💻 computer science

MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives

يُعد MotionBricks إطار عمل توليدي فائق القابلية للتوسع ويعمل في الوقت الفعلي، يجمع بين عمود فقري كامن معياري وعناصر أولية ذكية للتغلب على القيود الصناعية في تخليق الحركة، مما يتيح تحكماً متعدد الوسائط عالي الجودة بسرعة 15,000 إطار في الثانية لكل من إنتاج الرسوم المتحركة وتطبيقات الروبوتات.

المؤلفون الأصليون: Tingwu Wang, Olivier Dionne, Michael De Ruyter, David Minor, Davis Rempe, Kaifeng Zhao, Mathis Petrovich, Ye Yuan, Chenran Li, Zhengyi Luo, Brian Robison, Xavier Blackwell, Bernardo Antoniazzi, Xue Bi

نُشر 2026-04-29

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Tingwu Wang, Olivier Dionne, Michael De Ruyter, David Minor, Davis Rempe, Kaifeng Zhao, Mathis Petrovich, Ye Yuan, Chenran Li, Zhengyi Luo, Brian Robison, Xavier Blackwell, Bernardo Antoniazzi, Xue Bin Peng, Yuke Zhu, Simon Yuen

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 تحاول تعليم روبوت أو شخصية في لعبة فيديو كيف تتحرك. تقليديًا، كان الأمر يشبه بناء مجموعة قطارات ضخمة ومعقدة؛ حيث يتعين عليك يدويًا وضع آلاف المسارات الفردية (الرسوم المتحركة) وبناء مفاتيح معقدة (مخططات منطقية) لإخبار الشخصية متى تنتقل من "المشي" إلى "الجري" أو "القفز". إذا أردت من الشخصية القيام بشيء جديد، مثل التقاط كوب معين بزاوية غريبة، فسيتعين عليك بناء مسار كامل جديد لها. هذه العملية بطيئة، ومكلفة، وتنهار بسهل عند إضافة الكثير من المسارات.

MotionBricks هو نظام جديد يرمي بمجموعة القطارات هذه ويمنحك بدلاً منها نحات طين ذكي وعالمي.

إليك كيف يعمل، مقسمًا إلى مفاهيم بسيطة:

1. "النحات الطيني" (النموذج الكامن المجزأ - The Modular Latent Model)

بدلاً من تخزين آلاف الفيديوهات المسجلة مسبقًا، يستخدم MotionBricks عقلًا اصطناعيًا واحدًا فائق الذكاء. فكر في هذا العقل كأنه نحات ماهر درس 350,000 حركة بشرية مختلفة — من المشي والجري إلى رياضة الباركور والقتال.

السر الخفي: تطلق الورقة البحثية على هذا النموذج اسم "نموذج توليدي كامن مجزأ". وباللغة البسيطة، فإن الذكاء الاصطناعي لا يحفظ الحركات فحسب؛ بل يتعلم "مكونات" الحركة. إنه يفصل بين "الجذر" (إلى أين يتجه الجسم) وبين "الوضعية" (كيف تتحرك الأطراف).
النتيجة: نظرًا لأنه يفهم "المكونات"، يمكنه خلطها ومزجها فورًا. يمكنه إنشاء حركة جديدة تمامًا لم تُشاهد من قبل، ولكنها تبدو طبيعية تمامًا. وهو يفعل ذلك بسرعة فائقة (15,000 مرة في الثانية) لدرجة أنها تبدو كالسحر في الوقت الفعلي، دون أي تأخير.

2. "اللبنات الذكية" (Smart Bricks - Smart Primitives)

إذا كان العقل الاصطناعي هو النحات، فإن "اللبنات الذكية" هي تعليمات الليغو التي تعطيها له. تقدم الورقة البحثية نوعين رئيسيين من هذه التعليمات:

التنقل الذكي (الملاح - Smart Locomotion): هذا يشبه إخبار الشخصية: "اذهب إلى هناك، ولكن افعل ذلك كأنك زومبي"، أو "اذهب إلى هناك، ولكن تسلل كجاسوس". لست بحاجة لبرمجة حركة القدمين؛ أنت فقط تعطي الوجهة و"الأسلوب" (Vibe)، ويقوم الذكاء الاصطناعي بملء الخطوات الطبيعية، مع ضمان عدم انزلاق القدمين أو تعثرهما، حتى لو كان المسار صعبًا.
الشيء الذكي (المتفاعل - Smart Object): هذا يشبه إعطاء الشخصية مهمة، مثل "افتح هذا الباب" أو "التقط هذا الصندوق". بدلاً من الحاجة إلى رسوم متحركة محددة لكل باب في العالم، ينظر الذكاء الاصطناعي إلى الباب، ويحدد مكان المقبض، ثم يولد حركة الذراع المثالية للإمساك به، بغض النظر عن حجم الباب أو موضعه.

3. سحر "التوصيل والتشغيل" (Plug-and-Play)

الجزء الأكثر ثورية في MotionBricks هو أنك لا تحتاج إلى إعادة تدريب الذكاء الاصطناعي لكل مهمة جديدة.

في الأيام الخوالي، إذا أردت من روبوت أن يتعلم رقصة جديدة، كان عليك تغذيته ببيانات جديدة وإعادة تدريبه من الصفر. مع MotionBrics، الذكاء الاصطناعي "مدرب مسبقًا" بالفعل على مكتبة ضخمة من الحركات. أنت فقط تعطيه تعليمات "اللبنة الذكية" (مثل: "امشِ نحو الباب وافتحه")، وهو يفهم فورًا كيفية القيام بذلك. الأمر يشبه امتلاك سكين سويسري يتحول فورًا إلى مفك براغي، أو فتاحة زجاجات، أو منشار بمجرد طريقة إمساكك به، دون الحاجة لتغيير الأداة نفسها.

ما أظهروه بالفعل

تستعرض الورقة البحثية هذا النظام في عالمين مختلفين تمامًا:

ألعاب الفيديو (Unreal Engine 5): أظهروا شخصية تتنقل في عالم معقد، وتقوم بحركات الباركور، وتفتح الأبواب، وتتفاعل مع الأشياء، وكل ذلك يتم توليده في الوقت الفعلي دون رسوم متحركة معدة مسبقًا.
الروبوتات الحقيقية (Unitree G1): وضعوا هذا العقل الاصطناعي نفسه على روبوت بشري حقيقي مادي. استطاع الروبوت المشي، والتوقف، والتفاعل مع العالم الحقيقي باستخدام نفس تعليمات "اللبنات الذكية"، مما يثبت أن النظام يعمل لكل من الشخصيات الرقمية والآلات الفيزيائية.

الملخص

يستبدل MotionBricks العمل اليدوي الشاق لبناء أنظمة الرسوم المتحركة بـ مولد مرن، وفوري، وذكي. فهو يسمح للمطورين والمهندسين ببناء عوالم معقدة وتفاعلية حيث يمكن للشخصيات والروبوتات التحرك بشكل طبيعي والتكيف مع المواقف الجديدة فورًا، فقط عبر إعطائهم أهدافًا رفيعة المستوى بدلاً من الإدارة الدقيقة لكل خطوة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "MotionBricks: حركات قابلة للتوسع في الوقت الفعلي باستخدام نموذج توليدي كامن معياري ووحدات بناء ذكية."

1. بيان المشكلة

تعالج الورقة عقبتين حرجتين تمنعان اعتماد تركيب الحركة التوليدي في الإنتاج الصناعي (الرسوم المتحركة والروبوتات):

القابلية للتوسع في الوقت الفعلي: تتطلب النماذج التوليدية الحالية (مثل نماذج الانتشار/Diffusion Models) غالبًا ثوانٍ أو دقائق لإتمام الاستدلال، مما يجعلها غير مناسبة للتطبيقات التي تتطلب أكثر من 60 إطارًا في الثانية (FPS). وفي المقابل، تتميز الطرق التقليدية (مثل مطابقة الحركة أو مخططات الرسوم المتحركة) بالسرعة، لكنها تعاني من مشكلات شديدة في القابلية للتوسع؛ حيث إن إدارة آلاف مقاطع الحركة وآلات الحالة المعقدة عملية مرهقة للجهد وهشة.
التكامل والتحكم: تفتقر النماذج التوليدية الحالية إلى التحكم الدقيق متعدد الأنماط. فنماذج "النص إلى حركة" (Text-to-motion) تواجه صعوبة في الالتزام بالقيود المكانية الدقيقة (مثل الإطارات المفتاحية المحددة أو أوامر السرعة)، بينما تتطلب الطرق التقليدية وسومًا جامدة محددة مسبقًا أو نواقل (one-hot vectors) لا تتعمم بشكل جيد عبر المهام المتنوعة. هناك نقص في وجود واجهة نظامية لربط تصميم السلوك عالي المستوى بتوليد الحركة منخفض المستوى.

2. المنهجية

يقترح MotionBricks إطار عمل موحد يجمع بين عمود فقري توليدي كامن معياري ووحدات بناء ذكية لتحقيق تركيب حركة قابل للتوسع، وفي الوقت الفعلي، وقابل للتحكم.

أ. العمود الفقري العصبي (منخفض المستوى)

الأساس هو نموذج توليدي تدريجي من الخشن إلى الناعم، تم تدريبه على مجموعة بيانات ضخمة (أكثر من 350 ألف مقطع) دون الحاجة لضبط دقيق خاص بمهمة معينة.

المُجزئ متعدد الرؤوس المهيكل (Structured Multi-Head Tokenizer): بدلاً من استخدام كتاب رموز (codebook) واحد ضخم، يستخدم النموذج استراتيجية تكميم متعددة الرؤوس. يقوم النموذج بفصل تمثيل الجذر (المسار العالمي) عن تمثيل الوضعية (تكوين المفاصل). يتم تشفير الوضعية إلى رموز منفصلة باستخدام $K$ من كتب الرموز المنفصلة، مما يسمح للنموذج بتعلم ميزات تركيبية دقيقة ويوفر المتانة ضد الخطأ في توقع الرموز.
خط إنتاج توليدي تدريجي:
1. وحدة الجذر (Root Module): وحدة تعتمد على المحولات (Transformer) تتنبأ بالمدة (عدد الإطارات) بين الإطارات المفتاحية وتولد مسار جذر عالمي أولي. وهي تتعامل مع قيود التوقيت والمكان.
2. وحدة الوضعية (Pose Module): محول ضخم يعمل على نمذجة توزيع رموز الوضعية بناءً على مسار الجذر المتوقع وقيود الإطارات المفتاحية. يستخدم استراتيجية نمذجة الرموس المقنعة (التنبؤ التكراري) لتوليد رموز كامنة عالية الجودة.
3. المفكك (Decoder): مفكك يشبه بنية U-Net يقوم برفع عينات رموز الوضعية المنفصلة ومسارات الجذر إلى حركة مستمرة (مواقع المفاصل، الدورات، السرعات). وهو يقبل قيودًا مرنة (السياق والإطارات المفتاحية المستهدفة) عبر وصلات تخطي (skip connections).

ب. الوحدات الذكية (واجهة عالية المستوى)

لجسر الفجوة بين نية المستخدم والعمود الفقري العصبي، قدم المؤلفون "الوحدات الذكية" التي تعمل كواجهة قابلة للتركيب والتشغيل. تقوم هذه الوحدات بتوليد قيود الإطارات المفتاحية اللازمة للعمود الفقري.

التنقل الذكي (Smart Locomotion): يتولى عملية الملاحة. يستخدم نموذج زنبرك مخمد حرج لتوليد مسار جذر أولي بناءً على أوامر السرعة/الاتجاه الخاصة بالمستخدم، ثم يقوم بتنقيحه من خلال العمود الفقري العصبي. ويدعم أنماطًا متنوعة (مثل الانحناء، التسلل، الجري) عبر حقن إطارات مفتاحية خاصة بالنمط، مما يتيح انتقالات سلسة دون الحاجة لمخططات حالة جامدة.
الكائن الذكي (Smart Object): يتولى التعامل مع التفاعلات مع الأشياء (مثل التقاط العناصر، أو التسلق). يحدد التفاعلات عبر "إطارات مفتاحية للنية" (قيود لينة أو صلبة) و"ارتباطات التفاعل" (منطق التثبيت بهندسة الكائن). وهذا يسمح لمجموعة واحدة من الإطارات المفتاحية بالتكيف مع الكائنات في مواقع واتجاهات مختلفة.

ج. حلقة الاستدلال

يعمل النظام بشكل تكراري ذاتي (autoregressively). في وقت التشغيل، تقوم الوحدات الذكية بتوليد الإطارات المفتاحية المستهدفة بناءً على أحداث اللعبة أو مدخلات المستخدم. تُغذى هذه الإطارات، جنباً إلى جنب مع إطارات السياق، إلى العمود الفقري للتنبؤ بالتوقيت، ومسارات الجذر، ورموز الوضعية، والتي يتم فك تشفيرها إلى حركة مستمرة. إذا تغيرت إشارات التحكم، يقوم النظام بتفعيل إعادة التخطيط لضمان الاستجابة.

3. المساهمات الرئيسية

العمود الفقري التوليدي الكامن المعياري: بنية مبتكرة تتميز بمُجزئ متعدد الرؤوس وخط إنتاج تدريجي للجذر والوضعية. يحقق النموذج أداءً رائدًا (SOTA) في جودة الحركة مع الحفاظ على زمن استجابة قدره 2 مللي ثانية وإنتاجية تصل إلى 15,000 إطار في الثانية.
واجهة الوحدات الذكية: واجهة موحدة تعمل بنظام "التركيب والتشغيل" لتأليف سلوكيات معقدة (الملاحة والتفاعل مع الأشياء) دون الحاجة لضبط دقيق، أو وسوم خاصة بالمهمة، أو بناء يدوي لمخططات الرسوم المتحركة.
التعميم الصفري (Zero-Shot Generalization): يتم تدريب النموذج مرة واحدة على مجموعة بيانات ضخمة ويُطبق على مهام متنوعة (رسوم متحركة، روبوتات، أنماط مختلفة) دون إعادة تدريب.
النشر عبر المجالات: أثبت نجاحًا في كل من البيئات الافتراضية عالية الدقة (Unreal Engine 5) والتحكم الفيزيائي الواقعي (روبوت بشري من نوع Unitree G1)، مما يقلص الفجوة بين المحاكاة والواقع.

4. النتائج

قيم المؤلفون MotionBricks على أربع مجموعات بيانات: مجموعة بيانات خاصة تضم 350 ألف مقطع، وHumanML3D، وLaFAN1-G1 (الروبوتات)، ومجموعة فرعية مكونة من 70 ألف مقطع.

الأداء الكمي:
- السرعة: حقق 15,000 إطار في الثانية مع زمن استجابة قدره 2 مللي ثانية، متفوقًا بشكل كبير على طرق الانتشار (التي تستغرق غالبًا 10-60 مللي ثانية) ومماثلاً أو متفوقًا على الطرق الحتمية.
- الجودة: حقق أفضل درجات مسافة "فريشيه" للإنتروبيا (FID) و"الفرق المتوسط الأقصى" (MMD)، مما يشير إلى مطابقة فائقة لتوزيع البيانات الحقيقية.
- الدقة: أظهر نجاحًا شبه مثالي في الوصول (99.6% على مجموعة الـ 350 ألف مقطع) وأخطاء منخفضة في انزلاق القدم أو الاختراق، متفوقًا على النماذج المرجعية في الواقعية الفيزيائية.
- التقييم البشري: حصل على أعلى معدل فوز (86.5%) ودرجات جودة في الدراسات البشرية مقارنة بالطرق الرائدة الأخرى.
دراسات الاستبعاد (Ablation Studies):
- القابلية للتوسع: يتوسع المُجزئ متعدد الرؤوس بفعالية مع كتب الرموز الأكبر (تصل إلى $10^9$ رمزًا)، بينما تستقر النماذج المرجعية أحادية الرأس بسرعة.
- المتانة: يحافظ النظام على جودة عالية حتى مع اضطرابات الرموز، كما يسمح فصل الجذر عن الوضعية باستكمال مسار الجذر بمرونة دون التسبب في انزلاق القدم.
النشر في العالم الحقيقي: تم نشره بنجاح على روبوت Unitree G1، مما أظهر تحكمًا كاملاً في الجسم، والملاحة، والتفاعل مع الأشياء في الوقت الفعلي.

5. الأهمية

يمثل MotionBricks تحولًا جذريًا في تركيب الحركة للصناعة:

الديمقراطية: يستبدل العملية المرهقة التي تتطلب خبراء لبناء مخططات حالة الرسوم المتحركة الضخمة بنهج توليدي "قابل للتركيب والتشغيل" متاح لغير المتخصصين.
القابلية للتوسع: يحل مشكلة "الانفجار التوافقي" لمخططات الرسوم المتحركة باستخدام نموذج واحد لتوليد مجموعة واسعة من المهارات (التنقل، الحركات البهلوانية، التفاعلات) آنيًا.
التوحيد: يوفر إطار عمل موحدًا يعمل لكل من الشخصيات الافتراضية والروبوتات الفيزيائية، مما يشير إلى مسار موحد نحو الذكاء الاصط์ناعي المتجسد والرسوم المتحركة التفاعلية.
صلاحية الإنتاج: من خلال تحقيق أداء في الوقت الفعلي (زمن استجابة 2 مللي ثانية) وواقعية فيزيائية عالية، ينقل MotionBrics الحركة التوليدية من مرحلة الأبحاث التجريبية إلى أدوات عملية جاهزة للإنتاج في محركات الألعاب والروبوتات.