🤖 AI

RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation

إن RoboGene هو إطار عمل وكيل يقوم بأتمتة توليد مهام متنوعة وممكنة فيزيائياً للمناولة الروبوتية من خلال أخذ العينات المدفوع بالتنوع، والتفكير الذاتي، والتحسين بمشاركة العنصر البشري، مما يعزز بشكل كبير أداء ما قبل التدريب وقدرة نماذج الرؤية واللغة والعمل (VLA) على التعميم على البيانات الواقعية.

المؤلفون الأصليون: Yixue Zhang, Kun Wu, Zhi Gao, Zhen Zhao, Pei Ren, Zhiyuan Xu, Fei Liao, Xinhua Wang, Shichao Fan, Di Wu, Qiuxuan Feng, Meng Li, Zhengping Che, Chang Liu, Jian Tang

نُشر 2026-02-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yixue Zhang, Kun Wu, Zhi Gao, Zhen Zhao, Pei Ren, Zhiyuan Xu, Fei Liao, Xinhua Wang, Shichao Fan, Di Wu, Qiuxuan Feng, Meng Li, Zhengping Che, Chang Liu, Jian Tang

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 تحاول تعليم روبوت كيف يكون خادمًا (Butler) مفيدًا في منزلك. تريد منه أن يكون قادرًا على فعل أي شيء: صنع القهوة، طي الملابس، إصلاح صنبور يسرب الماء، أو حتى تنظيم رف كتب فوضوي.

المشكلة؟ الروبوتات سيئة للغاية في التعلم من الصفر. فهي تحتاج إلى آلاف الأمثلة لتكتشف كيفية تحريك أذرعها دون كسر الأشياء. ولكن على عكس الكمبيوتر الذي يمكنه تحميل ملايين فيديوهات القطط في ثوانٍ، لا يستطيع الروبوت مجرد "تحميل" الخبرة. ففي كل مرة يتعلم فيها، عليه أن يحرك ذراعه فعليًا، ويمسك بشيء ما، ويحاول مجددًا. هذا الأمر بطيء، ومكلف، ومحفوف بالمخاطر (تخيل روبوتًا يحطم مزهيتك المفضلة أثناء التعلم).

حالياً، يتعين على البشر كتابة كل مهمة يجب أن يتعلمها الروبوت يدويًا (مثل "احمل الكوب الأحمر"، "افتح الدرج"). لكن البشر منحازون؛ فنحن نميل إلى كتابة مهام بسيطة ومملة نراها يوميًا، مثل "احمل كوبًا". نحن ننسى الأشياء الغريبة، أو الصعبة، أو النادرة (مثل "فك غطاء برطمان بغطاء زلق" أو "فرز كومة من البراغي المختلطة"). هذا يترك الروبوت بتعليم غير متوازن: فهو بارع في حمل الأكواب، لكنه جاهل بكل ما عدا ذلك.

إليك RoboGene.

فكر في RoboGene ليس كروبوت، بل كـ "شيف مهام" (Task Chef) منظم للغاية وشديد الانتقاد، يقوم بابتكار قائمة ضخمة ومتنوعة من التعليمات ليتدرب عليها الروبوت. إنه يستخدم وصفة خاصة لضمان حصول الروبوت على "نظام غذائي" متوازن من المهارات.

إليك كيف يعمل RoboGene، مقسمًا إلى ثلاث خطوات بسيطة:

1. قائمة "الأطباق الأقل استهلاكًا" (أخذ العينات القائم على التنوع)

تخيل بوفيه مفتوحًا حيث يستمر الجميع في أخذ نفس الأطباق الثلاثة (بيتزا، بطاطس مقلية، صودا)، بينما الـ 90 طبقًا الأخرى على الطاولة تتعفن.

ما يفعله RoboGene: يقوم بعمل إحصاء لما تدرب عليه الروبوت بالفعل. إذا كان الروبوت قد قام بمهمة "حمل كوب" 1,000 مرة، يقول RoboGene: "لا مزيد من الأكواب اليوم!". بدلاً من ذلك، يجبر الروبوت على تجربة "الأطباق النادرة": "احمل سمكة زلقة"، "اطوِ منشفة مبللة"، أو "رص برجًا من مكعبات جينجا".
النتيجة: يحصل الروبوت على تعليم متوازن، فيتعلم عن الأشياء النادرة والأجسام المعقدة، وليس فقط الأشياء المملة.

2. "ناقد الطعام الصارم" (التفكير الذاتي)

أحيانًا، إذا طلبت من ذكاء اصطناعي ذكي فقط أن "يبتكر مهمة"، فقد يصبح مبدعًا بطريقة سيئة. قد يقول: "احمل القمر" أو "صب الماء في مصفاة". هذه أشياء مستحيلة!

ما يفعله RoboGene: قبل إرسال أي مهمة إلى الروبوت، يتم تمريرها عبر لجنة من ثلاثة نقاد طعام صارمين (مدعومين بالذكاء الاصطناعي):
1. شرطي الفيزياء: "هل يمكن لذراع الروبوت الوصول إلى ذلك حقًا؟ هل الجسم ثقيل جدًا؟ هل سيسقط؟"
2. قاضي الحداثة: "هل هذا سهل للغاية؟ هل هو مجرد نسخة مكررة مما فعلناه من قبل؟"
3. فحص الواقع: "هل اخترعت بالخطأ جسمًا جديدًا غير موجود في مطبخنا؟"
النتيجة: إذا كانت المهمة مستحيلة أو سخيفة، يعيدها النقاد إلى "الشيف" لإصلاحها. فقط المهام "الممكنة فيزيائيًا" و"المثيرة للاهتمام" هي التي تصل إلى الروبوت.

3. "كتاب الذاكرة" (الإنسان في الحلقة)

حتى مع وجود النقاد، أحيانًا تبدو المهمة جيدة على الورق لكنها تفشل في الواقع. ربما يحاول الروبوت فتح درج، لكن المقبض عالق، أو تنزلق يد الروبوت.

ما يفعله RoboGene: عندما يرى المشغل البشري الروبوت وهو يعاني، لا يكتفي بقول "فشل"، بل يشرح لماذا ("المقبض زلق جدًا بالنسبة لذراع واحدة"). يقوم RoboGene بكتابة هذا الدرس في كتاب ذاكرة رقمي.
النتيجة: في المرة القادمة، يقرأ RoboGene كتاب الذاكرة الخاص به ويقول: "آه، أتذكر ذلك المقبض الزلق. سأتأكد من أن المهمة التالية تستخدم أداة مختلفة أو قبضة بيدين". يصبح النظام أكثر ذكاءً وأكثر دقة بمرور الوقت، ويتعلم من أخطائه الخاصة.

لماذا يهم هذا؟

اختبر الباحثون ذلك بجعل RoboGene يولد 18,000 مهمة تدريبية مختلفة للروبوتات. ثم قاموا بتدريب "عقل الروبوت" (نموذج VLA) على هذه البيانات.

النتيجة؟ أصبح الروبوت بطلاً خارقًا.
عندما اختبروه في مواقف جديدة وغريبة لم يسبق له رؤيتها (مثل غرفة بإضاءة مختلفة، أو طاولة مليئة بالفوضى)، نجح الروبوت الذي تدرب بواسطة RoboGene بثلاثة أضعاف أكثر من الروبوتات التي تدربت باستخدام الذكاء الاصطناعي القياسي أو القوائم التي كتبها البشر.

باختًا:
RoboGene يشبه المدرب الشخصي للروبوتات. بدلًا من ترك الروبوت يرفع نفس الوزن الثقيل مرارًا وتكرارًا (كما يفعل البشر)، يصمم RoboGene برنامج تدريب متنوعًا، وتحديًا، وآمنًا يهيئ الروبوت للتعامل مع أي موقف يلقيه القدر في طريقه. إنه يحل مشكلتي "الملل" و"الاستحالة" في تعليم الروبوتات، مما يمهد الطريق لروبوتات يمكنها حقًا مساعدتنا في العالم الحقيقي.

1. بيان المشكلة

يواجه تطوير نماذج الرؤية واللغة والحركة (VLA) عامة الأغراض للروبوتات حالياً عقبة تتمثل في ندرة بيانات التفاعل المتنوعة، وعالية الجودة، والمتجذرة فيزيائياً.

تكاليف جمع البيانات: على عكس بيانات النصوص أو الصور، تتطلب البيانات الروبوتية تفاعلاً فيزيائياً نشطاً، مما يجعل عملية الجمع مكلفة وبطيئة.
محدودية التقييم اليدوي: تعاني المهام المصممة بشرياً من مشكلات تتعلق بقابلية التوسع والتحيزات المعرفية، مما يؤدي إلى مجموعات بيانات تهيمن عليها عمليات أولية بسيطة ومتكررة (مثل "الالتقاط والوضع") مع توزيع طويل الذيل شديد الوضو تهميش السيناريوهات المعقدة أو النادرة.
محدودية النماذج التأسيسية (LLMs): رغم أن النماذج اللغوية الكبيرة توفر قابلية للتوسع، إلا أن تطبيقها الساذج على الروبوتات يؤدي إلى الهلوسة (اختلاق كائنات غير موجودة)، وعدم الجدوى الفيزيائية (تجاهل القيود الكينماتيكية)، والفشل في معالجة تنوع مجموعات البيانات (غالباً ما تكرر التحيزات الموجودة في مجموعات البيانات التي تدربت عليها).
التوليد بنظام الحلقة المفتوحة: تعمل الطرق المؤتمتة الحالية عادةً بنظام الحلقة المفتوحة، حيث تفشل في الاستفيد من تغذية الراجعة من التنفيذ في العالم الحقيقي لتحسين توليد المهام المستقبلية.

2. المنهجية: إطار عمل RoboGene

إن RoboGene هو إطار عمل وكيل (Agentic Framework) يعمل بنظام الحلقة المغلقة، مصمم لأتمتة توليد مهام معالجة متنوعة وممكنة فيزيائياً للروبوتات ذات الذراع الواحدة، والذراعين، والروبوتات المتنقلة. وهو يدمج ثلاثة مكونات أساسية:

أ. أخذ عينات من فضاء المهام مدفوع بالتنوع

لمكافحة مشكلة التوزيع طويل الذيل، يستخدم RoboGene استراتيجية أخذ عينات تعتمد على الأقل استخداماً (LFU).

الآلية: يحافظ النظام على عدادات استخدام للسيناريوهات، والكائنات، والمهارات. ويقوم بنشط بتحديد الأولويات للمناطق غير المستكشفة كفاية في فضاء المهام.
الاختيار الهرمي: يقوم أولاً باختيار السيناريو ذو عدد الاستخدام الأدنى، ثم يقوم بتصفية الكائنات والمهارات ذات الصلة بناءً على التشابه الدلالي مع ذلك السيناريو، وأخيراً يأخذ عينات من المرشحين باستخدام استراتيجية LFU.
الهدف: يضمن ذلك تغطية متوازنة عبر الكائنات النادرة، والمهارات المعقدة، والبيئات المتنوعة (مثل البيئات الصناعية، والطبية) بدلاً من الاكتفاء بالبيئات المنزلية فقط.

ب. التأمل الذاتي والتقييم متعدد الأوجه

للقضاء على الهلوسة وضمان التجذر الفيزيائي، تخضع مقترحات المهام المولدة لعملية تأمل ذاتي صارمة تتضمن ثلاثة مقيمين متخصصين (يتم تنفيذهم عبر LLMs/VLMs):

مقيم الجدوى الفيزيائية: يتحقق من الجدوى الكينماتيكية (القدرة على الوصول، تداخل مساحة العمل للذراعين)، والتفكيك المنطقي، والالتزام بالقوانين الفيزيائية (الجاذبية، الاحتكاك).
مقيم حداثة المهمة: يقيم التعقيد، وثراء التفاعل (مثل استخدام الأدوات، الأجسام القابلة للتشوه)، والعمق الزمني لضمان أن المهمة ليست مجرد تكرار تافه.
مقيم الالتزام بالقيود: يتحقق من أن المهمة تستخدم بدقة الكائنات والمهارات من المكتبات الصالحة المحددة مسبقاً، مما يمنع هلوسة الأصول غير الموجودة.

التحسين: يتم تمرير الانتقادات من هؤلاء المقيمين إلى محسن التأمل الذاتي (Self-Reflection Refiner)، الذي يقوم بتعديل مقترح المهمة الأولي لحل المشكلات التي تم تحديدها.

ج. الإنسان في الحلقة (HITL) مع الذاكرة طويلة الأمد

يتضمن RoboGene آلية توليد مدعوم بالاسترجاع (RAG) للتعلم من التنفيذ في العالم الحقيقي.

تجميع التغذية الراجعة: عندما يتم تنفيذ المهام على روبوتات فيزيائية، يقدم المشغلون البشريون تغذية راجعة بلغة طبيعية حول الإخفاقات (مثلاً: "مقبض الدرج يتطلب تشغيلاً باليد اليسرى").
وحدة الذاكرة: يتم تقطير حالات التغذية الراجعة هذه إلى معرفة استدلالية وتخزينها في وحدة ذاكرة طويلة الأمد كأزواج (مفتاح-قيمة).
التحسين الديناميكي: أثناء مرحلة التحسين، يسترجع النظام الاستدلالات ذات الصلة بناءً على سياق المهمة الحالي لمنع تكرار الأخطاء وتحسين جودة التوليد تدريجياً بمرور الوقت.

3. المساهمات الرئيسية

تحديد الاختناقات: يحدد البحث نقص التنوع والتجذر الفيزيائي في توليد المهام الحالي كعائق رئيسي أمام تعلم سياسات روبوتية عامة.
إطار عمل مبتكر (RoboGene): يقترح إطار عمل وكيل يجمع بين أخذ العينات المدفوع بالتنوع، والتأمل الذاتي متعدد المقيمين، والتحسين المعزز بالذاكرة لأتمتة توليد مهام عالية الجودة.
مقاييس تقييم شاملة: يقدم مجموعة جديدة من المقاييس لقياس جودة المهمة، بما في ذلك تغطية الكائنات/المهارات، والجدوى الفيزيائية (عبر معدلات نجاح التحكم عن بعد)، والتنوع الدلالي (BLEU، ROUGE، تشابه جيب التمام).
التحقق واسع النطاق في العالم الحقيقي: جمع ونشر مجموعة بيانات تضم 18,000 مسار تغطي 1,200 مهمة متميزة عبر أكثر من 1200 كائن و118 مهارة، تغطي الروبوتات ذات الذراع الواحدة، والذراعين، والروبوتات المتنقلة.

4. النتائج التجريبية

قام المؤلفون بمقارنة RoboGene مع الخبراء البشريين، والطرق القائمة على القواعد، والنماذج التأسيسية الحديثة (GPT-4o، Gemini 2.5 Pro).

جودة المهمة والجدوى:
- حقق RoboGene نسبة جدوى فيزيائية بلغت 98.99%، متفوقاً بشكل كبير على GPT-4o (74.67%) وGemini 2.5 Pro (67.90%).
- أظهر تغطية فائقة للكائنات (63.23%) وتغطية المهارات (91.52%)، بينما عانت النماذج المرجعية من الهلوسة والتغطية المحدودة.
تنوع مجموعة البيانات:
- توازن السيناريوهات: حقق RoboGene توزيعاً موحداً عبر 8 فئات من السيناريوهات (لا تتجاوز أي فئة 20%)، بينما ركز GPT-4o بنسبة 90% من المهام في البيئات المنزلية.
- تنوع المهارات والكائنات: غطى RoboGene 719 كائناً فريداً (1.7 مرة أكثر من أفضل نموذج مرجعي) و108 مهارة فريدة، متجنباً "تشبع التوليد" الذي شهدته الطرق الأخرى.
التدريب المسبق لـ VLA في المهام اللاحقة:
- أظهرت نماذج VLA (تحديداً $\pi_0$ ) المدربة مسبقاً على بيانات RoboGene قدرة فائقة على التعميم في السيناريوهات غير المرئية (كائنات جديدة، تغيرات الخلفية، تغيرات الإضاءة، تغيرات التعليمات).
- في تجارب الضبط الدقيق، حققت النماذج المدربة ببيانات RoboGene متوسط معدل نجاح قدره 48% في مهام الذراعين غير المرئية، مقارنة بـ 38% للبيانات البشرية و~35% للبيانات المولدة بواسطة LLM.
- بشكل ملحوظ، في مهمة "بناء الكتل" (Build Blocks)، حقق RoboGene نجاحاً بنسبة 30% مقابل 5% للبيانات المنسقة بشرياً، مما يسلط الض الضوء على قدرته على تعليم السلوكيات متعددة المراحل المعقدة.

5. الأهمية

تخليق البيانات القابل للتوسع: يوفر RoboGene خط إنتاج مؤتمتاً وقابلاً للتوسع لتوليد بيانات روبوتية عالية الجودة، مما يقلل الاعتماد على جمع البيانات اليدوي المكلف.
سد الفجوة بين المحاكاة والواقع: من خلال فرض القيود الفيزيائية والتعلم من الإخفاقات في العالم الحقيقي، فإنه يولد مهام ليست صالحة دلالياً فحسب، بل قابلة للتنفيذ فيزيائياً أيضاً.
التقدم نحو الذكاء الاصطناعي العام: تثبت النتائج أن تنوع البيانات لا يقل أهمية عن بنية النموذج. ومن خلال تعريض نماذج VLA لتوزيع أوسع وأكثر توازناً من المهام، يعزز RoboGene بشكل كبير قدرات التعميم (zero-shot generalization) للوكلاء المجسدين.
العلم المفتوح: يلتزم المؤلفون بنشر مجموعة بيانات المهام عالية الجودة ومجموعة بيانات المعالجة واسعة النطاق في العالم الحقيقي، مما يعزز المزيد من الأبحاث في مجال الروبوتات العامة.