FAVLA: A Force-Adaptive Fast-Slow VLA model for Contact-Rich Robotic Manipulation

إليك ملخص تقني مفصل لورقة البحث بعنوان: "FAVLA: نموذج VLA سريع-بطيء متكيف مع القوة للمناولة الروبوتية الغنية بالتلامس."

1. بيان المشكلة

تعاني نماذج الرؤية-اللغة-الأفعال (VLA) الحالية في مهام المناولة الغنية بالتلامس (مثل التجميع، الإدخال، المسح) بسبب قصورين أساسيين في البنى الهيكلية القائمة:

• عدم تطابق التردد: تعمل المستشعرات في العالم الحقيقي بمعدلات أخذ عينات متفاوتة تماماً (على سبيل المثال، الكاميرات بتردد 15-30 هرتز مقابل مستشعرات القوة/العزم بتردد 100-1000 هرتز). تقوم معظم نماذج VLA الحالية بدمج جميع الوسائط في تدفق رموز (tokens) موحد بتردد منخفض. وهذا يستلزم خفض عينة بيانات القوة عالية التردد، مما يؤدي إلى فقدان الإشارات التفاعلية الحرجة اللازمة للتعامل مع الاصطدامات، وظواهر الالتصاق والانزلاق (stick-slip)، وارتفاعات القوة المفاجئة.
• التنفيذ مفتوح الحلقة (Open-Loop): عادة ما تقوم مسارات (VLM–Action Expert) بتنفيذ "كتل الأفعال" (action chunks) بطريقة مفتوحة الحلقة بين تحديثات VLM المكلفة. هذا النقص في التغذية الراجعة مغلقة الحلقة عالية التردد يؤدي إلى تأخر الاستجابة لتغيرات التلامس، مما يسبب قوى مناولة مفرطة، أو فشل المهمة، أو تلف المكونات.

2. المنهجية: إطار عمل FAVLA

يقترح المؤلفون FAVLA، وهو نموذج VLA سريع-بطيء متكيف مع القوة يقوم بفصل الاستدلال الدلالي البطيء عن التحكم السريع المدرك للتلامس، مع الحفاظ على مخطط تعلم شامل (end-to-end).

أ. تصميم البنية الهيكلية

يتكون النموذج من مكونين متميزين يعملان بترددات مختلفة:

1. عمود فقري لـ VLM بطيء (الاستدلال الدلالي):
   • يعمل بتردد منخفض ثابت.
   • يقوم بترميز الرؤية (RGB)، والتعليمات اللغوية، وسجل تاريخي من قياسات القوة.
   • ينتج تمثيلاً سياقياً كامناً (KV Cache) ويتنبأ بتغيرات القوة في المستقبل القريب (التقلب/Volatility).
   • يستخدم شبكة تلافيفية زمنية (TCN) لترميز بيانات القوة التاريخية قبل تغذيتها في المحول (Transformer).
2. خبير الأفعال السريع (التحكم التفاعلي):
   • يعمل بتردد عالٍ ومتغير.
   • يتلقى الـ KV Cache من الـ VLM البطيء وأحدث بيانات القوة عالية التردد والحالة الحسية (proprioceptive state).
   • مكيف القوة (Force Adapter): بدلاً من دمج رموز القوة (الذي قد يضعف الإشارات الشحيحة)، يقوم النموذج بحقن ميزات القوة مباشرة في طبقات متعددة من خبير الأفعال عبر آلية الانتباه المتقاطع (cross-attention). وهذا يسمح لخبير الأفعال (AE) بتحسين كتل الأفعال بناءً على إشارات التلامس في الوقت الفعلي.
   • يولد مسارات الأفعال باستخدام مطابقة التدفق الشرطية (Conditional Flow Matching).

ب. استراتيجية الاستدلال المتكيف مع القوة

لتحسين الاستجابة دون استهلاك غير ضروري للحوسبة، يتم جدولة تردد تنفيذ خبير الأفعال السريع ديناميكياً:

• التنبؤ: يتضمن الـ VLM البطيء رأس تباين القوة الذي يتنبأ بتقلب قوى التلامس المستقبلية.
• الجدولة التكيفية: بناءً على التباين المتوقع ($\tilde{\nu}_t$)، يقوم النظام بحساب عدد مرات تنفيذ خبير الأفعال ($n_t$) لكل خطوة VLM.
  • تباين منخفض (مساحة حرة): يعمل خبير الأفعال بتردد منخفض ($n=1$) لتوفير الحوسبة.
  • تباين مرتفع (تلامس وشيك/نشط): يعمل خبير الأفعال بتردد مرتفع ($n > 1$) لتمكين التصحيحات السريعة مغلقة الحلقة.
• الاتساق: لمنع الحركات المتذبذبة الناتجة عن الاختلافات العشوائية في تكرار استدلالات خبير الأفعال، يقوم النظام بتثبيت الضوضاء المختارة عبر الاستدعاءات ضمن دورة بصرية واحدة ويطبق التجميع الزمني (Temporal Ensemble) لتجميع كتل الأفعال المتداخلة.

3. المساهمات الرئيسية

1. إطار عمل سريع-بطيء متكيف مع القوة: بنية VLA مبتكرة تفصل صراحةً بين المعالجة الدلالية البطيئة والتحكم السريع المتفاعل مع القوة، مما يعالج عدم تطابق تردد المستشعرات المتأصل في المناولة الروبوتية.
2. خبير أفعال محقون بالقوة: تصميم يحقن ميزات القوة عالية التردد في طبقات متعددة من خبير الأفعال عبر مُكيف مخصص، مما يسمح بالاشتراط المباشر للقوة على مستوى الطبقات بدلاً من مجرد دمج الرموز البسيط.
3. استراتيجية استدلال تكيفية: آلية يتنبأ فيها الـ VLM بتقلب القوة المستقبلي لجدولة تردد تنفيذ خبير الأفعال ديناميكياً، مما يوازن بين الاستجابة وكفاءة الحوسبة.
4. تقييم شامل: تجارب واقعية واسعة النطاق تثبت التفوق في مهام صناعية عالية الدقة مقارنة بالنماذج المرجعية المتطورة.

4. النتائج التجريبية

قيم المؤلفون FAVLA في أربع مهام واقعية غنية بالتلامس: إدخال وصلة USB، تجميع التروس، قلب الصندوق، ومسح اللوحة، باستخدام ذراع مزدوجة من روبوت مونتي (Monte) مزودة بمستشعرات قوة سداسية المحاور.

• معدل النجاح: حقق FAVLA متوسط معدل نجاح بلغ 80.8%، متفوقاً على أقوى نموذج مرجعي (ForceVLA) بنسبة 13.8%، وعلى النموذج المرجعي المعتمد على الرؤية فقط ($\pi_0$) بنسبة 38.0%.
  • لوحظت مكاسب كبيرة في تجميع التروس (93.3%) ومسح اللوحة (70.0%)، وهي مهام حساسة للغاية لتنظيم القوة.
• التحكم في القوة: قلل FAVLA بشكل كبير من ذروة قوى التلامس، وهو مقي de حرج للسلامة وسلامة المكونات.
  • تجميع التروس: قلل ذروة القوة من 12.0 نيوتن (النموذج المرجعي) إلى 7.7 نيوتن.
  • قلب الصندوق: قلل ذروة القوة من 12.2 نيوتن (النموذج المرجعي) إلى 9.9 نيوتن.
• دراسات الاستئصال (Ablation Studies):
  • أدى إضافة خبير الأفعال المحقون بالقوة إلى تحسين معدلات النجاح بشكل كبير مقارنة بالنماذج المعتمدة على الرؤية فقط.
  • وفرت آليات التنبؤ بتباين القوة والتردد التكيفي أكبر المكاسب الهامشية، مما يثبت أن تعديل تردد الاستدلال ديناميكياً بناءً على ديناميكيات التلامس المتوقعة هو أفضل من التنفيذ عالي التردد الثابت.

5. الأهمية

يعالج FAVLA عقبة حرجة في نشر نماذج VLA في الروبوتات الصناعية: وهي عدم القدرة على الاستجابة بسرعة للتلامس الفيزيائي. من خلال احترام الطبيعة "السريعة-البطيئة" الطبيعية للاستشعار الروبوتي (الفهم الدلالي بطيء؛ والاستجابة الفيزيائية يجب أن تكون سريعة)، يتيح FAVLA:

• مناولة أكثر أماناً: التقليل الجذري لذروة قوى التلامس يمنع تلف الأجزال الدقيقة والروبوت نفسه.
• دقة أعلى: يتيح إكمال مهام التجميع ذات التفاوتات الضيقة التي تفشل تحت التحكم مفتوح الحلقة أو التردد الموحد.
• الكفاءة: تتجنب الاستراتيجية التكيفية إهدار الموارد الحوسبية في التحكم عالي التردد أثناء مراحل عدم التلامس، مما يجعل النظام أكثر عملية للنشر في الوقت الفعلي.

يؤسس هذا العمل لنموذج جديد للمناولة الغنية بالتلامس، متجاوزاً مجرد الدمج متعدد الوسائط نحو بنى تحكم تفاعلية مدركة للتردد.