💻 computer science

OpenGo: An OpenClaw-Based Robotic Dog with Real-Time Skill Switching

تقدم الورقة البحثية OpenGo، وهو كلب روبوتي يعمل بتقنية OpenClaw ومبني على منصة Unitree Go2، يتيح التبديل الفوري للمهارات، والتحقق الذاتي، والتعلم الذاتي من خلال تعليمات باللغة الطبيعية للتكيف مع المهام المعقدة والبيئات الديناميكية.

المؤلفون الأصليون: Hanbing Li, Xuewei Cao, Zhiwen Zeng, Yuhan Wu, Yanyong Zhang, Yan Xia

نُشر 2026-04-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hanbing Li, Xuewei Cao, Zhiwen Zeng, Yuhan Wu, Yanyong Zhang, Yan Xia

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 أن لديك كلبًا آليًا ذكيًا للغاية ومتعلمًا تعليمًا عاليًا يُدعى OpenGo. هذا ليس مجرد حيوان أليف؛ بل هو عامل يمكنه القيام بالعديد من الوظائف المختلفة، بدءًا من السير فوق التضاريس الوعرة وصولًا إلى القيام بشقلبة خلفية أو الرقص.

ومع ذلك، هناك مشكلة في معظم عقول الروبوتات: فهي إما جامدة للغاية (يمكنها القيام بشيء واحد فقط) أو فوضوية للغاية (تحاول "التفكير" في كل حركة تقوم بها، مما يؤدي غالبًا إلى أخطاء أو أفعال خطيرة).

يحل OpenGo هذه المشكلة باستخدام نظام "المدير والعامل". وإليك كيف يعمل، مشروحًا ببعض التشبيهات من الحياة اليومية:

1. "مكتبة المهارات" (صندوق الأدوات)

فكر في عقل الروبوت وكأنه صندوق أدوات ضخم ومنظم. داخل صندوق الأدوات هذا توجد "مهارات" جاهزة مثل "المشي"، "القفز"، "صعود الدرج"، أو "الرقص".

الطريقة القديمة: عادةً، يحاول الروبوت اكتشاف كيفية تحريك أرجله من الصفر في كل مرة يريد فيها المشي. الأمر يشبه مطالبة إنسان باختراع مفهوم "المشي" في كل مرة يخطو فيها خطوة.
طريقة OpenGo: الروبوت لا يخترع حركات جديدة أثناء العمل. هو فقط يختار أداة من الصندوق. وقبل وضع أداة جديدة (مثل "الشقلبة الخلفية") في الصندوق، يتم اختبارها بدقة في محاكاة للعبة فيديو للتأكد من أنها لن تكسر الروبوت. هذا يضمن أن كل حركة يقوم بها الروبوت هي حركة آمنة ومثبتة.

2. "الموزع" (مدير المشروع)

هذا هو الجزء الأهم. يستخدم OpenGo ذكاءً اصطناعيًا فائق الذكاء (نموذج لغوي كبير) ليعمل كـ مدير مشروع.

المشكلة في الذكاء الاصطناعي ذي التفكير الحر: إذا طلبت من ذكاء اصطناعي ذي تفكير حر "اذهب لترقص"، فقد يحاول حساب فيزياء كل حركة عضلة. قد يرتبك ويخبر الروبوت بـ "ارفع ساقه 500 قدم عاليًا"، وهو أمر مستحيل وخطير. يُسمى هذا "الهلوسة" (اختلاق أشياء غير موجودة).
حل OpenGo: يُمنع مدير المشروع منعًا باتًا من اختراع حركات جديدة. وظيفته الوحيدة هي النظر في صندوق الأدوات والقول: "حسنًا، المستخدم يريد رقصًا. أرى مهارة 'الرقص' في الصندوق. سأختار تلك المهارة وأخبر الروبوت أن يفعلها بسرعة متوسطة."
التشبيه: تخيل أنك تطلب طعامًا في مطعم. أنت لا تقول للطاهي: "اذهب إلى المزرعة، واقطف حبة طماطم، وقطعها، واطبخها". أنت فقط تقول: "سآخذ البرجر". "البرجر" هو المهارة الجاهزة. مدير المشروع يضمن أن الروبوت يطلب فقط من القائمة، ولا يخترع أبدًا طبقًا غير موجود.

3. "التعلم الذاتي" (حلقة التغذية الراجعة)

OpenGo ليس مجرد آلة غبية؛ فهو يتعلم من أخطائه ومن ملاحظاتك.

كيف يعمل: إذا حاول الروبوت المشي على الثلج وانزلق، أو إذا أخبرته عبر تطبيق دردشة (مثل Feishu): "مهلًا، كان ذلك سريعًا جدًا، ابطئ السرعة"، فإن النظام يتذكر ذلك.
التشبيه: الأمر يشبه موظفًا جديدًا. إذا جرب طريقة وفشل، أو إذا قال له مديره: "في المرة القادمة، افعل هذا بهذه الطريقة"، فإن الموظف يحدث ملاحظاته الذهنية. في المرة القادمة التي يواجه فيها الثلج، سيختار تلقائيًا إعدادات "بطيء وثابت" بدلًا من "سريع". إنه يتحسن بمرور الوقت دون الحاجة إلى إعادة برمجته من قبل مهندس بشري.

4. الاختبار في العالم الحقيقي

اختبر الباحثون هذا على كلب آلي حقيقي (Unitree Go2).

النتيجة: يمكنك التحدث إلى الروبوت من خلال تطبيق دردشة بسيط. يمكنك أن تقول: "تقدم للأمام، ثم استدر، ثم قم بشقلبة خلفية". يقوم مدير المشروع بتفكيك هذا الطلب، ويختار الأدوات المناسبة من صندوق الأدوات، وينفذ الروبوتها بسلاسة.
العائق: الأمر ليس فوريًا. نظرًا لأن "مدير المشروع" (الذكاء الاصطناعي) يجب أن يفكر ويفحص صندوق الأدوات، فهناك تأخير بسيط (بضع ثوانٍ). إنه يشبه انتظار مدير بشري ليقرأ بريدك الإلكتروني ويرد عليه، بدلاً من آلة تستجيب بشكل فوري. لكن هذا التأخير هو ثمن بسيط مقابل السلامة والذكاء.

الملخص

OpenGo هو كلب آلي يجمع بين إبداع البشر (فهم لغتك) وسلامة الآلة (القيام فقط بالحركات المختبرة مسبقًا).

بدلًا من ترك الروبوت "يرتجل" حركاته (وهو أمر خطير)، فإنه يسمح له بارتجال خياراته. إنه يشبه عازف الجاز الذي يمكنه فقط عزف نوتات من سلم موسيقي محدد وآمن، ولكن يمكنه ترتيب تلك النوتات في عدد لا نهائي من الأغاني الجميلة بناءً على ما يطلبه الجمهور.

إليك ملخص تقني مفصل لورقة البحث بعنوان "OpenGo: كلب آلي قائم على OpenClaw مع تبديل المهارات في الوقت الفعلي."

1. بيان المشكلة

تعالج الورقة التحدي الجوهري المتمثل في تمكين الوكلاء المجسدين (تحديداً الروبوتات رباعية الأرجل) من التكيف مع البيئات المعقدة والديناميكية والمهام المتنوعة. تشمل القيود الحالية ما يلي:

التعميم مقابل التخصص: بينما تتفوق وحدات التحكم القائمة على التعلم التعزيزي (RL) في تضاريس محددة، إلا أنها غالباً ما تفشل في الظروف القاسية (مثل الثلج، الضباب، أو الانسداد الجزئي) حيث تكون الإدراك غير موثوق. إن الاعتماد على استراتيجية عامة واحدة أمر غير كافٍ؛ إذ تحتاج الروبوتات إلى مجموعة من المهارات المحددة (المشي، القفز، الانحناء).
فجوة "الهلوسة" في تحكم النماذج اللغوية الكبيرة (LLMs): بينما تُظهر النماذج اللغوية الكبيرة إمكانات واعدة في التخطيط عالي المستوى، فإن الاعتماد المباشر عليها للتحكم في الروبوت من الطرف إلى الطرف (end-to-end) يعد أمراً خطيراً. فالنماذج اللغوية الكبيرة غير المقيدة قد تولد خططاً منطقية لغوياً ولكنها غير قابلة للتنفيذ فيزيائياً أو غير آمنة (مثل استدعاء مهارات غير صالحة أو معاملات غير آمنة)، وهي ظاهرة توصف بأنها "هلوسة عملية".
سهولة الاستخدام: يتطلب التحكم في الروبوتات عادةً معرفة خبيرة، مما يجعل من الصعب على المستخدمين غير الخبراء إصدار أوامر بلغة طبيعية تؤدي إلى تنفيذ آمن وناجح.

2. المنهجية: إطار عمل OpenGo

OpenGo هو مسار عمل لروبوت كلب مجسد مبني على إطار عمل OpenClaw، ومُطبق على روبوت رباعي الأرجل من طراز Unitree Go2. يقوم النظام بفصل الاستدلال الدلالي عالي المستوى عن التنفيذ منخفض المستوى عبر ربط القدرة على التحكم في مكتبة مهارات مهيكلة بدلاً من توليد لغوي غير مقيد.

يتكون النظام من ثلاثة مكونات مترابطة وثيقاً:

أ. مكتبة المهارات القابلة للتخصيص

تعمل هذه المكتبة كقاعدة أساسية، حيث توفر مساحة عمل مهيكلة، قابلة لإعادة الاستخدام، وآمنة.

الهيكل: كل مهارة هي وحدة قابلة للاستدعاء تُعرف بخمسة حقول:
1. رأس المهارة (Skill Head): المعرف والوسم الدلالي.
2. المعاملات (Parameters): المعلمات الفائقة القابلة للتعديل (مثل السرعة، المسافة، الزاوية) والمقيدة ضمن حدود آمنة.
3. القيود (Constraints): الشروط المسبقة والحدود الأمنية (مثل متطلبات التضاريس، حدود المشغلات الميكانيكية).
4. الوظيفة (Function): كود التنفيذ الثابت والمتحقق منه (الذي لا يتغير أثناء التنفيذ المباشر).
5. المطالبات (Prompts): الأوصاف النصية للموزع (Dispatcher).
عملية الاستيراد: تخضع المهارات الجديدة لمراجعة صارمة من مرحلتين: (1) مراجعة الكود للتأكد من توافق الواجهة والسلامة، و(2) التحقق القائم على المحاكاة لضمان المتانة. تدخل المهارات الموثقة فقط إلى المكتبة.
مبدأ التصميم: فصل وظيفة التنفيذ الثابتة عن تكوين المهمة القابل للتعديل يمنع النموذج اللغوي الكبير من تعديل منط التحكم منخفض المستوى مباشرة.

ب. الموزع (المعتمد على LLM)

يعمل الموزع كصانع قرار عالي المستوى، حيث يترجم النوايا البشرية إلى تسلسلات مهارات قابلة للتنفيذ.

المدخلات: وصف المهمة ( $T$ )، التعليمات البشرية ( $I$ )، وحالة السيناريو المدركة ( $S$ ).
الدور المقيد: لا يُسمح للنموذج اللغوي الكبير بتوليد أوامر محرك خام. يقتصر دوره بدقة على:
1. اختيار المهارة: اختيار المهارة (أو المهارات) المناسبة من المكتبة الموثقة مسبقاً.
2. تعيين المعاملات: ضبط المعلمات الفائقة المحدودة بناءً على السياق.
آليات السلامة:
- يتم تصفية مرشحي المهارات بواسطة القيود قبل تقديمها للنموذج اللغوي الكبير.
- يتم تقييد المعاملات ضمن نطاقات صالحة محددة في قالب المهارة.
- تعمل وحدة التحقق من الذاكرة/الحالة على مراقبة تاريخ التنفيذ وحالة الروبوت لضمان صحة الخطوة التالية، مما يتيح إعادة التخطيط الديناميكي في حال حدوث فشل.

ج. إطار التعلم الذاتي

يُمكّن هذا النموذج النظام من التحسن بمرور الوقت دون الحاجة لإعادة كتابة كود التحكم منخفض المستوى.

حلقة التغذية الراجعة: يقوم بجمع ثلاثة أنواع من التغذية الراجعة: إشارات إتمام المهمة، سجلات الأخطاء (الاستدعاءات الفاشلة، الحالات غير الطبيعية)، والتغذية الراجعة البشرية (عبر منصة تواصل).
التكيف:
- على مستوى التوزيع: يعدل أولوية اختيار المهارة بناءً على أنماط النجاح/الفشل في سيناريوهات معينة (مثل تفضيل مهارة "الانحناء" على "المشي" في التضاريس الزلقة).
- على مستوى المعاملات: يضبط المعلمات الفائقة الافتراضية (مثل طول الخطوة) بناءً على نتائج التنفيذ المتكررة.
الإنسان في الحلقة (Human-in-the-Loop): يمكن للمستخدمين غير الخبراء تقديم تصحيحات أو توجيهات باللغة الطبيعية عبر منصة Feishu، والتي يدمجها النظام كبيانات إشرافية لعمليات التوزيع المستقبلية.

3. المساهمات الرئيسية

تجريد المهارات المهيكلة: يقدم OpenGo مسار عمل يعمل فيه النماذج اللغوية الكبيرة على مكتبة مهارات مهيكلة وموثقة بدلاً من الإجراءات الخام، مما يقلل بشكل كبير من خطر السلوكيات "المهلوسة" أو غير الآمنة.
تبديل المهارات في الوقت الفعلي: يظهر النظام القدرة على الاختيار والتبديل المستقل بين مهارات متنوعة (مثل المشي، الشقلبة الخلفية، الرقص) بناءً على تحليل المشهد في الوقت الفلي وتحليل التعليمات باللغة الطبيعية.
تفاعل بشري-روبوتي ميسر: من خلال التكامل مع منصة Feishu، يتيح النظام للمستخدمين غير الخبراء التحكم في روبوت رباعي الأرجل معقد باستخدام لغة طبيعية بسيطة، مما يسد الفجوة بين النية الدلالية والتنفيذ الفيزيائي.
التعلم الذاتي ذو الحلقة المغلقة: يدمج الإطار نتائج التنفيذ والتغذية الراجعة البشرية لتحسين اختيار المهارات وضبط المعاملات بشكل تكراري، مما يحسن الأداء بمرور الوقت مع الحفاظ على قيود السلامة.

4. النتائج والتقييم

تم نشر النظام على روبوت Unitree Go2 حقيقي، مع التركيز في التجارب على الجدوى، التفاعل، وزمن الاستجابة (Latency).

تنفيذ المهام: نجح الروبوت في تنفيذ أوامر معقدة مثل "تحرك للأمام"، "در حول نفسك"، "شقلبة خلفية"، و"ارقص" بناءً على مطالبات باللغة الطبيعية.
تحليل زمن استجابة النظام:
- المهارة الواحدة: يتضمن التنفيذ الأولي زمن استجابة أعلى بسبب عبء "البداية الباردة" (تحليل النموذج اللغوي، تحميل المهارة). وتكون عمليات التنفيذ اللاحقة أسرع بسبب التخزين المؤقت. يزدัง زمن الاستجابة مع زيادة عدد المعاملات المدخلة.
- تركيب المهارات المتعددة: لا يتزايد إجمالي وقت الاستجابة خطياً مع عدد المهارات بسبب عبء التنسيق (انتقالات الحالة، حل التبعيات). ومع ذلك، يتعامل النظام بنجاح مع تسلسلات من 2 إلى 4 تعليمات.
التفاعل بين الإنسان والروبوت: نجح التكامل مع Feishu في تمكين التواصل ثنائي الاتجاه، مما سمح للمستخدمين بمراقبة التقدم وتقديم التصحيحات، مما خفض بشكل كبير حاجز الدخول للتحكم في الروبوت.

5. الأهمية والعمل المستقبلي

الأهمية:
يقدم OpenGo مساراً عملياً لـ الذكاء الاصطناعي المجسد (Embodied AI) من خلال التوفيق بين المرونة الدلالية للنماذج اللغوية الكبيرة ومتطلبات السلامة والمتانة للروبوتات الفيزيائية. ومن خلال قصر دور النموذج اللغوي الكبير على "اختيار المهارة وضبط المعاملات"، يحقق النظام توازناً بين القدرة على التكيف والقدرة على التحكم، مما يجعله مناسباً للنشر في العالم الحقيقي حيث تعتبر السلامة أمراً بالغ الأهمية.

القيود:

زمن الاستجابة (Latency): يعاني مسار اتخاذ القرار من تأخيرات ملحوظة بسبب معالجة النموذج اللغوي الكبير وتهيئة المهارة، مما قد يعيق الأداء في البيئات الديناميكية للغاية والحساسة للوقت.
استمرارية الحركة: قد تظهر الانتقالات بين المهارات المنفصلة بشكل متقطع، وتفتقر إلى سلاسة سياسات التحكم المستمرة.

الاتجاهات المستقبلية:
يخطط المؤلفون لتوسيع مكتبة المهارات لتشمل وحدات أكثر تعقيداً (مثل تجنب العوائق، والملاحة) وتحسين مسار التنفيذ من أجل حركة أكثر سلاسة وتقليل زمن الاستجابة من خلال التحميل المسبق للمهارات وتحليل المعاملات الأكثر كفاءة.

في الختام، يثبت OpenGo أن الجمع بين النماذج اللغوية الكبيرة وأنظمة المهارات المهيكلة والموثقة هو استراتيجية قابلة للتطبيق وفعالة لإنشاء وكلاء مجسدين أقوياء، وقابلين للتكيف، وسهل الاستخدام.