🤖 AI

OAT: Ordered Action Tokenization

تقدم هذه الورقة البحثية "ترميز الأفعال المرتب" (OAT)، وهو مخطط تقطيع تعلمي مبتكر يحول أفعال الروبوت المستمرة إلى تسلسل من الرموز المرتبة سببياً، مما يمكّن السياسات ذات التنبؤ الذاتي من تحقيق أداء فائق واستدلال مرن وفي أي وقت عبر مهام روبوتية متنوعة.

المؤلفون الأصليون: Chaoqi Liu, Xiaoshen Han, Jiawei Gao, Yue Zhao, Haonan Chen, Yilun Du

نُشر 2026-02-12

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Chaoqi Liu, Xiaoshen Han, Jiawei Gao, Yue Zhao, Haonan Chen, Yilun Du

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 تقوم بتعليم روبوت كيفية صنع شطيرة. للقيام بذلك، يحتاج الروبوت إلى فهم تسلسل من الحركات: التقاط الخبز، دهن المربى، وضع قطعة الخبز في الأعلى.

في عالم الذكاء الاصطناعي، غالبًا ما تتضمن عملية "تعليم" الروبوت تحويل هذه الحركات السلسة والمستمرة إلى لغة من "الرموز" (Tokens)—فكر فيها كقطع "ليجو" (Lego) منفصلة تمثل حركة معينة.

المشكلة هي أن "مجموعات الليجو" الحالية للروبوتات إما كبيرة جدًا، أو فوضوية للغاية، أو مكسورة. تقدم هذه الورقة البحثية طريقة جديدة لبناء هذه القطع تسمى OAT (ترميز الحركة المرتب - Ordered Action Tokenization).

إليك شرح للمشكلة والحل باستخدام تشبيهات من الحياة اليومية.

1. المشكلة: الطرق الثلاث "السيئة" لتعليم الروبوت

قبل هذه الورقة، استخدم الباحثون ثلاث طرق رئيسية لتحويل الحركات إلى رموز، ولكن لكل منها عيب جوهري:

طريقة "العديد من القطع" (Binning): تخيل أنك تحاول وصف منحنى واحد لحركة يد باستخدام 1,000 قطعة ليجو صغيرة جدًا ودقيقة. هذا ينجح، لكنه يستغرق وقتًا طويلاً جدًا للبناء، ويصبح الروبوت "عالقًا" بمجرد محاولة معالجة هذا الكم الهائل من التعليمات. إنه بطيء وغير فعال للغاية.
طريقة "التعليمات المكسورة" (FAST): هذا يشبه إعطاء روبوت مجموعة من التعليمات حيث توجد صفحات مفقودة أو صفحات ذات أحجام مختلفة. قد يبدأ الروبوت في البناء، لكنه في منتصف الطريق يدرك أن التعليمات لم تعد منطقية، فيتوقف عن العمل أو يتعطل. إنها سريعة، لكنها غير موثوقة.
طريقة "الصندوق الفوضوي" (Quantized Latents): هذا يشبه امتلاك صندوق من قطع الليجو، لكنها ليست مرتبة. لديك قطعة لعجلة، وقطعة لنافذة، وقطعة لسقف، لكنها جميعًا مختلطة في كومة واحدة. يتعين على الروبوت التخمين ما هي القطعة التالية، مما يجعل من الصعب جدًا تعلم تسلسل سلس ومنطقي.

2. الحل: OAT (طريقة "الرسم التخطيطي الذكي")

ابتكر الباحثون OAT، والتي تعمل مثل الرسم التخطيطي التدريجي.

تخيل فنانًا يرسم صورة شخصية (بورتريه):

الخطوة 1: يرسم دائرة خشنة جدًا للرأس (الحركة العامة - Coarse Action).
الخطوة 2: يضيف العينين والأنف (التحسين - Refinement).
الخطوة 3: يضيف الرموش وتفاصيل الجلد (التفاصيل الدقيقة - Fine Detail).

تقوم OAT بفعل الشيء نفسه تمامًا مع حركات الروبوت.

بدلاً من الحاجة إلى كل "القطع" في وقت واحد، تنظم OAT المعلومات بحيث تعطي الرموز القليلة الأولى للروبوت فكرة عن "الصورة الكبيرة" للحركة (مثل: "حرك الذراع للأمام"). ومع توليد الروبوت لمزيد من الرموز، فإنه يضيف المزيد من التفاصيل ("...وأمل معصم اليد قليلاً" $\leftarrow$ "...واتحرك بسرعة 2 سم في الثانية بالضبط").

لماذا يعد هذا تغييراً جذرياً؟

جاهز لـ "أي وقت": نظرًا لأن الرموز القليلة الأولى تعطي "رسمًا تخطيطيًا خشنًا"، يمكن للروبوت في الواقع البدء في التحرك فورًا تقريبًا. إذا كان الروبوت في عجلة من أمره، يمكنه استخدام "الرسم الخشن" للبقاء آمنًا. وإذا كان لديه المزيد من الوقت، يمكنه "إنهاء الرسم" ليكون دقيقًا للغاية.
فعال: يستخدم عددًا أقل بكثير من "القطع" مقارنة بالطرق القديمة، لذا لا يصبح "عقل" الروبوت مثقلاً بالمعلومات.
موثوق: على عكس طريقة "التعليمات المكسورة"، تم تصميم OAT بحيث أنه مهما كان عدد الرموز المستخدمة، فإن النتيجة ستكون دائمًا حركة صحيحة وسلسة.

3. النتيجة: روبوت أذكى وأسرع

اختبر الباحثون OAT في أكثر من 20 مهمة مختلفة (مثل التقاط الكرات أو تكديس الأكواب) في كل من المحاكاة والعالم الحقيقي.

النتيـجة؟ كانت الروبوتات التي تستخدم OAT أكثر نجاحًا، وتحركت بسلاسة أكبر، وكانت أكثر مرونة بكثير. لم تكتفِ فقط باتباع نص جامد؛ بل استطاعت التعامل مع تعقيدات مهام العالم الحقيقي من خلال "تحسين رسمها التخطيطي" أثناء العمل.

باختصار: تحول OAT تعليمات الروبوت من كومة فوضوية من الأجزاء إلى تحفة فنية منطقية وخطوة بخطوة.

ملخص تقني: ترميز الأفعال المرتب (OAT)

ترميز الأفعال المرتب (Ordered Action Tokenization - OAT) هو إطار عمل مبتكر صُمم لسد الفجوة بين التحكم الروبوتي المستمر ونمذجة التسلسل ذاتي الانحدار (Autoregressive Modeling). تعالج الورقة البحثية عقبة جوهرية في توسيع نطاق تعلم الروبوتات: كيفية تمثيل مسارات الأفعال المستمرة وعالية الأبعاد كرموز (tokens) منفصلة تكون فعالة، وقابلة لفك التشفير، ومنظمة لغرض التنبؤ بالرمز التالي.

1. المشكلة: المقايضة في ترميز الأفعال

حدد المؤلفون توتراً حرجاً في طرق ترميز الأفعال الحالية. لكي يكون الترميز فعالاً للسياسات ذاتية الانحدار، يجب أن يلبي ثلاثة "متطلبات":

P.1 ضغط عالٍ: تقليل أفق التنبؤ للسماح بنمذجة سياقية طويلة وفعالة.
P.2 قابلية كاملة لفك التشفير: ضمان أن كل تسلسل رموز ممكن يؤدي إلى فعل صالح وقابل للتنفيذ (لا توجد مخرجات "غير معرفة").
P.3 ترتيب سببي: فرض هيكل من اليسار إلى اليمين حيث تلتقط الرموز المبكرة الحركة العامة (coarse motion) بينما توفر الرموز اللاحقة تحسيناً دقيقاً (fine-grained refinement).

تفشل الطرق الحالية في تلبية جميع هذه المتطلبات:

التصنيف (لكل بُعد) (Binning): يحقق قابلية فك التشفير ولكنه يفتقر إلى الضغط والترتيب السببي، مما يؤدي إلى تسلسلات طويلة للغاية.
نطاق التردد (مثل FAST): يحقق ضغطاً وترتيباً عالياً ولكنه ينتهك شرط قابلية فك التشفير الكاملة لأن رموز BPE متغيرة الطول قد تؤدي إلى عدم تطابق في معاملات التردد، مما يسبب "انزياحات طيفية" وفشل في فك التشفير.
الكمونات المكممة (مثل QueST): تحقق الضغط وقابلية فك التشفير ولكنها تفتقر إلى فضاء كامن منظم، مما يجعل من الصعب على نماذج AR تعلم هرمية الحركة.

2. المنهجية: إطار عمل OAT

يقدم OAT مشفراً تلقائياً (autoencoder) متعلمًا يستحث بشكل صريح فضاء رموز هرمي ومرتب.

أ. البنية:

المشفر مع السجلات (Encoder with Registers): بدلاً من تشفير الأفعال مباشرة في تسلسل، يستخدم OAT مشفر Transformer يعالج قطعة الفعل (action chunk) جنباً إلى جنب مع مجموعة من رموز السجلات (register tokens) القابلة للتعلم. تعمل هذه السجلات كذاكرة "قراءة-كتابة" مدمجة تجمع المعلومات الزمنية.
الكمية القياسية المحدودة (FSQ): يتم تكميم كامنات السجلات باستخدام FSQ، مما يوفر عنق زجاجة منفصل ومنظم دون عدم الاستقرار المرتبط بالكمية المتجهة (VQ) التقليدية.
مفكك شفرة Transformer: يقوم مفكك شفرة شرطي برسم الخرائط من الرموز المنفصلة مرة أخرى إلى فضاء الأفعال المستمرة.

ب. استحثاث الترتيب (الابتكار الجوهري):
لضمان اتباع الرموز لهيكل "من العام إلى الدقيق"، يستخدم OAT آليتين:

الإسقاط المتداخل (Nested Dropout): أثناء التدريب، يقوم النموذج بحجب "ذيل" رموز السجلات عشوائياً. هذا يجبر المشفر على حشد المعلومات العالمية الأكثر أهمية في الرموز القليلة الأولى، ويعلم مفك شفرة إعادة بناء الأفعال من مقدمات جزئية.
الانتباه السببي (Causal Attention): يتم تطبيق قناع سببي على الانتباه من السجل إلى السجل. يضمن ذلك أن الرمز رقم $i$ لا ينتبه إلا للرموز السابقة، مما يفرض تدفق معلومات من اليسار إلى اليمين يتوافق مع التحيز الاستقرائي للتوليد ذاتي الانحدار.

3. المساهمات الرئيسية

صياغة المتطلبات: تقدم الورقة إطاراً مبدئياً لتقييم مرمّزات الأفعال بناءً على الضغط، وقابلية فك التشفير، والترتيب.
مرمّز OAT: بنية جديدة تلبي فريداً جميع المتطلبات الثلاثة.
فك التشفير القائم على المقدمة (Prefix-Based Decoding): بفضل الهيكل المرتب، يتيح OAT الاستدلال "في أي وقت". يمكن للسياسة التوقف عن توليد الرموز مبكراً لتوفير الحوسبة (إنتاج أفعال عامة) أو الاستمرار في التوليد لتحقيق دقة عالية (إنتاج أفعال دقيقة).

4. النتائج والتقييم

قيم المؤلفون OAT عبر أكثر من 20 مهمة في أربعة اختبارات محاكاة (LIBERO, RoboMimic, MetaWorld, RoboCasa) وتطبيقات حقيقية لمعالجة الطاولة.

أداء متفوق: يتفوق OAT باستمرار على المخططات السابقة (Bin, FAST, QueST) والأساسات غير ذات الانحدار (Diffusion Policy).
تحسن رتيب: مع فك تشفير المزيد من الرموز (من OAT1 إلى OAT8)، يتحسن الأداء بشكل مستمر. على سبيل المثال، في LIBERO، يحقق O8 معدل نجاح بنسبة 56.3% مقارنة بـ 11.7% لـ OAT1.
الكفاءة مقابل الدقة: يوفر OAT مقايضة يمكن التحكم فيها. يمكن للمستخدمين اختيار عدد رموز منخفض للتحكم منخفض التأخير/العام، أو عدد رموز عالٍ للمهام عالية الدقة.
نجاح الاختبارات الاستبعادية: إزالة آلية الترتيب (OAT $\times$ ) يؤدي إلى تدهور الأداء بشكل كبير، مما يثبت أن الهيكل الهرمي ضروري للتعلم المستقر ذاتي الانحدار.
التحقق من العالم الحقيقي: في مهام "الالتقاط والوضع" (Pick & Place) و"رص الكؤوس" (Stack Cups) في العالم الحقيقي، أنتج OAT مسارات أكثر سلاسة ودقة من الطرق الموجودة.

5. الأهمية

يمثل OAT خطوة كبيرة نحو سياسات روبوتية عامة وقابلة للتوسع. من خلال حل مشكلة الترميز، فإنه يسمح للباحثين بالاستفيد من نجاحات التوسع الهائلة لنماذج اللغات الكبيرة (LLMs) ونماذج اللغة والرؤية (VLMs) في التحكم الروبوتي المستمر. قدرته على دعم عمق ذاتي الانحدار تكيفي (تحديد عدد الرموز التي يجب توليدها بناءً على تعقيد المهمة) تفتح آفاقاً جديدة للذكاء الاصطنا_الجسدي (Embodied AI) الفعال واللحظي.