🤖 AI

ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation

تقدم الورقة البحثية ProgressVLA، وهو نموذج رؤية-لغة-فعل مبتكر يعزز التلاعب الروبوتي في المهام طويلة الأمد من خلال دمج مُقدِّر تقدم مُدرب مسبقاً مع آلية توجيه قابلة للتفاضل للتغلب على قيود الإنهاء القائم على الاستدلال وتحسين معدلات النجاح والتعميم بشكل كبير.

المؤلفون الأصليون: Hongyu Yan, Qiwei Li, Jiaolong Yang, Yadong Mu

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hongyu Yan, Qiwei Li, Jiaolong Yang, Yadong Mu

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 روبوتًا كيفية صنع شطيرة. تعطي له أمرًا بسيطًا: "اصنع شطيرة زبدة فول سوداني ومربى."

معظم عقول الروبوتات الحالية (التي تُسمى نماذج الرؤية واللغة والحركة - Vision-Language-Action models) تشبه الطلاب المجتهدين في اتباع التعليمات خطوة بخطوة، لكن ليس لديهم أي إحساس بـ الوقت أو التقدم. قد يمسكون بالخبز، ثم يحدقون فيه لفترة طويلة، ثم يمسكون بالسكين، ثم يضعون السكين، ثم يرفعونها مرة أخرى، ثم... يستمرون في القيام بأشياء عشوائية حتى ينتهوا من الشطيرة بالصدفة. إنهم لا يعرفون ما إذا كانوا قد أنجزوا 10% أم 90%. هم يعرفون فقط متى انتهوا تمامًا، وغالبًا لا يعرفون متى يتوقفون، مما يؤدي إلى إضاعة الوقت أو إتلاف الخبز المحمص.

تقدم هذه الورقة البحثية ProgressVLA، وهي طريقة جديدة لتعليم الروبوتات تعمل مثل إعطائها نظام GPS ذكي مع وقت وصول متوقع (ETA).

إليك كيف يعمل الأمر، مقسمًا إلى مفاهيم بسيطة:

1. المشكلة: الروبوت "التائه في المطبخ"

الروبوتات الحالية تشبه شخصًا يمشي في غرفة مظلمة باستخدام مصباح يدوي. يمكنهم رؤية الشيء الذي أمامهم مباشرة (الخبز، السكين)، لكن لا يمكنهم رؤية المسار الكامل نحو الهدف. إنهم يعتمدون على التخمين. إذا علقوا، فقد يدورون في دوائر أو يكررون نفس الحركة مرارًا وتكرارًا لأن ليس لديهم وسيلة لقياس: "مهلًا، أنا في الواقع أقترب من الهدف!"

2. الحل: "GPS التقدم"

قام المؤلفون ببناء أداة خاصة تسمى مُقدّر التقدم (Progress Estimator). فكر في هذا كأنه مساعد ذكي يجلس بجانب الروبوت، يراقب كل ما يفعله.

ماذا يفعل: ينظر إلى رؤية الروبوت الحالية والتعليمات الأصلية.
ماذا يقول: يعطي الروبوت درجة من 0 إلى 100%.
- 0%: "لم تبدأ بعد."
- 50%: "لديك الخبز والسكين، لكن لم تضع المربى بعد."
- 95%: "أنت تضع شريحة الخبز الأخيرة في الأعلى!"

هذا المساعد مدرب على آلاف الفيديوهات لبشر يقومون بمهام مختلفة، لذا فهو يعرف كيف يبدو "التقدم" حتى لو تغيرت الإضاءة أو اختلفت الأشياء.

3. السحر: "توجيه السفينة" (Classifier Guidance)

هذا هو الجزء الأروع. عادةً، تولد الروبوتات حركاتها عن طريق "تخيل" الاحتمالات واختيار واحد منها. الأمر يشبه رمي النرد لتقرير ما يجب فعله بعد ذلك.

مع ProgressVila، لا يكتفي الروبوت برمي النرد فحسب. بل يسأل "GPS التقدم" عن نصيحة قبل أن يتحرك.

التشبيه: تخيل أنك تحاول إيجاد طريقك خارج متاهة.
- الطريقة القديمة: تختار ممرًا عشوائيًا، تمشي فيه، تصطدم بنهاية مسدودة، ثم تعود.
- طريقة ProgressVLA: في كل مرة توشك فيها على اختيار ممر، تسأل نظام الـ GPS الخاص بك: "إذا ذهبت يسارًا، فكم سأقترب من المخرج؟" فيجيب الـ GPS: "الذهاب يسارًا يجعلك أقرب بنسبة 20%؛ الذهاب يمينًا يجعلك أقرب بنسبة 5% فقط."
- النتيجة: "يوجه" الروبوت حركاته بشكل طبيعي نحو المسار الذي يزيد من درجة تقدمه. إنه يتوقف عن إضاعة الوقت في الطرق المسدودة.

4. "نموذج العالم": خيال الروبوت

لكي يسأل الروبوت الـ GPS عن النصيحة، يحتاج إلى معرفة ما سيحدث بعد ذلك.

يمتلك الروبوت نموذج عالم (World Model) (محاكي ذهني).
قبل أن يحرك ذراعه فعليًا، يتخيل الحركة في رأسه.
يسأل الـ GPS: "إذا تخيلت تحريك ذراعي بهذه الطريقة، هل ستزيد درجة تقدمي؟"
إذا كانت الإجابة "نعم"، يقوم بالحركة. إذا كانت الإجابة "لا"، يجرب حركة تخيلية أخرى.

هذا يسم un الروبوت بالتخطيط مسبقًا دون الاصطدام بالأشياء فعليًا أو إضاعة الوقت.

5. نتائج من العالم الحقيقي

اختبر الباحثون ذلك على روبوتات حقيقية تقوم بمهام مثل:

فتح درج.
تكدير الأوعية فوق بعضها.
وضع الفاكهة على طبق.

كانت النتائج مبهرة:

أسرع: أنهت الروبوتات المهام في خطوات أقل (مثل اتخاذ طريق مختصر بدلاً من المشي في دوائر).
أذكى: توقفت تمامًا عند انتهاء المهمة، بدلاً من العبث والتحرك بلا هدف بعدها.
قوية (Robust): حتى عندما تغيرت الإضاءة أو استخدموا فاكهة مختلفة (مثل البرتقال بدلاً من التفاح)، ظل "GPS التقدم" يعمل لأنهم تعلموا مفهوم التقدم، وليس مجرد الأشياء المحددة.

ملخص

ProgressVLA يشبه إعطاء الروبوت إحساسًا شاملًا بـ "مدى تقدمه". فبدلاً من مجرد الاستجابة لما يراه الآن، فإنه يتحقق باستمرار من درجة تقدمه ويوجه أفعاله لجعل هذه الدرجة ترتفع. إنه يحول الروبوت من كائن يتعثر بعشوائية خلال المهمة إلى عامل مركز يعرف بالضبط كيف يصل إلى خط النهاية بكفاءة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "السياسة الانتشارية الموجهة بالتقدم للتحكم الروبوتي القائم على الرؤية واللغة" (ProgressVLA).

١. بيان المشكلة

تواجه نماذج الرؤية واللغة والعمل (VLA) الحالية للتحكم الروبوتي تحديات كبيرة في المهام طويلة الأمد (long-horizon tasks):

نقص الوعي بالتقدم: تعتمد معظم النماذج الحالية على استدلالات مصممة يدويًا لإنهاء المهام أو إشارات ضمنية مشوشة حول تحقيق الهدف. وهي تفتقر إلى فهم كثيف وصريح لمدى قرب الروبوت من إكمال المهمة.
عدم كفاءة أخذ العينات: غالبًا ما تنتج المخططات التوليدية (مثل سياسات الانتشار/Diffusion Policies) مسارات تبدو منطقية بصريًا ولكنها غير ذات صلة بالمهمة، لأنها مدفوعة فقط بالاشتراط دون وجود آلية لتوجيه النموذج نحو إتمام الهدف.
هشاشة الإنهاء: بدون إشارة تقدم مبدئية، غالبًا ما تفشل السياسات في معرفة متى تتوقف، مما يؤدي إلى حركات زائدة أو إنهاء مبكر للمهمة.
مشكلات التعميم: يعد تعلم التقدم مباشرة من البكسلات الخام أمرًا صعبًا بسبب الاختلافات غير المرغوب فيها (مثل اهتزاز الكاميرا، الإضاءة، والمشتتات)، مما يؤدي إلى إشارات تقدم مشوشة.

٢. المنهجية: ProgressVLA

يقترح المؤلفون إطار عمل ProgressVLA، وهو نظام يدمج مُقدّر تقدم (progress estimator) متعلمًا مباشرة داخل سياسة انتشارية (diffusion policy) عبر مسار قابل للاشتقاق. يعمل النظام في فضاء فعل كامن (latent action space) لضمان المتانة والتعميم.

المكونات الأساسية

مُقدّر التقدم (المقيم القائم على الرؤية واللغة):
- الوظيفة: هو نموذج انحدار يأخذ تعليمات لغوية ( $l$ )، وملاحظة أولية ( $o_0$ )، وملاحظة حالية ( $o_t$ ) لإنتاج درجة تقدم عددية معيرة $p \in [0, 1]$ .
- التدريب: تم تدريبه مسبقًا على مجموعات بيانات ضخمة من الفيديوهات والنصوص غير الخاضعة للإشراف (Open X-Embodiment) باستخدام الخطوات الزمنية المعيرة كبديل للتقدم الحقيقي. وقد تم ضبطه بدقة (fine-tuning) على مجموعات بيانات محددة (LIBERO، CALVIN) وبيانات من العالم الحقيقي.
- البنية: يستخدم DINOv2 للميزات البصرية وCLIP للنصوص، ويتم معالجتهما عبر طبقة من الانتباه المتقاطع (cross-attention stack) لمواءمة اللغة مع التغيرات في الحالة البصرية.
نموذج عالم موجه نحو الفعل (Action-Oriented World Model):
- الوظيفة: نموذج ديناميكيات عكسي (IDM) ونموذج ديناميكيات أمامي (FDM) يعمل في فضاء ميزات بصرية كامن (وليس في فضاء البكسلات).
- الآلية:
  - الديناميكيات العكسية: تشفر الانتقال بين $o_t$ و $o_{t+N}$ إلى فعل كامن $a_z$ .
  - الديناميكيات الأمامية: تتنبأ بالميزات البصرية المستقبلية $\hat{o}_{t+N}$ بناءً على الميزات الحالية والفعل الكامن.
- الغرض: يسمح للنظام بـ "تخيل" نتيجة مجموعة من الأفعال (action chunk) قبل تنفيذها.
سياسة الانتشار الموجهة بالتقدم (Progress-Guided Diffusion Policy):
- توليد على مرحلتين:
  1. خبير الفعل الكامن: يقوم نموذج انتشار بتوليد مجموعة مرشحة من الأفعال الكامنة ( $a_z$ ) التي تمثل استراتيجية عالية المستوى.
  2. مفكك شفرة الفعل (Action Decoder): يقوم بفك تشفير $a_z$ إلى أوامر روبوتية منخفضة المستوى.
- توجيه المصنف (Classifier Guidance - CG): هذا هو الابتكار الجوهري. أثناء عملية إزالة الضجيج (denoising) في الانتشار:
  - يتنبأ نموذج العالم بالحالة المستقبلية $\hat{o}_{t+N}$ لعينة كامنة مشوشة $x_\tau$ .
  - يقوم مُقدّر التقدم بتقييم هذه الحالة المستقبلية للحصول على درجة التقدم المتوقعة $\hat{p}_{t+N}$ .
  - يتم تمرير تدرجات (gradients) درجة التقدم عبر نموذج العالم وصولاً إلى عينة الفعل الكامن.
  - يتم تعديل قاعدة التحديث: $x_{\tau-1} = \mu_\theta + s \nabla_{x_\tau} \hat{p}_{t+N} + \text{noise}$ .
- النتيجة: يتم توجيه عملية أخذ العينات نحو مجموعات الأفعال المتوقع أن تعظم التقدم في المهمة.
الضبط الدقيق باستخدام التعلم التعزيزي (RL Finetuning):
- يتم تحسين النظام بشكل أكبر باستخدام الخبرات المباشرة (online experience).
- خسارة الرتابة (Monotonicity Loss): تعاقب مُقدّر التقدم إذا انخفض التقدم المتوقع بمرور الوقت في المسارات الناجحة.
- تحسين السياسة المنظم بـ KL: يعدل سياسة الانتشار لزيادة احتمالية الأفعال التي تحقق درجات تقدم أعلى مع البقاء قريبًا من التوزيع الأصلي.

٣. المساهمات الرئيسية

تقدير متين للتقدم: مُقدّر تقدم مدرب مسبقًا، مشروط بالرؤية واللغة، يحقق بقايا تنبؤ منخفضة (0.07 على CALVIN، و0.1 في العالم الحقيقي) ويتعمم على سيناريوهات العالم الحقيقي غير المرئية عبر نقل التعلم.
توجيه التقدم القابل للاشتقاق: مسار مبتكر يستخدم نموذج عالم ذو ديناميكيات عكسية لربط الأفعال الكامنة بالحالات المستقبلية، مما يسمح باستخدام تدرجات التقدم كتوجيه للمصنف لتوجيه عملية أخذ عينات الانتشار.
إطار عمل متكامل (End-to-End): دمج تقدير التقدم، ونمذجة العالم، وسياسات الانتشار في نظام موحد يحسن كل من معدلات النجاح وكفاءة التنفيذ دون الحاجة إلى تسميات أفعال كثيفة لإشارة التقدم.

٤. النتائج التجريبية

الاختبارات المعيارية (المحاكاة)

CALVIN (التحكم في المهام طويلة الأمد):
- حقق ProgressVLA (الكامل) معدل نجاح بنسبة 52.0% لإكمال 5 مهام فرعية متتالية، متفوقًا على نموذج Diffusion Policy الأساسي (41.2%) وعلى نماذج قوية مثل GR-MG (التي حققت 64.4% لـ 4 مهام متتالية، لكنها كانت أقل في حالة 5 مهام).
- محاذاة التقدم: ارتفع معامل ارتباط بيرسون بين التقدم المتوقع والمنحدر الخطي من 0.722 (بدون توجيه) إلى 0.934 (مع التوجيه).
- الكفاءة: انخفض متوسط الخطوات حتى الإكمال من 90.4 إلى 77.3.
LIBERO (نقل المعرفة):
- في تقسيم LIBERO-LONG الصعب، حقق ProgressVLA (الكامل) نسبة نجاح بلغت 66.2%، متفوقًا بشكل ملحوظ على OpenVLA (53.7%) وDita (63.8%).
- وصل متوسط معدل النجاح الإجمالي عبر جميع المجموعات الفرعية إلى 84.5%.

النشر في العالم الحقيقي

الإعداد: روبوت ثنائي الأذرع من طراز ARX AC-One مزود بكاميرات RGB-D.
المهام: 5 مهام تشمل "التقاط الخوخ"، "فتح الدرج"، و"رص الأوعية".
النتائج:
- معدل النجاح: تحسن من 23% (نموذج Octo الأساسي) إلى 76% (ProgressVLA مع التوجيه).
- الكفاءة: قلل متوسط مسافة سفر النهاية الطرفية (end-effector) من 1.30 متر إلى 0.81 متر، وقلل عدد الخطوات من 187.9 إلى 53.3.
- التعميم: حافظ مُقدّر التقدم المدرب مسبقًا والمعدل بدقة عالية (بيرسون > 0.95) تحت تغيرات الإضاءة والأجسام الجديدة، بينما فشلت النماذج المدربة من الصفر (بيرسون ~0.81، وموثوقية التوقف ~37%).

٥. الأهمية والتأثير

حل تخطيط المهام طويلة الأمد: يعالج ProgressVLA الفجوة الحرجة في المهام طويلة الأمد حيث تعاني نماذج VLA التقليدية من مشايات الإنهاء والتوجه نحو الهدف.
كفاءة البيانات: من خلال الاستفيد من التدريب المسبق واسع النطاق لمُقدّر التقدم، يحقق الأسلوب أداءً قويًا بأقل قدر من بيانات الضبط الدقيق في العالم الحقيقي.
إنهاء موثوق: توفر إشارة التقدم الصريحة معيارًا مبدئيًا وقائمًا على العتبة للإنهاء، مما يلغي الحاجة إلى استدلالات هشة ومصممة يدويًا.
التعميم: يسمح استخدام فضاء الفعل الكامن والميزات البصرية المتمحورة حول الأشياء للنظام بالتعامل مع تغيرات المجال (الإضاءة، الأجسام الجديدة) بفعالية، مما يجعله مرشحًا قابلاً للتطبيق في النشر الروبوتي في العالم الحقيقي.

باختصار، يوضح ProgressVLA أن نمذجة وتوجيه تقدم المهمة صراحةً داخل إطار عمل انتشار توليدي يعزز بشكل كبير من موثوقية وكفاءة ومعدل نجاح التحكم الروبوتي في السيناريوهات المعقدة وطويلة الأمد.