💻 computer science

NS-VLA: Towards Neuro-Symbolic Vision-Language-Action Models

تقدم هذه الورقة البحثية NS-VLA، وهو إطار عمل عصبي-رمزي للرؤية واللغة والعمل (Neuro-Symbolic Vision-Language-Action) يدمج الترميز الرمزي، والحل، والتعلم المعزز عبر الإنترنت لتحقيق كفاءة فائقة في البيانات، وقدرة عالية على التعميم من الصفر، وتوسع في الاستكشاف في مجال التحكم الروبوتي مقارنة بالأساليب الحالية.

المؤلفون الأصليون: Ziyue Zhu, Shangyang Wu, Shuai Zhao, Zhiqiu Zhao, Shengjie Li, Yi Wang, Fang Li, Haoran Luo

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ziyue Zhu, Shangyang Wu, Shuai Zhao, Zhiqiu Zhao, Shengjie Li, Yi Wang, Fang Li, Haoran Luo

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 روبوتاً كيفية صنع شطيرة.

الطريقة القديمة (نماذج VLA الحالية):
معظم عقول الروبوتات الحالية تشبه طالباً حفظ آلاف الفيديوهات لأشخاص يصنعون الشطائر. إذا طلبت منهم "اصنع شطيرة"، يحاولون تخمين حركات اليد الدقيقة عبر تقليد تلك الفيديوهات.

المشكلة: إذا تغيرت الإضاءة في المطبخ، أو تغير لون الخبز، يصاب الروبوت بالارتباك. فهو يحاول نسخ "البكسلات" الدقيقة التي رآها من قبل. إنه لا يفهم حقاً "لماذا" يمسك السكين أو "ما هو" مفهوم "الشريحة". إنه يشبه الببغاء الذي يردد الكلمات دون فهم معناها. كما أنه يحتاج لمشاهدة ملايين الفديوهات ليتعلم، وهذا أمر بطيء ومكلف.

الطريقة الجديدة (NS-VLA):
يقدم البحث نموذج NS-VLA (الرؤية واللغة والعمل العصبي-الرمزي). فكر في الأمر كأنك تعطي الروبوت "كتاب وصفات للطاهي" و"مساعداً ذكياً" بدلاً من مجرد مكتبة فيديوهات.

إليك كيف يعمل ذلك، مقسماً إلى ثلاثة أجزاء بسيطة:

1. "الوصفة" (المُشفّر الرمزي - Symbolic Encoder)

بدلاً من محاولة تخمين كل حركة عضلة صغيرة، يقوم الروبوت أولاً بترجمة أمرك الصوتي ("ضع الكوب على الطبق") إلى وصفة بسيطة ومنظمة.

التشبيه: تخيل أن الروبوت لا يرى "يداً تحرك كوباً"، بل يرى قائمة من الخطوات: [التقط الكوب] $\leftarrow$ [تحرك نحو الطبق] $\leftarrow$ [ضع الكوب].
لماذا يساعد هذا: هذا يقسم المهمة الكبيرة والمخيفة إلى خطوات صغيرة يمكن إدارتها وهي "العمليات الأولية" (Atomic Actions). حتى لو لم يرَ الروبوت هذا الكوب المحدد من قبل، فهو يعرف مفهوم "الالتقاط" و"الوضع". إنه يفهم منطق المهمة، وليس فقط الصورة.

2. "كشاف الضوء" (المُحل الرمزي والتبسيط البصري - Symbolic Solver & Visual Sparsification)

عادة ما تصاب الروبوتات بالارتباك بسبب كثرة المعلومات البصرية (المطبخ بأكمله، الخلفية، الغبار على الطاولة).

التشبيه: تخيل أن الروبوت في غرفة مظلمة مع كشاف ضوئي. عندما تقول الوصفة "التقط الكوب الأحمر"، يقوم "كشاف الضوء" الخاص بالروبوت (المُحل) بتجاهل الطب الأزرق، والمحمصة، والنافذة فوراً. إنه يركز فقط على الكوب الأحمر.
لماذا يساعد هذا: هذا يجعل الروبوت أسرع وأقل ارتباكاً. فهو يقوم بتصفية "الضجيج" ويركز فقط على الشيء ذي الصلة بالخطوة الحالية من الوصفة.

3. "جولة التدريب" (التعلم التعزيزي عبر الإنترنت - Online Reinforcement Learning)

معظم الروبوتات تتعلم فقط من خلال مشاهدة الفيديوهات (خارج الإنترنت/Offline). إذا ارتكبوا خطأً في العالم الحقيقي، فلا يمكنهم إصلاحه. NS-VLA مختلف؛ فهو يتعلم من خلال الفعل وتصحيح نفسه في الوقت الفعلي.

التشبيه: تخيل روبوتاً يتعلم ركوب الدراجة. بدلاً من مجرد مشاهدة فيديو لشخص يركب الدراجة، هو يركب الدراجة، يتمايل، يسقط، ويتعلم فوراً: "حسناً، سأميل لليسار في المرة القادمة".
السحر: يحاول الروبوت القيام بحركة ما. إذا نجح، يحصل على "هاي فايف" (مكافأة). إذا فشل، يقوم بتعديل استراتيجيته فوراً. ولأن لديه "الوصفة" (الخطوة 1) و"كشاف الضوء" (الخطوة 2)، فإنه لا يضيع في الفوضى؛ بل يعرف بالضبط أي خطوة يجب إعادة تجربتها.

لماذا يعد هذا أمراً مذهلاً؟

يظهر البحث أن NS-VLA هو بطل خارق مقارنة بالروبوتات الحالية في ثلاث طرق:

كفاءة البيانات (قوة "المرة الواحدة" - One-Shot Superpower):
- الروبوت القديم: يحتاج لمشاهدة 1000 فيديو لالتقاط كوب ليتعلم كيف يفعل ذلك.
- NS-VLA: يمكنه مشاهدة فيديو واحد، وفهم "الوصفة"، ثم اكتشاف كيفية القيام بذلك مع كوب مختلف في غرفة مختلفة. إنه يتعلم مثل البشر، وليس كالببغاء.
التعميم (تأثير "الحرباء" - Chameleon Effect):
- الروبوت القديم: إذا غيرت الخلفية أو الإضاءة، فإنه يتعطل.
- NS-VLA: لأنه يفهم المنطق (التقط $\leftarrow$ ضع) ويستخدم "كشاف الضوء" للعثور على الشيء، فإنه يعمل بشكل مثالي حتى لو بدا المطبخ مختلفاً تماماً. لا يتشتت بالضجيج.
الاستكشاف (الطفل الفضولي - Curious Kid):
- الروبوت القديم: يفعل بالضبط ما رآه في الفيديوهات. إذا كان المسار مسدوداً، يتجمد في مكانه.
- NS-VLA: نظرًا لأنه يتدرب في الوقت الفعلي، يمكنه تجربة طرق مختلفة لحل المشكلة. إذا كان المسار المباشر مسدوداً، فقد يكتشف طريقة جديدة للوصول إلى الشيء، مما يوسع "مساحة الاستكشاف" الخاصة به.

الخلاصة

إن NS-VLA يشبه ترقية الروبوت من مسجل فيديو (الذي ينسخ فقط ما يراه) إلى طاهٍ مفكر (الذي يفهم الوصفات، ويركز على المكونات، ويتعلم من خلال التذوق والتعديل). هذا يجعل الروبوتات أكثر ذكاءً، وأسرع في التدريب، وأكثر موثوقية في العالم الحقيقي الفوضوي وغير المتوقع.

إليك ملخص تقني مفصل لورقة البحث بعنوان "NS-VLA: نحو نماذج الرؤية واللغة والحركة العصبية الرمزية" (NS-VLA: Towards Neuro-Symbolic Vision-Language-Action Models).

1. بيان المشكلة

تهدف نماذج الرؤية واللغة والحركة (VLA) إلى تمكين الوكلاء المجسدين من تنفيذ المهام بناءً على تعليمات باللغة الطبيعية وملاحظات بصرية. وعلى الرغم من التقدم الأخير، تواجه مناهج VLA الحالية ثلاث عوائق حرجة:

الافتقار إلى الوعي الهيكلي: تفشل الأساليب التي تعتمد على "النهاية إلى النهاية" (end-to-end) غالبًا في استيعاب البدائيات القابلة لإعادة الاستخدام وهياكل المهام الداخلية، مما يؤدي إلى ضعف التعميم في المهام طويلة المدى.
عدم كفاءة البيانات: تعتمد النماذج الحالية بشكل كبير على مجموعات بيانات ضخمة وبنى معقدة، مما يجعلها غير عملية في السيناريوهات ذات العروض التوضيحية المحدودة (مثل التعلم من نموذج واحد - one-shot learning).
الاستكشاف المحدود: تعتمد معظم الأساليب على الضبط الدقيق الخاضع للإشراف (SFT) لتقليد مسارات الخبراء، مما يحد من قدرة الوكيل على استكشاف البيئة واكتشاف الحلول بما يتجاوز العروض التوضيحية الثابتة.

2. المنهجية: إطار عمل NS-VLA

يقترح المؤلفون NS-VLA، وهو إطار عمل مبتكر يدمج الاستدلال العصبي الرمزي (Neuro-Symbolic reasoning) مع التعلم المعزز عبر الإنترنت (Online Reinforcement Learning). تتكون البنية من ثلاثة مكونات مترابطة وثيقاً:

أ. الترميز والتمثيل العصبي الرمزي

المُشفّر الرمزي (Symbolic Encoder): يقوم نموذج رؤية ولغة (VLM) مُدرب مسبقاً بتشفير الملاحظات البصرية والتعليمات اللغوية إلى سمات رمزية (tokens).
توليد الخطط البدائية (Primitive Plan Generation): بدلاً من إخراج الأفعال مباشرة، يقوم نموذج VLM بتوليد تسلسل مهيكل من البدائيات المنفصلة (مثل pick (الالتقاط)، place_on (الوضع على)، close (الإغلاق)) كخطة عالية المستوى $p = (u^{(1)}, \dots, u^{(M)})$ .
المصنف الرمزي (Symbolic Classifier): يتنبأ نموذج "متعدد الطبقات" (MLP) خفيف الوزن بالبدائية النشطة الحالية من سمات الـ VLM. ومن الأهمية بمكان أنه يفرض قيداً رتيباً (monotone constraint) على مؤشر الخطة ( $m_t$ )، مما يضمن تقدم الوكيل عبر الخطة بالتسلسل دون تراجع، مما يعزز الاستقرار الزمني.

ب. الحل الرمزي (توليد الحركة)

تخفيف كثافة الرموز البصرية (Visual Token Sparsification): لتحسين الكفاءة، يستخدم الحلّال آلية انتباه قائمة على الاستعلام. حيث يقوم بتصفية الرموز البصرية الكثيفة، محتفظاً فقط بأعلى- $K$ من الأجزاء (patches) ذات الصلة بالبدائية الحالية (على سبيل المثال، التركيز على "الكوب" عندما تكون البدائية هي pick). هذا يقلل من التكرار الحسابي.
توليد الحركة المجزأ (Chunked Action Generation): يقوم نموذج "ترانسفورمر" سببي (causal Transformer) برسم خريطة من السياق البصري المتفرق وتمثيل البدائية الحالية إلى تسلسل من الحركات المستمرة (كتلة حركة - action chunk) بطول $H$ . يقلل هذا التوليد مفتوح الحلقة من وتيرة خطوات اتخاذ القرار.

ج. تحسين التعلم المعزز عبر الإنترنت

صياغة POMDP: يتم نمذجة النظام كعملية قرار ماركوف جزئية الملاحظة (Partially Observable Markov Decision Process). يتم تجميد مُشفّر الـ VLM ومولد الخطة المُدرب مسبقاً، بينما يتم تحديث المصنف وخالق الحركة خفيف الوزن عبر الإنترنت.
يدمج دالة المكافأة بين:
- مكافأة المهمة المتفرقة (Sparse Task Reward): إشارة ثنائية للنجاح أو الفشل.
- مكافأة محطات القطع (Segment Milestone Reward): تكافئ الانتقال بين البدائيات.
- تشكيل التقدم (Progress Shaping): يستخدم تشكيلاً قائماً على الإمكانات مشتق من النماذج الأولية الكامنة للقطع الناجحة لتوجيه الوكيل نحو الهدف ضمن قطعة بدائية معينة.
استراتيجية التحسين: يستخدم المؤلفون تحسين السياسة النسبية الجماعية (GRPO) مع عقوبة تباعد KL (KL-divergence penalty) مقابل سياسة مرجعية لتقليد السلوك. وهذا يمنع انهيار السياسة ويضمن الاستقرار أثناء الاستكشاف ذي المكافآت المتفرقة.

3. المساهمات الرئيسية

البنية العصبية الرمزية: يقدم إطار عمل يفصل بين التخطيط الرمزي عالي المستوى (تسلسل البدائيات) والتحكم المستمر منخفض المستوى، مما يتيح استدلالاً هيكلياً أفضل وقابلية للتفسير.
كفاءة البيانات: يثبت أنه من خلال الاستفادة من الأولويات الرمزية والاستدلال المهيكل، يحقق النموذج أداءً عالياً بأقل قدر من البيانات (مثل التعلم من نموذج واحد)، متفوقاً بشكل كبير على النماذج الأساسية "النهاية إلى النهاية" في أنظمة البيانات المنخفضة.
الاستكشاف النشط: على عكس أساليب SFT، يستخدم NS-VLA التعلم المعزز عبر الإنترنت لاستكشاف البيئة بنشاط، مما يوسع مساحة الحركة ويحسن المتانة تجاه الاضطرابات.
كفاءة الاستدلال: يقلل الجمع بين تخفيف الرموز البصرية وتوليد الحركة المجزأ من العبء الحسابي وزمن الاستجابة مقارنة بمعالجة الرموز الكثيفة.

4. النتائج التجريبية

قيم المؤلفون NS-VLA في ثلاثة اختبارات رئيسية: LIBERO، و LIBERO-Plus، و CALVIN.

التعلم من نموذج واحد (LIBERO): حقق NS-VLA معدل نجاح متوسط بنسبة 69.1% مع عرض توضيحي واحد فقط لكل مهمة. وقد تفوق بشكل كبير على النماذج القوية مثل OpenVLA (35.7%) و $\pi_0$ (37.4%)، مما أظهر كفاءة فائقة في البيانات.
المتانة تجاه الاضطرابات (LIBERO-Plus): عند اختباره في بيئة بها اضطرابات بيئية شديدة (تغيرات في الإضاءة، الملمس، والتخطيط)، حافظ NS-VLA على معدل نجاح بنسبة 79.4%، مما أظهر أقل انخفاض في الأداء مقارنة بالتدريب بكامل العروض التوضيحية. لقد تفوق على جميع النماذج الأساسية، بما في ذلك المهايئات المتخصصة والنماذج التأسيسية الكبيرة.
التعميم الصفري (Zero-Shot) (CALVIN): في اختبار CALVIN للمهام طويلة المدى، حقق NS-VLA نسبة نجاح بنسبة 91.2% لخمس مهام، متجاوزاً أحدث التقنيات بنسبة 11.2% ومحققاً أطول متوسط أطوال تسلسل.
تحليل الاستكشاف: أكدت التصورات أن NS-VLA يستكشف مساحة حركة أوسع بكثير مقارنة بطرق الانتشار (diffusion) أو مطابقة التدفق (flow-matching)، حيث نجح في تحديد المسارات المثلى التي تفشل طرق "النهاية إلى النهاية" في إيجادها.

5. الأهمية والأثر

تحول في النموذج المعرفي: يتحدى NS-VLA الاتجاه السائد نحو تدريب VLA "النهاية إلى النهاية" الصرف من خلال إثبات أن الاستدلال العصبي الرمزي المهيكل ضروري للتحكم الروبوتي المتين.
القابلية للتوسع: يوفر إطار العمل مساراً لبناء روبوتات عامة يمكنها تعلم مهارات جديدة بأقل قدر من البيانات والتكيف مع بيئات غير مرئية دون الحاجة لإعادة تدريب النماذج الأساسية الضخمة.
الكفاءة: من خلال دمج الحلول الرمزية وتخفيف الرموز، يجعل هذا النهج نماذج VLA عالية الأداء أكثر جدوى من الناحية الحسابية للنشر في الوقت الفعلي.
الاتجاهات المستقبلية: ترسم الورقة خارطة طريق للاكتشاف التلقائي للبدائيات، والتغذية الراجعة العصبية الرمزية ثنائية الاتجاه، والتوسع في بيئات فيزيائية متنوعة في العالم الحقيقي.

في الختام، يضع NS-VLA معياراً جديداً للتعلم الروبوتي الكفء في البيانات، والمتين، والاستكشافي من خلال سد الفجوة بفعالية بين الإدراك العصبي والاستدلال الرمزي.