BagelVLA: Enhancing Long-Horizon Manipulation via Interleaved Vision-Language-Action Generation
يُعد BagelVLA نموذجاً موحداً للرؤية واللغة والعمل يعزز عمليات التحكم طويلة المدى من خلال دمج التخطيط اللغوي والتنبؤ البصري في حلقة توليد الأفعال، مستخدماً آلية توجيه التدفق المتبقي (Residual Flow Guidance) المبتكرة لتوجيه الأفعال بكفاءة باستخدام الميزات البصرية التنبؤية.
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 طفلاً صغيراً كيف ينظف غرفة ألعابه الفوضوية. إذا قلت له ببساطة: "نظف المكان"، فقد يتجمد الطفل لأن المهمة تبدو كبيرة جداً. لكي ينجح، يحتاج الطفل للقيء بثلاثة أشياء:
- التفكير: "أولاً، يجب أن أجمع المكعبات الحمراء".
- التخيل: "بمجرد جمعها، ستكون داخل هذا الصندوق الأزرق".
- التنفيذ: البدة فعلياً في مد يده والتقاط المكعبات.
معظم عقول الروبوتات الحالية (الذكاء الاصطناعي) جيدة في القيام بشيء واحد فقط من هذه الأشياء. بعضها بارع في "التفكير" (التخطيط) لكن ليس لديها أدنى فكرة عن النتيجة النهائية التي يجب أن تبدو عليها. وبعضها بارع في "التنفيذ" (الحركة) لكنها تضيع إذا كانت التعليمات معقدة للغاية.
BagelVLA هو نوع جديد من عقول الروبوتات التي تقوم بالثلاثة معاً في حلقة مستمرة.
تشبيه "الطاهي في المطبخ"
لفهم كيفية عمل BagelVLA، تخيل طاهياً محترفاً يعد وجبة معقدة متعددة الأصناف.
1. الخطة المتداخلة (الوصفة)
بدلاً من مجرد التحديق في كومة من المكونات والتخمين، يقرأ الطاهي الوصفة ويقسمها. بدلاً من "اصنع العشاء"، يفكر الطاهي: "الخطوة 1: قطع البصل. الخطوة 2: شوّح البصل. الخطوة 3: أضف الكريمة".
في الورقة البحثية، يُسمى هذا التخطيط اللغوي (Linguistic Planning). الروبوت لا يرى مجرد "غرفة فوضوية"؛ بل يخبر نفسه: "أولاً، سأحرك المكعب الأصفر".
2. الفيلم الذهني (الرؤية)
قبل أن يلمس الطاهي السكين، يكون لديه "فيلم ذهني" لما يجب أن يبدو عليه البصل المقطع. هو لا يخمن فحسب؛ بل يتخيل الهدف.
يطلق الباحثون على هذا اسم التنبؤ البصري (Visual Forecasting). الروبوت "يتخيل" صورة للخطوة التالية الناجحة. تعمل هذه الصورة الذهنية كـ "نجم القطب" الذي يهدي يد الروبوت حتى لا تتحرك بشكل عشوائي.
3. اليد الدقيقة (التنفيذ)
أخيراً، يستخدم الطاهي يديه لتنفيذ الحركة. ولأن الطاهي لديه خطة واضحة وصورة ذهنية واضحة للهدف، فإن الحركة تكون دقيقة وهادفة.
هذا هو توليد الحركة (Action Generation). يقوم الروبوت بترجمة "تفكيره" و"فيلمه الذهني" إلى أوامر حركية فعلية.
السر الخفي: "توجيه التدفق المتبقي" (الطريق المختصر)
هناك مشكلة كبيرة تواجه الروبوتات عند "تخيل" المستقبل، وهي أنها تستهلك الكثير من قدرة الحاسوب. إذا اضطر الروبوت لقضاء 10 ثوانٍ في "الحلم" بصورة ما قبل أن يتحرك، فسيكون بطيئاً جداً بحيث لن يتمكن من التقاط شيء يسقط أو التفاعل مع إنسان.
لقد ابتكر الباحثون حيلة ذكية تسمى توجيه التدفق المتبقي (Residual Flow Guidance - RFG).
فكر في الأمر كالتالي: إذا كنت تنظر إلى صورة لغرفة وطلب منك أحدهم أن تتخيلها مع تحريك كرسي إلى اليسار، فأنت لا تعيد رسم الغرفة بأكملها من الصفر. أنت تعرف بالفعل أين توجد الجدران، والأرضية، والنوافيد. أنت تركز فقط على "المتبقي" (Residual) — أي التغيير الصغير (تحرك الكرسي).
يفعل BagelVLA الشيء نفسه تماماً. فهو يأخذ المشهد الحالي للعالم ويتخيل فقط التغييرات التي أوشكت أن تحدث. هذا يجعل الروبوت سريعاً بشكل مذهل — حيث يمكنه "التفكير" و"التخيل" بشكل فوري تقريباً، مما يسمح له بالحركة بسلاسة في العالم الحقيقي.
لماذا يهم هذا؟
في التجارب، أثبت BagelVLA أنه بطل في المهام ذات "الأفق الطويل" (Long-Horizon). وهي المهام التي تتطلب خطوات عديدة، مثل "رتب هذه المكعبات بترتيب ألوان محدد" أو "حل هذه المسألة الرياضية باستخدام هذه المكعبات المرقمة".
بينما ترتبك الروبوتات الأخرى في منتصف الطريق وتنسى ما كانت تفعله، يظل BagelVLA على المسار الصحيح لأنه يتحقق باستمرار من خطته (الوصفة)، ورؤيته (الفيلم الذهني)، وحركته (اليدين) مقابل بعضها البعض.
باختصار: BagelVLA لا يتحرك فحسب؛ بل يفكر، ويتخيل، ثم ينفذ — مما يجعله واحداً من أذكى "العقول العامة" التي رأيناها للروبوتات حتى الآن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.