⚡ electrical engineering

Embedding Morphology into Transformers for Cross-Robot Policy Learning

تقترح هذه الورقة سياسة محول (transformer) مدركة للتجسد تعزز التعلم عبر الروبوتات من خلال دمج المورفولوجيا الكينماتيكية عبر رموز خاصة بالمفاصل، وانحيازات انتباه مدركة للطوبولوجيا، وتكييف السمات لكل مفصل، مما يحسن المتانة والأداء عبر تجسدات روبوتية متنوعة مقارنة بالنماذج المرجعية الأساسية لنماذج اللغة والرؤية والعمل (VLA).

المؤلفون الأصليون: Kei Suzuki, Jing Liu, Ye Wang, Chiori Hori, Matthew Brand, Diego Romeres, Toshiaki Koike-Akino

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kei Suzuki, Jing Liu, Ye Wang, Chiori Hori, Matthew Brand, Diego Romeres, Toshiaki Koike-Akino

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 مجموعة من الروبوتات المختلفة تماماً كيفية طهي وجبة. لديك ذراع روبوت صغيرة ورشيقة (مثل يد الإنسان)، وذراع روبوت ضخمة وشديدة التحمل (مثل رافعة إنشائية)، وروبوت بعدد أصابع مختلف تماماً.

حالياً، يتم تدريب معظم "طهاة الذكاء الاصطناعي" (أدمغة الروبوتات) بهذه الطريقة: تعرض عليهم فيديو لإنسان يطبخ، وعلى الذكاء الاصطناعي أن يستنتج كل شيء بمفرده. عليه أن يخمن عدد المفاصل التي يمتلكها الروبوت، وفي أي اتجاه تنثني، وكيف تعمل معاً بمجرد النظر إلى الفيديو. هذا يشبه مطالبة شخص بتعلم قيادة سيارة، ودراجة نارية، ودراجة هوائية فقط من خلال مشاهدة فيديو لشخص يقود، دون أن يتم إخباره ما هي عجلة القيادة أو المقود. هذا الأمر مربك، بطيء، وغالباً ما يفشل الذكاء الاصطناعي عند استبدال المركبة.

تقترح هذه الورقة البحثية طريقة أذكى: أعطِ الذكاء الاصطناعي مخططاً لجسم الروبوت قبل أن يبدأ التعلم.

إليك كيف فعلوا ذلك، باستخدام ثلاث حيل بسيطة:

1. "خريطة الجسم" (رموز الكينماتيكا - Kinematic Tokens)

المشكلة: يعامل الذكاء الاصطناعي القياسي حركة الروبوت كقائمة ضخمة وفوضوية من الأرقام. هو لا يعرف أن "المفصل أ" متصل بـ "المفصل ب".
الحل: قام المؤلفون بتفكيك حركة الروبوت إلى "أجزاء جسم" فردية. بدلاً من كتلة واحدة ضخمة من البيانات، أعطوا الذكاء الاصطناعي رمزاً محدداً (ملاحظة صغيرة) لكل مفصل.

التشبيه: تخيل قائد أوركسترا يقود الفرقة. بددلاً من سماع جدار من الضجيج، يعطي القائد ورقة موسيقية محددة لقسم الكمان، وقسم الطبول، وقسم المزمار بشكل منفصل. الآن، يعرف الذكاء الاصطناعي بالضبط أي "نوتة موسيقية" تنتمي لأي "مفصل".

2. "الشبكة الاجتماعية" (الانتباه المدرك للطوبولوجيا - Topology-Aware Attention)

المشكلة: في دماغ الذكاء الاصطناعي العادي، يمكن لكل جزء من أجزاء الروبوت التحدث مع كل الأجزاء الأخرى فوراً. لكن في الواقع، لا يمكن لمرفق الروبوت أن يتحدث مباشرة مع كتفه دون المرور عبر العضد. كان الذكاء الاصطناعي يهدر الطاقة في محاولة ربط أشياء ليست مرتبطة فيزيائياً.
الحل: بنوا قاعدة "شبكة اجتماعية" داخل الذكاء الاصطناعي. أخبروه: "يمكنك الدردشة فقط مع جيرانك المباشرين (المفاصل المتصلة بعظمة)، ما لم تكن بحاجة حقاً للتواصل مع المجموعة بأكملة".

التشبيه: فكر في لعبة "الهاتف المكسور" (Telephone). إذا كنت في صف من الناس، فأنت تمر الرسالة فقط للشخص الواقف بجانبك مباشرة. هذه الورقة تخبر الذكاء الاصطناعي أن يمر الرسائل للجيران غالباً (مثل سلسلة نميمة محلية) ولكن يسمح للرسالة أحياناً بالقفز إلى المجموعة بأكملها (تنسيق عالمي) حتى لا يعلق الروبوت في حلقة مفرغة. هذا يجعل حركة الروبوت أكثر طبيعية.

3. "بطاقة التعريف" (الاشتراط بخصائص المفصل - Joint-Attribute Conditioning)

المشكلة: حتى لو امتلك روبوتان نفس "الشكل" (الطوبولوجيا)، فقد تعمل أجزاؤهما بشكل مختلف. مفصل أحد الروبوتات قد يكون عجلة دوارة، بينما الآخر قد يكون مكبساً منزلقاً. يحتاج الذكاء الاصطناعي لمعرفة ماهية الجزء، وليس فقط مكانه.
الحل: أعطوا كل مفصل "بطاقة تعريف" تتضمن تفاصيل مثل "أنا مفصل دوار"، "يمكنني الدوران 90 درجة فقط"، أو "أنا لزج جداً".

التشبيه: تخيل فريقاً رياضياً. معرفة من يقف بجانب من (الطوبولوجيا) أمر جيد. لكن معرفة أن اللاعب أ هو "حارس مرمى" واللاعب ب هو "مهاجم" (الخصائص) هو ما يساعد الفريق فعلياً على الفوز. هذه المعلومات الإضافية تساعد الذكاء الاصطناعي على فهم القواعد الخاصة بجسم كل روبوت.

النتائج: روبوت فائق القدرة على التكيف

عندما اختبروا هذا الذكاء الاصطناعي "المدرك للجسم":

تعلم بشكل أسرع: لم يكن عليه التخمين لكيفية عمل الروبوت.
كان أكثر متانة: إذا استبدلت الروبوت بموديل آخر (مثلاً من ذراع صغيرة إلى ذراع كبيرة)، لم يتعطل الذكاء الاصطناعي. بل نظر ببساطة إلى "المخطط" الجديد وتكيف معه.
عمل بشكل أفضل على روبوت واحد أيضاً: حتى لو استخدمت نوعاً واحداً فقط من الروبوتات، فإن هذه الطريقة جعلت أداءه أفضل من الذكاء الاصطناعي القياسي.

باختصار:
الذكاء الاصطناعي الحالي للروبوتات يشبه طالباً يحاول تعلم التشريح من خلال التحديق في صورة ضبابية. هذه الورقة تعطي الطالب نموذجاً ثلاثي الأبعاد واضحاً، وخريطة لكيفية اتصال العظام، وكتاباً مدرسياً يصف وظيفة كل عظمة. والنتيجة؟ يتعلم الروبوت التحرك بشكل أسرع، وأكثر أماناً، ويمكنه الانتقال بسهولة بين أجسام الروبوتات المختلفة دون الحاجة للبدء من الصفر.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Embedding Morphology into Transformers for Cross-Robot Policy Learning" (دمج المورفولوجيا في نماذج المحولات لتعلم السياسات عبر الروبوتات).

1. بيان المشكلة

يهدف تعلم السياسات عبر الروبوتات (Cross-robot policy learning) إلى تدريب سياسة واحدة قادرة على أداء المهام عبر هياكل روبوتية متعددة (تكوينات عتادية مختلفة). وبينما حققت نماذج الرؤية واللغة والأفعال (VLA) مثل $\pi_0.5$ نجاحاً من خلال التوسع في مجموعات البيانات الضخمة، إلا أنها تعاني من قصور حرج: فهي محايدة تجاه الهيكل الجسماني (Embodiment-agnostic).

التحدي: يجب على نماذج VLA القياسية استنتاج البنى الكينماتيكية (كيفية اتصال المفاصل وحركتها) ضمنياً من الملاحظات البصرية فقط. هذا الافتقار إلى المعرفة الهيكلية الصريحة يقلل من المتانة عند نقل السياسات بين روبوتات ذات مورفولوجيا مختلفة (مثل اختلاف عدد المفاصل، أو أطوال الوصلات، أو أنواع التشغيل)، ويمكن أن يحد حتى من الأداء داخل نوع واحد من الروبوتات.
الفجوات الحالية: تواجه المحاولات السابقة لترميز المورفولوجيا (مثل استخدام الشبكات العصبية الرسومية أو الانتباه الواعي بالطوبولوجيا) ثلاث عقبات محددة في بنيات VLA الحديثة:
1. عدم تطابق واجهة الرموز (Token Interface Mismatch): تقوم نماذج VLA المتطورة بضغط أفعال المفاصل في رموز مدمجة، مما يجعل من الصعب تطبيق ترميزات المورفولوجيا لكل مفصل على حدة.
2. المقايضة بين المحلية والعالمية (Local-Global Trade-off): فرض المحلية الصارمة (الجيران من الدرجة الأولى 1-hop) يساعد في تمرير الرسائل الكينماتيكية ولكنه يعيق التنسيق بعيد المدى؛ وعلى العكس، فإن الانتباه الكامل يتجاهل البنية.
3. الافتقار إلى الدلالات (Missing Semantics): تقوم الطرق الحالية بترميز الاتصال (الطوبولوجيا) ولكنها تتجاهل دلالات كل مفصل (مثل نوع المفصل، اتجاه المحور، الحدود)، وهي أمور حاسمة للتمييز الوظيفي.

2. المنهجية

يقترح المؤلفون سياسة محول مدركة للهيكل الجسماني (Embodiment-Aware Transformer Policy) تقوم بحقن مورفولوجيا الروبوت في بنية VLA عبر ثلاث آليات متميزة:

أ. الرموز الكينماتيكية (Kinematic Tokens - KT)

لمعالجة مشكلة عدم تطابق واجهة الرموز، قدم المؤلفون نوعاً جديداً من الرموز إلى جانب رموز الأفعال القياسية.

الآلية: بدلاً من ضغط أفق الفعل بالكامل في رمز واحد لكل خطوة زمنية، يتم تقسيم تسلسل الفعل إلى كتل زمنية. لكل مفصل $j$ وكتلة $k$ ، يتم دمج الأفعال في متجه $b_{j,T_k}$ .
الوظيفة: يتم إسقاط هذه المتجهات في ترميزات (الرموز الكينماتيكية) التي توفر تمثيلاً لكل مفصل. هذا يفصل البنية المكانية عن الضغط الزمني، مما يسمح للنموذج بالانتباه صراحةً لمفاصل محددة وعلاقاتها.
التوسيع: قدموا أيضاً الرموز الكينماتيكية المساعدة (Auxiliary Kinematic Tokens - AKT)، والتي تولد ترميزات متعددة لكل مفصل لزيادة القدرة التمثيلية.

ب. انحياز الانتباه الواعي بالطوبولوجيا (Topology-Aware Attention Bias)

لمعالجة مقايضة المحلية والعالمية، قام المؤلفون بتعديل آلية الانتباه الذاتي باستخدام الرسم البياني الكينماتيكي للروبوت (العقد = المفاصل، الحواف = الاتصالات الفيزيائية).

عائلة القناع الصلب (Hard-Mask Family):
- القناع الكامل (Full-Mask): يقيد الانتباه بصرامة لجيران المفصل من الدرجة الأولى (1-hop) ونفسه في كل طبقة.
- القناع المختلط (Mix-Mask): يتناوب بين الطبقات المقنعة (محلية) وطبقات الانتباه الكامل (عالمية). هذا يوازن بين تمرير الرسائل الكينماتيكية والتنسيق بعيد المدى.
عائلة القناع الناعم (Soft-Mask Family): تستخدم انحيازاً قابلاً للتعلم بناءً على المسافة الأقصر (SPD) بين المفاصل في الرسم البيئي الكينماتيكي. هذا يسمح بالانتباه لجميع الأزواج، ولكنه يوجه النموذج نحو المفاصل الأقرب كينماتيكياً.
النتيجة: أثبتت استراتيجية Mix-Mask (من عائلة القناع الصلب) أنها الأكثر فعالية، حيث تجنبت القيود المفرطة لـ Full-Mask وعدم الاستقرار في التحسين لـ Soft-Mask.

ج. التكييف بخصائص المفاصل (Joint-Attribute Conditioning)

لمعالجة نقص دلالات المفاصل، عزز المؤلفون الطوبولوجيا بوصف لكل مفصل.

الآلية: يتم وصف كل مفصل بمتجه سمات $s_j$ $s_{j}$ يحتوي على:
- نوع المفصل (انزلاقي/prismatic مقابل دوراني/revolute).
- اتجاه المحور ( $x, y, z$ ).
- حدود الحركة (الحدود العليا والسفلى الصارمة).
- خصائص التلامس (التخميد، الاحتكاك، الصلابة).
التنفيذ: تتم معالجة هذه الواصفات عبر التعديل الخطي المعتمد على السمات (FiLM) لتوليد معاملات القياس ( $\gamma$ ) والإزاحة ( $\beta$ ). تقوم هذه المعاملات بتعديل ترميزات الرموز الكينماتيكية، مما يسمح للنموذج بالتمييز بين المفاصل التي قد تتشابه في الاتصال ولكن تختلف في الأدوار الوظيفية (مثل مفصل المعصم مقابل مفصل القاعدة).

3. المساهمات الرئيسية

بنية مبتكرة: إطار عمل موحد يدمج الرموز الكينماتيكية، والانتباه الواعي بالطوبولوجيا، وتكييف خصائص المفاصل في بنية VLA أساسية ( $\pi_0.5$ ).
تصميم الرموز: حل تصميم الرموز مشكلة الواجهة، مما مكن من حقن المورفولوجيا في مساحات أفعال VLA المضغوطة.
استراتيجية انتباه هجينة: اقتراح انتباه Mix-Mask الذي يوازن بفعالية بين الحاجة إلى القيود الكينماتيكية المحلية وقدرات التنسيق العالمية.
الإثراء الدلالي: إثبات أن التكييف بخصائص المفاصل (أبعد من مجرد الاتصال) يحسن بشكل كبير من متانة السياسة.

4. النتائج التجريبية

تم تقييم الطريقة على ثلاث منصات روبوتية: DROID (Franka Panda)، وUnitree G1 Dex1، وSO101.

الأداء في الهيكل الواحد (DROID):
- حقق نموذج $\pi_0.5$ الأساسي معدل نجاح بنسبة 19.7%.
- إضافة الرموز الكينماتيكية وحدها رفعت هذه النسبة إلى 36.0%.
- حقق النموذج الكامل (KT + Mix-Mask + FiLM) معدل نجاح بنسبة 47.4%.
- رؤية رئيسية: أدى الجمع بين المكونات الثلاثة إلى تحسن بمقدار 5 أضعاف في مهام محددة صعبة مقارنة بالنموذج الأساسي.
التعميم عبر الروبوتات (Unitree G1 Dex1):
- حافظت الطريقة على فعاليتها على روبوت مختلف بمساحة فعل قدرها 16 درجة حرية (DoF)، محققة معدل نجاح بنسبة 28.0% (مقابل 24.7% للنموذج الأساسي).
التدريب متعدد الهياكل (Panda + SO101):
- عند تدريب سياسة واحدة على خليط من روبوتين مختلفين (8-DoF مقابل 6-DoF)، تفوق النموذج المدرك للهيكل باستمرار على النموذج الأساسي طوال فترة التدريب.
- عند 50 ألف خطوة، حققت الطريقة المقترحة معدل نجاح كلي (Macro Success Rate) بنسبة 15.5% مقابل 5.0% للنموذج الأساسي.
دراسات الاستئصال (Ablation Studies):
- التقطيع الزمني: أدى استخدام كتلة واحدة ( $G=1$ ) إلى أفضل أداء، مما يشير إلى أن ضغط الوقت بشكل مفرط يضر بالأداء.
- الرموز المساعدة: وفرت إضافة AKT مكاسب ثابتة، خاصة عند دمجها مع Mix-Mask.
- Soft-Mask مقابل Hard-Mask: سجلت متغيرات Soft-Mask أداءً أقل باستمرار من متغيرات Hard-Mask (Mix-Mask)، ويرجع ذلك على الأرجبه إلى عدم استقرار التحسين.

5. الأهمية والأثر

المتانة: يوضح هذا العمل أن ترميز البنية الفيزيائية (المورفولوجيا) صراحةً في بنية السياسة يتفوق على الاعتماد على التعلم الضمني من الملاحظات. يؤدي هذا إلى سياسات أكثر متانة تجاه الاختلافات في العتاد والأعطال.
القابلية للتوسع: من خلال حل عقبة "حياد الهيكل الجسماني"، يمهد هذا النهج الطريق لسياسات روبوتية عامة حقيقية يمكن نشرها عبر أجهزة متنوعة دون الحاجة لإعادة تدريب واسعة أو ضبط دقيق لكل روبوت جديد.
أساس للأبحاث المستقبلية: تضع هذه الورقة مساراً واضحاً لدمج الأولويات الهيكلية في النماذج التأسيسية واسعة النطاق، مما يدفع المجال نحو قدرة أكبر على التكيف تشبه البشر، حيث يمكن لـ "عقل" واحد التحكم في "أجساد" متنوعة.