📊 statistics

Riemannian Motion Generation: A Unified Framework for Human Motion Representation and Generation via Riemannian Flow Matching

تقدم هذه الورقة البحثية "توليد الحركة الريمانية" (RMG)، وهو إطار عمل موحد ينمذج الحركة البشرية على متشعب حاصل (product manifold) باستخدام مطابقة التدفق الريماني لتحقيق أداء رائد عبر الاستفادة من الخصائص الهندسية الجوهرية لتمثيل خالٍ من القياس وديناميكيات مستقرة.

المؤلفون الأصليون: Fangran Miao, Jian Huang, Ting Li

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fangran Miao, Jian Huang, Ting Li

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

إليك شرح لورقة بحثية بعنوان "توليد الحركة الريمانية" (Riemannian Motion Generation) باستخدام لغة بسيطة وتشبيهات إبداعية.

الفكرة الكبرى: الرقص على كرة، وليس على شبكة

تخيل أنك تحاول تعليم روبوت كيف يرقص.

الطريقة القديمة (الفضاء الإقليدي - Euclidean Space):
كانت معظم الطرق السابقة تُعلم الروبوت عبر معاملة جسم الإنسان كشبكة من الأرقام في جدول بيانات مسطح ولانهائي. كانوا يقولون للروبوت: "حرك القدم اليسرى بمقدار 3.4 بوصة لليمين، ثم 1.2 بوصة للأعلى".

ما المشكلة؟ الأجسام البشرية ليست شبكات مسطحة. إنها آلات مفصلية ذات مفاصل تدور. إذا عاملت ذراعاً تدور كخط مستقيم على شبكة، فستصبح الرياضيات معقدة. قد يحاول الروبوت "المشي" عبر جدار أو لوي طرفه بشكل مستحيل لأن الشبكة لا تفهم أن المفصل يمكنه الدوران فقط، وليس التمدد. ولإصلاح ذلك، يتعين على الكمبيوتر باستمرار "مراقبة" الروبوت، وإخباره: "لا، هذا مستحيل فيزيائياً، أصلح ذلك!". هذا يجعل العملية بطيئة وغالباً ما يؤدي إلى حركات متقطعة وغير طبيعية.

الطريقة الجديدة (توليد الحركة الريمانية):
تقترح هذه الورقة طريقة أذكى: توقف عن معاملة الجسم كشبكة. عامله ككرة أرضية.

أدرك المؤلفون أن الحركة البشرية تعيش بشكل طبيعي على شكل محدد (متشعب/Manifold) حيث تكون قواعد الدوران والحركة مدمجة فيه. بدلاً من إجبار الروبوت على تعلم قواعد الفيزياء، قاموا ببناء عقل الروبوت ليعيش داخل قواعد الفيزياء منذ اليوم الأول.

المفاهيم الأساسية مشروحة

1. "المتعدد المجموعات" (مجموعة قطع الليغو مقابل الحساء)

تخيل أن لديك دلواً من الحساء (خليط فوضوي من جميع أجزاء الجسم). حاولت الطرق السابقة تعلم الوصفة عن طريق تذوق الحساء بأكبره دفعة واحدة.

تقترح هذه الورقة تفكيك الحساء إلى مكوناته: الإزاحة/الترجمة (التحرك عبر الأرض)، الدوران (دوران الوركين)، وزوايا المفاصل (ثني الركبتين).

التشبيه: فكر في الأمر كمجموعة "ليغو". أنت لا تلصق الطوب معاً بشكل عشوائي، بل تركبه بطرق محددة.
الابتكار: بنى المؤلفون نظاماً حيث "التحرك للأمام" يعيش على أرض مسطحة (فضاء إقليدي)، ولكن "الدوران" يعيش على كرة (لأن يمكنك الدوران 360 درجة، لكن لا يمكنك الدوران 361 درجة دون إعادة ضبط). من خلال فصل هذه المكونات وتعليم الروبوت القواعد الخاصة بكل منها، يصبح النظام أكثر كفاءة.

2. "مطابقة التدفق الريماني" (المسار الأقصر)

كيف يتعلم الروبوت الانتقال من وضعية "الوقوف ساكناً" إلى وضعية "القفز"؟

الطريقة القديمة: قد يحاول الروبوت السير في خط متعرج أو اتخاذ مسار طويل عبر جدار لأنه يكتفي بالتخمين بناءً على إحداثيات مسطحة.
الطريقة الجديدة (الجيوديسية - Geodesics): يستخدم المؤلفون مفهوم الجيوديسيا. تخيل أنك نملة تمشي على كرة سلة. أقصر مسار بين نقطتين ليس خطاً مستقيماً عبر الكرة (وهو أمر مستحيل)؛ بل هو منحنى على سطحها.
السحر: يتعلم الروبوت اتباع هذه "المسارات المنحنية الأقصر" بشكل طبيعي. لا يحتاج أن يُقال له "لا تكسر العظمة"؛ فرياضيات الكرة تضمن بقاء الطرف متصلاً ودورانه بشكل صحيح.

3. ميزة "الخلو من المقياس" (لا مزيد من المساطر)

في الطرق القديمة، إذا دربت الروبوت على لاعب كرة سلة طويل، فسيصاب بالارتباك عند محاولة تحريك طفل قصير. كانت أرقام "الطول" كبيرة جداً أو صغيرة جداً.

الطريقة الجديدة: لأنهم يستخدمون شكلاً رياضياً يسمى "فضاء ما قبل الشكل" (Pre-shape space)، يتجاهل النظام الحجم تلقائياً. هو يهتم فقط بـ شكل الوضعية. الأمر يشبه التعرف على الابتسامة سواء كانت على وجه طفل أو وجه عملاق. هذا يجعل النظام أكثر استقراراً وأسهل في التدريب.

النتائج: لماذا يهم هذا؟

اختبر المؤلفون هذا النظام الجديد على مجموعتي بيانات ضخمتين للرقص (HumanML3D و MotionMillion).

الواقعية: الحركات المولدة أكثر سلاسة وواقعية. الروبوت لا "يتعطل" أو يلوِي أطرافه بزوايا مستحيلة.
الكفاءة: يتعلم بشكل أسرء ويتطلب مجهود "مراقبة" أقل للحفاظ على صحة الحركات.
القابلية للتوسع: يعمل بنفس الكفاءة على مجموعات البيانات الصغيرة كما يعمل على المجموعات الضخمة (ملايين المقاطع)، مما يثبت أن هذا النهج الهندسي هو مستقبل توليد الحركة.

الخلا-صة

فكر في هذه الورقة البحثية كعملية ترقية لنظام تشغيل الروبوت.

نظام التشغيل القديم: "تحرك وفق إحداثيات X، Y، Z. إذا كسرت قواعد الفيزياء، حاول مجدداً".
نظام التشغيل الجديد (RMG): "أنت تعيش على كرة من الدوران وأرض من الحركة. إليك المسارات الطبيعية التي يمكنك اتخاذها. فقط اتبع المنحنى".

من خلال احترام الهندسة الطبيعية للجسم البشري، يمكن للذكاء الاصطناعي توليد حركة بشرية عالية الدقة والواقعية تبدو وكأنها تنبض بالحياة، بدلاً من كونها مجرد مجموعة من الأرقام المتحركة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "توليد الحركة الريمانية: إطار موحد لتمثيل وتوليد حركة الإنسان عبر مطابقة التدفق الريماني."

1. بيان المشكلة

تعمل طرق توليد حركة الإنسان الحالية بشكل سائد في الفضاءات الإقليدية (فضاءات المتجهات المسطحة)، على الرغم من أن حركات الإنسان الصالحة تتبع بطبيعتها هندسة غير إقليدية منظمة.

التكرار وعدم الكفاءة: غالبًا ما تقوم خطوط المعالجة الحالية بترميز الحركة باستخدام إحداثيات إقليدية زائدة عن الحاجة (مثل دمج مواضع المفاصل، والسرعات، والإزاحات العالمية). بالنسبة لهيكل يحتوي على $J$ من المفاصل، فإن درجات الحرية الجوهرية هي تقريبًا $3J$ ، لكن الترميزات الشائعة تشغل فضاءً محيطيًا ذا أبعاد أعلى بكثير.
تحديات التحسين: يجعل تدريب النماذج التوليدية في فضاءات عالية الأبعاد وغير مقيدة عملية التحسين صعبة، ويؤدي إلى عدم استقرار في أخذ العينات، وغالبًا ما ينتج عنه حركات غير منطقية فيزيائيًا تتطلب معالجة لاحقة أو قيودًا لإصلاحها.
عدم التطابق الهندسي: تكمن المشكلة الجوهرية في أن البيانات تقع على ماني فولد (متعدد طيات) ذي أبعاد أقل مع هياكل هندسية قوية (دوران، إزاحة)، لكن النماذج تُدرب على تجاهل هذه البنية، ومعاملة الحركة كاختلاف عشوائي عالي الأبعاد.

2. المنهجية: توليد الحركة الريمانية (RMG)

يقترح المؤلفون إطار عمل RMG، وهو إطار موحد ينمذج الحركة مباشرة على مانيفولد حاصل (Product Manifold) ويتعلم ديناميكيات التوليد عبر مطابقة التدفق الريماني (Riemannian Flow Matching).

أ. تمثيل الحركة (المانيفولد)

بدلاً من استخدام إحداثيات المفاصل الخام، يقوم RMG بتفكيك الحركة إلى مكونات، كل منها ممثل على المانيفولد الريماني الطبيعي الخاص به. حدد المؤلفون أن الإزاحة العالمية ( $T$ ) والدوران ( $R$ ) كافيان لالتقاط الحركة المفصلية، مما يؤدي إلى تمثيل مدمج:
$\mathcal{M}_{RMG} = \mathbb{R}^3 \times (S^3)^J$

الإزاحة العالمية ( $T$ ): ممثلة في الفضاء الإقليدي $\mathbb{R}^3$ (مسار مفصل الجذر).
التوجه العالمي ودوران المفاصل ( $R$ ): ممثل بواسطة التربيعات (Quaternions) الوحدة على الكرة الفائقة $S^3$ $S^{3}$ . بالنسبة لـ $J$ $J$ من المفاصل، يكون فضاء الدوران هو المانيفولد الحاصل $(S^3)^J$ $(S^{3})^{J}$ .
- الميزة: تتجنب التربيعات الوحدة تكرار دوران الـ 6D، وتوفر مسارات جيوديسية سلسة للاستكمال (Interpolation)، وتلغي الحاجة إلى إعادة التعامد.
خالٍ من المقياس (Scale-Free): هذا التمثيل طبيعي التوحيد (التربيعات الوحدة لها معيار 1)، مما يلغي الحاجة إلى توحيد المتوسط/الانحراف المعياري على مستوى مجموعة البيانات.
ملاحظة: يتخلص البحث صراحةً من "الوضعية المحلية" (Local Pose) و"الفروقات الزمنية" (Temporal Differences) في التكوين الأمثل النهائي، واجدًا إياها زائدة عن الحاجة أو ضارة بالاستقرار.

ب. مطابقة التدفق الريماني

يكيف الإطار "مطابقة التدفق" لتناسب المانيفولدات الريمانية:

توزيع الأسبقية (Prior Distribution): يتم تعريف توزيع غاوسي "ملفوف" ممركز حول المتوسط على المانيفولد. يتم ضبط نقطة المرجع $\mu$ عند وضع الراحة (إزاحة صفرية، ودورات هوية).
الاستكمال الجيوديسي (Geodesic Interpolation): بدلاً من الاستكمال الخطي بين عينة ضجيج $x_0$ وعينة حقيقية $x_1$ ، يبني RMG مسارًا على طول الجيوديسي (Geodesic) على المانيفولد:
$x_t = \text{Exp}_{x_0}(t \cdot \text{Log}_{x_0}(x_1))$
تعلم حقل المتجهات: تقوم شبكة عصبية $v_\theta(x_t, t)$ $v_{θ} (x_{t}, t)$ بالتنبؤ بحقل السرعة.
- الإسقاط: بما أن مخرجات الشبكة توجد في الفضاء الإقليدي المحيط، يتم إسقاط المخرج على الفضاء المماسي $T_{x_t}\mathcal{M}$ لضمان بقاء الديناميكيات على المانيفولد: $\Pi_{T_{x_t}\mathcal{M}} v_\theta(x_t, t)$ .
هدف التدريب: يقلل النموذج من متوسط الخطأ المربع بين السرعة المماسية المتوقدة والسرعة المماسية الجيوديسية الحقيقية:
$\mathcal{L}(\theta) = \mathbb{E} \left[ \| v_t(x_t | x_1) - \Pi_{T_{x_t}\mathcal{M}} v_\theta(x_t, t) \|^2_2 \right]$
الاستدلال (Inference): يتضمن أخذ العينات تكامل المعادلات التفاضلية العادية (ODE) المتعلمة على المانيفولد باستخدام تحديث "أويلر ريماني"، والذي يحافظ طبيعيًا على قيود المانيفولد.

3. المساهمات الرئيسية

النموذج الهندسي: تقديم RMG، وهو أول إطار يعمل على نمذجة حركة الإنسان على مانيفولد حاصل ( $\mathbb{R}^3 \times (S^3)^J$ ) باستخدام مطابقة التدفق الريماني.
التمثيل المدمج: إثبات أن تمثيل $T+R$ (الإزاحة + الدوران) هو الأكثر استقرارًا وفعالية، متفوقًا على التمثيلات المعقدة التي تتضمن الوضعيات المحلية أو الفروقات الزمنية.
القابلية للتوسع: أول عرض يثبت أن مطابقة التدفق الريماني تتوسع بفعالية مع مجموعات البيانات الكبيرة (MotionMillion) والبنيات عالية السعة (Diffusion Transformers بمليارات المعلمات).
التبرير النظري: قدمت الورقة براهين نظرية تظهر أن التعلم على المانيفولد الجوهري ( $d$ من الأبعاد) يعطي معدلات خطأ تقاربية أفضل بشكل صارم ( $n^{-2s/(2s+d)}$ ) مقارنة بالتعلم في الفضاء الإقليدي المحيط ( $D$ من الأبعاد، حيث $D \gg d$ ).

4. النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات HumanML3D و MotionMillion.

HumanML3D (النص إلى حركة):
- حقق أفضل حالة (SOTA) في مقياس FID قدرها 0.043 في تنسيق HumanML3D القياسي، متفوقًا على أفضل النتائج السابقة مثل MoMask (0.045).
- احتل المركز الأول في جميع المقاييس المسجلة (FID, R@1, Diversity, Multimodality) تحت تنسيق MotionStreamer.
- أظهر توازنًا فائقًا بين جودة الحركة، والمواءمة مع النص، والتنوع.
MotionMillion (نطاق واسع):
- تفوق بشكل كبير على النماذج المرجعية القوية (MotionMillion-3B/7B).
  ك achieved FID قدره 5.6 (مقابل 10.3 لأفضل نموذج مرجعي) و R@1 قدره 0.86.
- أثبت أن المكاسب الهندسية تستمر حتى عند زيادة حجم النموذج وحجم البيانات.
دراسات الاستئصال (Ablation Studies):
- التمثيل: كان $T+R$ هو الأكثر قوة باستمرار. إضافة الوضعية ( $P$ ) أو الفروقات الزمنية ( $d\cdot$ ) أدت إلى تدهور الأداء أو تقليل الاستقرار تحت مقاييس التوجيه العالية.
- التوجيه (Guidance): حافظ تمثيل $T+R$ على قيم FID منخفضة عبر نطاق واسع من مقاييس التوجيه ( $\omega \in [2.5, 9.5]$ )، بينما تدهورت التمثيلات الأخرى بشكل رتيب.

5. الأهمية والأثر

النمذجة المدركة للهندسة: تثبت هذه الورقة أن احترام الهندسة الجوهرية للبيانات ليس مجرد لمسة نظرية بل ضرورة عملية للحصول على توليد عالي الدقة. إنها تنقل التركيز من "إصلاح" المخرات غير الصالحة بعد التوليد إلى "منع" عدم الصلاحية من خلال التصميم.
القابلية للتوسع: تثبت الورقة أن الطرق الريمانية ليست محدودة بمجموعات البيانات الصغيرة أو النماذج البسيطة، بل هي قابلة للتطبيق في عصر الذكاء الاصطناعي التوليدي الحديث واسع النطاق.
الكفاءة: من خلال تقليل الأبعاد إلى المانيفولد الجوهري، يبسط المنهج مشكلة التعلم، مما يؤدي إلى تدريب أكثر استقرارًا وتعميم أفضل.
الاتجاهات المستقبلية: يفتح الإطار آفاقًا لتطبيق مطابقة التدفق الريماني في مجالات أخرى ذات البيانات المهيكلة (مثل الروبوتات، والديناميكا الجزيئية) ويشير إلى أن توليد الحركة في المستقبل يجب أن يعطي الأولوية للاتساق الهندسي على التعقيد المعماري.