم الورقة البحثية طريقة لمنح الروبوتات "رؤية متعددة العدسات". بدلاً من إجبارهم على الاختيار بين رؤية الصورة الكبيرة أو رؤية التفاصيل الصغيرة، يستخدم الروبوت كليهما في وقت واحد. يقوم "خلاط" ذكي بدمج هذه الرؤى لاتخاذ قرارات تتسم بالاستشراف والدقة في آن واحد، مما يسمح للروبوتات بالتحرك بشكل أسرع وأذكى في العالم الحقيقي.

ملخص تقني: مزيج الآفاق في تقسيم العمليات (Mixture of Horizons in Action Chunking)

1. بيان المشكلة

أظهرت نماذج الرؤية واللغة والأفعال (VLA) قدرات ملحوية في تنفيذ مهام روبوتية معقدة من خلال التنبؤ بتسلسلات من الأفعال المستقبلية (كتل الأفعال - action chunks) بناءً على الملاحظات البصرية والتعليمات اللغوية. ويعد اختيار طول "كتلة الفعل"، أو ما يسمى بـ الأفق ( $H$ )، خياراً تصميمياً حرجاً في هذه النماذج.

تحدد الورقة البحثية مقايضة جوهرية في اختيار أفق واحد ثابت:

الآفاق الطويلة: تحسن التخطيط طويل المدى والاستشراف، مما يؤدي إلى أداء أفضل في المهام التي تتطلب مسارات ممتدة (مثل المعالجة متعددة الخطوات). ومع ذلك، فإنها غالباً ما تضعف التحكم المحلي الدقيق والدقة الحركية الفورية.
الآفاق القصيرة: تمكن من التحكم عالي التردد والدقيق، وتحقق معدلات نجاح أعلى في المهام ذات الأفق القصير. ومع ذلك، فإنها تفتقر إلى السياق العالمي الضروري للتخطيط المعقد طويل الأمد.

تعتمد النهج الحالية عادةً على أفق ثابت يتم اختياره تجريبياً، مما يفرض عائقاً أمام القدرة على التعميم. فلا يمكن لأفق واحد أن يحسن في آن واحد كل من الاستشراف طويل المدى والدقة قصيرة المدى، مما يحد من قدرة النموذج على التكيف عبر مجموعات مهام متنوعة.

2. المنهجية: مزيج الآفاق (MoH)

للتخفيف من حدة هذه المقايضة، يقترح المؤلفون مزيج الآفاق (Moxture of Horizons - MoH)، وهو استراتيجية "توصيل وتشغيل" (plug-and-play) تدمج آفاق أفعال متعددة ضمن نموذج واحد.

البنية الأساسية

يعيد MoH ترتيب كتلة فعل قياسية بطول $H$ إلى عدة أجزاء ذات آفاق مختلفة $\mathcal{H} = \{h_1, \dots, h_N\}$ (حيث $h_N = H$ ).

المعالجة المتوازية: يعالج النموذج هذه الكتل المجزأة بالتوازي باستخدام محول أفعال مشترك (shared action transformer). ولضمان الكفاءة الحسابية، يتم حشو الكتل (padding) لتصل إلى الطول $H$ ومعالجتها باستخدام أقنعة انتباه خاصة بكل أفق تعمل على إبطال المواقع $k > h$ . يتم حساب العمود الفقي لنموذج الرؤية واللغة (VLM) مرة واحدة فقط، ويتولى محول الأفعال خفيف الوزن التعامل مع الآفاق المتوازية بأعباء إضافية ضئيلة.
الدمج المبوّب (Gated Fusion): يقوم رأس تبويب خطي خفيف الوزن (يضيف حوالي 2 ألف معلمة فقط) بدمج التنبؤات من الآفاق المختلفة. لكل خطوة زمنية $k$ ، يحسب البوابة الأوزان $\alpha_{t,k,h}$ للآفاق الصالحة ( $k \le h$ ) وينتج تنبؤاً مدمجاً نهائياً:
$\hat{a}_{t,k} = \sum_{h \in \mathcal{H}: k \le h} \alpha_{t,k,h} \hat{a}^{(h)}_{t,k}$
هدف التدريب: يجمع إجمالي الخسارة بين الخسارة على التنبؤات المدمجة ( $L_{mix}$ )، ومجموع الخسائر على تنبؤات الآفاق الفردية ( $L_{ind}$ )، وخسارة التوازن ( $L_{bal}$ ). تشجع خسارة التوازن، المستوحاة من أدبيات "خليط الخبراء" (mixture-of-experts)، شبكة التبويب على استخدام جميع الآفاق بالتساوي، مما يمنع النموذج من الانهيار نحو أفق مفضل واحد.

الاستدلال الديناميكي عبر الإجماع بين الآفاق

يتيح MoH مخطط استدلال ديناميكي يكيف طول التنفيذ بناءً على ثقة التنبؤ:

الآلية: في كل خطوة زمنية، يعامل النموذج التنبؤات من الآفاق المختلفة كـ "مصوتين". ويقوم بحساب عدم الاتفاق (على سبيل المثال، مسافة $\ell_1$ ) بين الفعل المدمج والأفعال الخاصة بكل أفق.
القطع الذاتي (Self-Truncation): ينفذ النظام بادئة (prefix) من كتلة الفعل طالما ظل عدم الاتفاق تحت عتبة تعتمد على البيانات (مشتقة من أول $n$ خطوة) وطالما ظل عدد كافٍ من الآفاق نشطاً.
الفائدة: يسمذا للروبوت تنفيذ تسلسلات فعل أطول أثناء الحركات السلسة ومنخفضة المخاطر (إجماع عالٍ) وإعادة التخطيط بشكل أكثر تكراراً أثناء نقاط القرار الحرجة أو المعالجة الدقيقة (إجماع منخفض)، مما يحسن الاستقرار والإنتاجية.

3. المساهمات الرئيسية

التحليل المنهجي: تقدم الورقة دراسة منهجية تكشف عن المقايضة الجوهرية بين الاستشراف طويل المدى والدقة قصيرة المدى في تقسيم أفعال VLA، وتوضح أن الآفاق الثابتة تؤدي إلى أداء دون المستوى عبر أنواع المهام المختلفة.
استراتيجية MoH: تقدم طريقة عالمية منخفضة التكلفة لدمج الآفاق المتعددة. يتوافق MoH مع كل من سياسات مطابقة التدفق (مثل $\pi_0$ و $\pi_0.5$ ) وسياسات الانحدار/التصنيف ذات الخطوة الواحدة، مما يتطلب تغييرات معمارية طفيفة.
الاستدلال الديناميكي: يقترح المؤلفون آلية استدلال ديناميكية قائمة على الإجماع تعمل على تحسين استقرار وكفاءة التنفيذ، محققة إنتاجية أعلى بنسبة تصل إلى $2.5\times$ مقارنة بالنماذج المرجعية مع الحفاظ على معدلات النجاح أو تحسينها.

4. النتال التجريبية

قيم المؤلفون MoH على نماذج قائمة على التدفق ( $\pi_0$ , $\pi_0.5$ , StarVLA) ونموذج قائم على الانحدار ( $\pi_{reg}$ ) عبر عدة اختبارات مرجعية:

اختبار LIBERO: حسن MoH الأداء باستمرار عبر جميع مجموعات المهام الأربع (المكانية، الكائن، الهدف، الطويلة). والجدير بالذكر أن $\pi_0.5$ مع MoH حقق معدل نجاح متوسط بنسبة 99% بعد 30 ألف تكرار فقط، مما أرسى معياراً جديداً في هذا الاختبار. لقد نجح بفعالية في تخفيف حدة المقايضة، حيث حسن المهام طويلة الأمد (مثلاً +3.2% في مجموعة Long لنموذج $\pi_0$ ) دون التضحية بالأداء قصير الأمد.
اختبار RoboTwin 2.0: حسن MoH معدلات النجاح في كل من الإعدادات "السهلة" (داخل النطاق) و"الصعبة" (عشوائية النطاق)، مما أظهر تعزيزاً في المتانة والقدرة على التعميم.
اختبار RoboCasa: في البيئات المنزلية الأكثر تنوعاً وأقل تشبعاً، حقق MoH مكاسب مستمرة (متوسط +3.4%) مقارنة بنموذج GR00T المرجعي.
تجارب العالم الحقيقي: عند نشره على ذراع آلية بـ 7 درجات حرية (7-DoF)، أظهر MoH مكاسب مستمرة في مهام تتراوح من وضع الأشياء قصير الأمد إلى إغلاق الأدراج طويل الأمد ومعالجة المواد المرنة الدقيقة (طي المنشفة).
دراسات الاستبعاد (Ablation Studies):
- كثافة الآفاق: وفرت مجموعة الآفاق متوسطة الكثافة (مثلاً خطوة $d=3$ ) الأداء الأمثل، حيث وازنت بين المكاسب والتكلفة الحسابية.
- التنوع مقابل التجميع: نُسبت المكاسب إلى تنوع الآفاق وليس إلى تأثير التجميع العام؛ حيث لم يؤدِ استخدام آفاق متطابقة إلى تحسينات تذكر.
- التبويب: تفوق الدمج المبوّب القابل للتعلم على المتوسط الموحد البسيط، وكانت خسارة التوازن حاسمة لمنع انهيار البوابة.

5. الأهمية والادعاءات

تدعي الورقة أن MoH يقدم حلاً مبدئياً لمحدودية حرجة في بنيات VLA الحالية: وهي عدم القدرة على تحسين التخطيط طويل المدى ودقة التحكم قصيرة المدى في آن واحد.

كفاءة التوصيل والتشغيل: تتميز الطريقة بكفاءة حسابية، حيث تقدم حداً أدنى من الأعباء الإضافية في التدريب والاستدلال نظراً للطبيعة خفيفة الوزن لمحول الأفعال واستخدام المعلمات المشتركة.
القابلية للتعميم: لا يرتبط MoH بنوع سياسة محدد (مطابقة التدفق أو الانحدار) أو عمود فقري معين، مما يجعله قابلاً للتطبيق على نطاق واسع في مجتمع VLA.
التكيف الديناميكي: من خلال تمكين الإجماع بين الآفاق، يسهل MoH التحكم في الحلقة المغلقة التكيفي، مما يسمح للروبوتات بتعديل أفق التخطيط ديناميكياً بناءً على عدم اليقين وتعقيد المهمة.

يؤكد المؤلفون أنه بينما يحسن MoH بشكل كبير التنبؤ بالأفعال واستقرار التنفيذ، فإنه لا يعالج مباشرة القيود في الإدراك البصري أو اتباع التعليمات، والتي تظل تحديات منفصلة لنماذج VLA. ويضع هذا العمل MoH كخطوة تأسيسية نحو أنظمة ذكاء اصطناعي مجسدة أكثر قوة وقابلية للتوسع.