💻 computer science

Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward

تقترح هذه الورقة طريقتين غير مرتبطتين بنموذج محدد — تقريب الفروق المحدودة المنفصل زمنياً وفضاءات عمل "كوبيك بي-سبلاين" (Cubic B-Spline) المستمرة — لدمج التغذية الأمامية للسرعة في نماذج الرؤية واللغة والعمل (Vision-Language-Action models)، مما يؤدي إلى حل المقايضة بين الامتثال والاستجابة في عمليات التحكم في الروبوتات الصناعية الصلبة.

المؤلفون الأصليون: Johannes Hechtl, Philipp Schmitt, Georg von Wichert, Wolfram Burgard

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Johannes Hechtl, Philipp Schmitt, Georg von Wichert, Wolfram Burgard

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 ذراعاً آلياً كيفية أداء مهمة دقيقة، مثل تمرير مكعب داخل ثقب صغير. هذا النوع من المهام يتطلب مزيجاً من السرعة (لإيصال المكعب إلى الثقب بسرعة) والرفق (حتى لا تحطم المكعب أو الثقب إذا أخطأت الهدف).

لفترة طويلة، عانت الروبوتات التي يتم تدريبها باستخدام الذكاء الاصطناائي (المعروف بنماذج الرؤية واللغة والأفعال - Vision-Language-Action models) من هذه المشكلة. كانت تشبه سائقاً يعرف فقط أين يتوقف، لكن ليس لديه أدنى فكرة عن سرعته أو مدى قوة الضغط على المكابح.

إليك التوضيح البسيط لما تفعله هذه الورقة البحثية لحل هذه المشكلة.

المشكلة: السائق الذي يعمل بنظام "التوقف والانطلاق"

تعمل معظم نماذج الذكاء الاصطناعي للروبوتات بأسلوب "التوقف والانطلاق". ففي كل جزء من الثانية، يقول الذكاء الاصطناعي: "حسناً، حرك الذراع إلى هذه النقطة المحددة".

معضلة الروبوت: يستقبل عقل الروبوت المنخفض المستوى (المتحكم) هذا الأمر ويحاول الوصول إلى هناك. ولكن بما أن الذكاء الاصطناعي لم يحدد كيفية السرعة المطلوبة، يضطر الروبوت للتخمين.
المفاضلة:
- إذا كان الروبوت صلباً (مثل ذراع معدنية صلبة)، يمكنه الوصول إلى النقطة المستهدفة بدقة، ولكن إذا اصطدم بالثقب بشكل خاطئ قليلاً، فسوف يصطدم بقوة ويكسر الأشياء.
- إذا كان الروبوت ليناً (مرناً، مثل ذراع مطاطية)، فسيكون آمناً، ولكنه يتحرك ببطء ويتأخر في الاستجابة، مما يستغرق وقتاً طويلاً لإنجاز المهمة.

الأمر يشبه محاولة ركن سيارة عبر النظر إلى مكان الركن مرة واحدة كل 5 ثوانٍ فقط. لا يمكنك ضبط سرعتك بسلاسة، لذا فإما أن تقود بسرعة كبيرة وتصطدم، أو تقود ببطء شديد ولن تصل أبداً.

الحل: إعطاء الروبوت "عداد سرعة"

أدرك المؤلفون أن الذكاء الاصطناعي يحتاج إلى إخبار الروبوت ليس فقط أين يذهب، بل بأي سرعة يصل إلى هناك. أطلقوا على هذا اسم "التغذية الأمامية للسرعة" (Velocity Feedforward). فكر في الأمر كأنك تعطي الروبوت عداد سرعة وإعداد مثبت السرعة (Cruise Control) جنباً إلى جنب مع إحداثيات نظام تحديد المواقع (GPS).

لقد اختبروا طريقتين لتزويد الروبوت بمعلومات السرعة هذه:

الطريقة الأولى: "الاختصار الرياضي" (الفرق المتناهي في النهاية - Finite Difference)

هذا هو الحل السريع والسهل.

كيف تعمل: لا يزال الذكاء الاصطناعي يعطي مجرد قائمة من النقاط (مثل قائمة التوقف والانطلاق). يقوم كمبيوتر الروبوت ببساطة بحيلة رياضية سريعة: "إذا كنت عند النقطة (أ) قبل ثانية، وأنا الآن عند النقطة (ب)، فلا بد أنني كنت أتحرك بسرعة (س)".
التشبيه: الأمر يشبه النظر إلى عداد المسافات في سيارتك لتخمين متوسط سرعتك. ليست طريقة مثالية، لكنها جيدة بما يكفي لجعل الروبوت يتحرك بشكل أسرع وأكثر سلاسة من ذي قبل.
النتيجة: جعلت هذه الطريقة الروبوت أسرع بشكل ملحوظ في تنفيذ المهمة.

الطريقة الثانية: "المنحنى السلس" (منحنيات B-spline التكعيبية)

هذا هو الحل المتطور وعالي التقنية.

كيف تعمل: بدلاً من إعطاء الروبوت قائمة من النقاط، يرسم الذكاء الاصطناعي خطاً مستمراً وسلساً (منحنى) يربط بين جميع تلك النقاط.
التشبيه: تخيل أن الطريقة الأولى هي مجموعة من أحجار الخطوات؛ عليك القفز من حجر إلى آخر. أما هذه الطريقة فهي تشبه رسم منزلق (زحليقة) سلس. يمكن للروبوت الانزلاق على المنحنى بأي سرعة، وتضمن الرياضيات أن الحركة ستكون سلسة تماماً، دون أي قفزات مفاجئة أو مهتزة.
النتيجة: لم تجعل هذه الطة الروبوت أسرع بكثير، لكنها جعلت الحركات سلسة للغاية. ومن المثير للاهتمام أن "الاهتزازات" الطفيفة في الحركة ساعدت الروبوت في هز المكعب وإدخاله في الثقب إذا لم يكن محاذياً تماماً، مما أدى إلى نسبة نجاح عالية جداً.

لماذا يهم هذا؟

إن الاختراق الأكبر هنا هو أنهم لم يضطروا إلى إعادة بناء "عقل" الروبوت (نموذج الذكاء الاصطناعي). لقد قاموا فقط بتغيير كيفية جمع البيانات وكيفية تفسير "عضلات" الروبوت (المتحكم) للأوامر.

قبل: كان الروبوت عاملاً صلباً، بطيئاً، أو غير متزن.
بعد: أصبح الروبوت عاملاً سريعاً، سلساً، وآمناً. يمكنه التحرك بسرعة عبر الغرفة (لأنه يعرف سرعته) ولكن لا يزال بإمكانه هز مكعب بلطف داخل ثقب صغير دون كسر أي شيء.

الخلاصة

تظهر هذه الورقة البحثية أنه لجعل الروبوتات تعمل بشكل جيد في المصانع الحقيقية (حيث تحتاج إلى السرعة والأمان معاً)، نحتاج إلى التوقف عن معاملتها كأنها تتحرك فقط من النقطة (أ) إلى النقطة (ب). نحن بحاجة إلى تعليمها فهم السرعة المتجهة (السرعة والاتجاه).

من خلال إضافة "حد السرعة" وتعليمات "التسارع" ببساطة إلى قائمة المهام اليومية للروبوت، يمكننا جعل الروبوتات الصناعية الصلبة تتصرف كفنانين مبدعين، يجمعون بين السرعة العالية والبراعة اللطيفة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تمكين التتبع الديناميكي في نماذج الرؤية واللغة والعمل عبر التغذية الأمامية للسرعة المتقطعة زمنياً والمستمرة زمنياً."

1. بيان المشكلة

أظهرت نماذج الرؤية واللغة والعمل (VLA) واعداً في مجال التحكم الآلي العام، لكنها تواجه تحديات كبيرة عند نشرها على الروبوتات الصناعية الصلبة (مثل Franka Emika، وKuka، وUR).

المقايضة: هناك صراع متأصل بين الامتثال (السلامة أثناء التلامس) والاستجابة (سرعة التتبع).
السبب الجذري: تعتمد أساليب محاكاة السلوك (Behavior Cloning) القياسية على التنبؤ بمواضع طرف النهاثر (end-effector) بشكل متقطع عند ترددات منخفضة (مثلاً 15-60 هرتز) دون وجود حدود التغذية الأمامية للسرعة ( $\dot{x}_d$ ) أو التسارع ( $\ddot{x}_d$ ).
النتيجة: تعتمد وحدات التحكم في الممانعة/الامتثال (impedance/admittance) منخفضة المستوى فقط على خطأ الموضع ( $e = x_d - x$ ) والصلابة ( $K_d$ ) للتتبع. ولتقليل تأخر التتبع، يجب أن تكون الصلابة عالية، مما يقلل من الامتثال ويزيد من مخاطر إتلاف الروبوت أو البيئة المحيطة أثناء التلامس. وعلى العكس من ذلك، فإن خفض الصلابة من أجل السلامة يزيد من تأخر التتبع، مما يحد من سرعة التنفيذ والإنتاجية.
القيود الحالية: غالباً ما تضع تطبيقات VLA الحالية التغذية الأمامية للسرعة عند الصفر أو تعتمد على قوانين تحكم من الدرجة صفر، وتقبل التأخر المتأصل في التتبع الذي يحد من الجدوى الصناعية.

2. المنهجية

يقترح المؤلفون دمج تغذية أمامية صريحة للسرعة في سياسة VLA لحل مقايضة التتبع والامتثال. وقد قدموا طريقتين متميزتين لاستخراج أهداف السرعة من تنبؤات VLA، وكلتاهما مستقلتان عن النموذج (متوافقتان مع أي بنية قياسية لتجميع الأفعال/action-chunking).

أ. الطريقة 1: تقريب السرعة المتقطع زمنياً (الفرق المحدود)

المفهوم: جسر معالجة لاحقة لنماذج VLA المنفصلة الموجودة.
الآلية: يتنبأ النموذج بمواضع منفصلة ( $x_t$ ). أثناء الاستنتاج، يتم تقريب السرعة باستخدام الفروق المحدودة: $\dot{x}_t \approx (x_t - x_{t-1}) / \Delta t$ .
الخصائص:
- توفر ملفات تعريف سرعة ثابتة جزئياً.
- تعمل كجسر فعال للغاية للنماذج المدربة على بيانات المواضع فقط (بشرط أن يكون وحدة التحكم منخفضة المستوى مدركاً للسرعة).
- لا تتطلب أي تغييرات في بنية الشبكة العصبية.

ب. الطريقة 2: فضاء الأفعال القائم على منحنيات B-Spline التكعيبية المستمرة زمنياً

المفهوم: تمثيل مسار مستمر أصيل.
الآلية: بدلاً من التنبؤ بمواضع منفصلة، يتنبأ نموذج VLA بنقاط تحكم منحنى B-Spline التكعيبي ( $P$ ).
الأساس الرياضي:
- يتم تعريف المسار كـ $x_d(t) = \sum B_{i,k}(t)P_i$ ، حيث $B_{i,k}$ هي دوال الأساس.
- يضمن استخدام المنحنيات التكعيبية ( $k=3$ ) استمرارية من الدرجة الثانية ( $C^2$ ) (أي استمرارية الموضع، والسرعة، والتسارع).
- تقوم وحدة التحكم منخفضة المستوى باشتقاق $\dot{x}_d(t)$ و $\ddot{x}_d(t)$ تحليلياً باستخدام دوال الأساس عند معدل التحكم عالي التردد الأصيل.
التدريب: يتم تحويل بيانات التحكم عن بُعد (teleoperation) الخام إلى نقاط تحكم B-Spline خارجياً عبر تحسين المربعات الصغرى لإنشاء مجموعة بيانات تقليد قياسية.

ج. بنية التحكم

وحدة التحكم: تُستخدم وحدة تحكم امتثال كارتيزي نشطة، تقوم بحل التسارع: $\ddot{x}_{cmd} = \ddot{x}_d - \Lambda_d^{-1}(D_d\dot{e} + K_de - F_{ext})$ .
جمع البيانات: تسجل أجهزة التحكم عن بُعد مواضع عالية التردد ( $>500$ هرتز). يتم حساب السرعات عبر الفروق المحدودة المفلترة بمرشح تمرير منخفض. يتم ضبط التسارع عند الصفر ( $\ddot{x}_d=0$ ) لتجنب تضخيم الضجيج، رغم أن الإطار يدعم ذلك.
الاستنتاج: للتعامل مع الانقطاعات عند حدود تجميع الأفعال (action chunk boundaries)، يتم استخدام التجميع في الوقت الحقيقي (RTC) لتنعيم الانتقالات.

3. المساهمات الرئيسية

إثبات التغذية الأمامية للسرعة: أثبتت الدراسة أن توفير التغذية الأمامية للسرعة بشكل صريح لوحدات التحكم منخفضة المستوى يسمح للروبوتات الصلبة بتنفيذ حركات أسرع دون التضحية بالامتثال اللازم للمهام الغنية بالتلامس.
طريقة التقريب المنفصل: اقترحوا نهج الفرق المحدود الذي يعمل بفعالية على ترقية بنيات VLA المنفصلة الحالية لتعمل مع وحدات تحكم مدركة للسرعة.
p. فضاء أفعال B-Spline المستمر: قدموا فضاء أفعال جديداً يتنبأ بنقاط تحكم المنحنيات لضمان مسارات ذات استمرارية من الدرجة $C^2$ ، مما يسمح بالتقييم التحليلي للمشتقات العليا عند الترددات العالية.
الاستقلالية عن النموذج: لا تتطلب كلتا الطريقتين سوى تعديلات في عمليات التحكم عن بُعد، ومعالجة البيانات، ووحدة التحكم منخفضة المستوى، مع ترك بنية الشبكة العصبية لـ VLA دون تغيير.

4. النتائج التجريبية

تم تقييم الطرق في مهمة "مكعب داخل ثقب" (cube-in-hole) غنية بالتلامس باستخدام روبوتات Universal Robots مع سماحية صارمة تبلغ 1 ملم، مما يتطلب كلاً من النقل السريع والإدخال الدقيق.

أ. أداء التحكم عن بُعد

الإعداد: قام المشغلون البشريون بمهام تحت تكوينات تحكم مختلفة (الموضع فقط مقابل الموضع + السرعة) عند ترددات مختلفة (5 هرتز إلى 500 هرتز).
النتيجة: قللت وحدة التحكم المدركة للسرعة من أوقات إكمال المهام بشكل كبير عبر جميع الترددات ( $p < 0.001$ $p < 0.001$ ).
- استطاع المشغلون تنفيذ حركات نقل كبيرة بشكل أسرع وأكثر دقة دون مقاومة تأخر التتبع في وحدة التحكم.
- وهذا يضع حداً أعلى لجودة البيانات المقدمة لنموذج VLA.

ب. تنفيذ السياسة (Rollout)

طريقة الفرق المحدود:
- أسرع تنفيذ: متوسط زمن قدره 6.05 ثانية (مقابل 7.35 ثانية للنموذج المرجعي).
- الأهمية: تفوقت بشكل ملحوظ على النموذج المرجعي ( $p < 0.001$ ).
طريقة B-Spline التكعيبية:
- سرعة التنفيذ: متوسط زمن قدره 7.45 ثانية (أبطأ قليلاً من النموذج المرجعي، ولكن ليس بشكل ذي دلالة إحصائية).
- معدل النجاح: حققت أعلى معدل نجاح إجمالي (79.20%).
- التحليل: أظهرت طريقة B-Spline تبايناً أعلى. يفترض المؤلفون أن الحركات "المتذبذبة" المتبقية (الناتجة عن التفاعل مع التجميع في الوقت الحقيقي) ساعدت الروبوت دون قصد على "هز" المكعب داخل الثقب أثناء مرحلة الإدخال، مما حسن معدلات النجاح رغم البطء في متوسط السرعة.
دراسة الاستبعاد (Ablation Study): السياسة التي تم تدريبها على بيانات مدركة للسرعة ولكن تم تنفيذها باستخدام وحدة تحكم تعتمد على الموضع فقط كانت الأسوأ (متوسط زمن 10.01 ثانية)، مما يسلط الض الضوء على الحاجة الماسة لمطابقة وحدة التحكم في الاستنتاج مع استراتيجية جمع البيانات.

5. الأهمية والخاتمة

الجدوى الصناعية: يردم هذا العمل الفجوة بين الروبوتات المرنة المخصصة للأبحاث (مثل ALOHA) والروبوتات الصناعية الصلبة. فهو يتيح عمليات تلاعب غنية بالتلامس، عالية الإنتاجية وآمنة على الأجهزة الصناعية القياسية.
الكفاءة: من خلال حل مقايضة التتبع والامتثال، يمكن للروبوتات التحرك بشكل أسرع أثناء مراحل النقل مع الحفاظ على السلامة أثناء مراحل التلامس.
العمل المستقبلي: يخطط المؤلفون لدمج التغذية الأمامية الكاملة للتسارع ( $\ddot{x}_d$ ). وتعتبر الاستمرارية المضمونة من الدرجة $C^2$ لمنحنيات B-Spline أساساً واعداً للتحكم عالي السرعة والمستقر والامتثالي مع المشتقات العليا.

باختصار، تثبت هذه الورقة أن التغذية الأمامية للسرعة ليست اختيارية بل ضرورية لنشر نماذج VLA على الروبوتات الصناعية الصلبة، حيث تقدم حلاً بسيطاً عبر الفرق المحدود لتحقيق مكاسب فورية، وإطار عمل B-Spline متطوراً لأداء تحكم مستقبلي عالٍ.