🤖 AI

ProCompNav: Proactive Instance Navigation with Comparative Judgment for Ambiguous User Queries

يُعد ProCompNav إطار عمل ثنائي المراحل يحل استعلامات الملاحة الغامضة للمثيلات من خلال بناء مجمع مرشح بشكل تكراري واستخدام أسئلة مقارنة ثنائية للتمييز بكفاءة بين الهدف والمشتتات، مما يؤدي إلى تفوقه على الأساليب الحالية في معدل النجاح مع تقليل طول استجابة المستخدم بشكل كبير.

المؤلفون الأصليون: Junhyuk Kwon, Seungjoon Lee, Hyejin Park, Kyle Min, Jungseul Ok

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Junhyuk Kwon, Seungjoon Lee, Hyejin Park, Kyle Min, Jungseul Ok

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 روبوت كُلفت بمهمة العثور على جسم معين في مستودع ضخم وفوضوي مليء بعناصر تبدو متطابقة. يعطيك المدير (المستخدم) أمراً غامضاً: "ابحث عن الخزانة."

ما هي المشكلة؟ هناك 50 خزانة في المستودع. جميعها تبدو متشابهة إلى حد ما. بعضها في الحمامات، وبعضها في غرف النوم، وبعضها خشبي، وبعضها معدني. إذا اخترت أول خزانة تراها عيناك، فقد تمسك بالخزانة الخطأ. وإذا سألت المدير: "كيف تبدو الخزانة؟" وأعطاك وصفاً طويلاً ومشتتاً، فسيستغرق الأمر وقتاً طويلاً جداً، وحتى حينها قد تظل مرتبكاً لأن هذا الوصف قد ينطبق على عدة خزانات.

تقدم هذه الورقة طريقة جديدة يمكن للروبوتات من خلالها حل هذه المشكلة، تسمى ProCompNav. فكر فيها كأنها لعبة "20 سؤالاً" ولكن مع لمسة خاصة.

إليك كيف تعمل، مقسمة إلى خطوات بسيطة:

1. الطريقة القديمة: "التخمين والتحقق" (المطابقة المستقلة)

تخيل روبوتاً يستخدم الطريقة القديمة. يرى خزانة ويسأل: "هل هي زرقاء؟" يقول المدير: "نعم". يرى الروبوت خزانة أخرى ويسأل: "هل هي زرقاء؟" يقول المدير: "نعم".

العيب: يستمر الروبوت في جمع الحقائق (زرقاء، بجانب مرآة، خشبية) ويحاول مطابقتها مع خزانة واحدة في كل مرة.
النتيجة: غالباً ما يختار "مشتتاً" (خزانة خاطئة) في وقت مبكر جداً لأن تلك الخزانة الخاطئة كانت أيضاً زرقاء وبجوار مرآة. يقع الروبوت في حلقة مفرغة من طرح أسئلة طويلة ومربكة، أو يستسلم ويختار الشيء الخطأ.

2. الطريقة الجديدة: "قبعة التنسيق" (ProCompNav)

تغير ProCompNav الاستراتيجية تماماً. فبدلاً من محاولة وصف الخزانة الواحدة الصحيحة، تركز على فرز المجموعة بأكملها.

الخطوة 1: جمع الحشد (بناء المجمع)
أولاً، لا يقرر الروبوت أي شيء بعد. يجري في أرجاء المستودع ويجد كل الخزانات التي يمكنه رؤيتها. يضعها جميعاً في "مجمع مرشحين" ذهني. الآن، بدلاً من البحث عن إبرة واحدة في كومة قش، أصبح لديه كومة من 10 إبر ويحتاج للعثور على الإبرة الصحيحة منها.

الخطوة 2: التقسيم السحري (الحكم المقارن)
بدلاً من السؤال: "ما هو لون الهدف؟"، ينظر الروبوت إلى الكومة ويطرح سؤالاً مقارناً مصمماً لتقسيم المجموعة إلى نصفين.

سؤال سيء: "هل الهدف خشبي؟" (ربما تكون جميع الخزانات العشر خشبية. هذا لا يساعد.)
سؤال ProCompNav: "هل يوجد صندوق أحمر بجانب الخزانة؟"
- المجموعة (أ) (مجموعة "نعم"): هناك 3 خزانات يوجد بجانبها صندوق أحمر.
- المجموعة (ب) (مجموعة "لا"): هناك 7 خزانات لا يوجد بجانبها صندوق أحمر.

الخطوة 3: القطع الثنائي
يطرح الروبوت على المستخدم سؤالاً بسيطاً بصيغة نعم/لا: "هل الخزانة التي تريدها بجانبها صندوق أحمر؟"

إذا قال المستخدم "نعم": يقوم الروبوت فوراً باستبعاد الـ 7 خزانات من المجموعة (ب). يحتفظ فقط بالـ 3 خزانات في المجموعة (أ).
إذا قال المستخدم "لا": يقوم الروبوت باستبعاد الـ 3 خزانات في المجموعة (أ). يحتفظ بالـ 7 خزانات في المجموعة (ب).

الخطوة 4: التكرار حتى يتبقى واحد فقط
يكرر الروبوت هذه العملية. ينظر إلى المجموعة المتبقية، ويجد ميزة جديدة تقسمهم (مثلاً: "هل يوجد تلفاز فوقها؟")، ويطرح سؤال نعم/لا، ويقسم المجموعة إلى نصفين مرة أخرى.

الجولة 1: 10 خزانات $\leftarrow$ تبقى 3.
الجولة 2: 3 خزانات $\leftarrow$ تبقى 1.
انتهى! لقد وجد الروبوت الهدف.

لماذا هذه الطريقة أفضل؟

تدعي الورقة أن هذه الطريقة تمثل تحسناً هائلاً لثلاثة أسباب رئيسية:

تجنب "القرارات المتسرعة": من خلال الانتظار لجمع مجموعة قبل اتخاذ أي قرار، لا يختار الروبوت بالخطأ خزانة خاطئة لمجرد أنها أول ما رآه.
أسهل للمستخدم: بدلاً من كتابة فقرة طويلة لوصف الخزانة ("إنها خزانة من خشب البلوط الداكن مع مقابض فضية، موضوعة في غرفة ذات جدران زرقاء...")، يحتاج المستخدم فقط للإجابة بـ "نعم" أو "لا". وهذا أسرع بكثير وأقل إرهاقاً.
أكثر ذكاءً في الأسئلة: الروبوت لا يطرح أسئلة عشوائية. إنه يبحث تحديداً عن سؤال من شأنه أن يقلص عدد المشتبه بهم إلى النصف، تماماً مثل المحقق الذي يضيق دائرة البحث عن المشتبه بهم عبر التحقق ممن كان في مسرح الجريمة.

النتائج

اختبر الباحثون هذا على محاكاة حاسوبية (مثل عالم داخل لعبة فيديو).

معدل النجاح: وجدت ProCompNav الجسم الصحيح في كثير من الأحيان أكثر من الطرق السابقة، حتى عندما قدم المستخدم تعليمات غامضة جداً.
الكفاءة: تطلبت عدداً أقل بكثير من الأسئلة وإجابات أقصر بكثير من المستخدم مقارنة بالطرق القديمة.
تعدد الاستخدامات: نجحت الطريقة أيضاً في بيئة "غير تفاعلية" (حيث يقرأ الروبوت وصفاً مفصلاً ولكنه لا يزال عليه العثور على الشيء الصحيح من بين أشياء كثيرة)، مما يثبت أن منطق "المقارنة والتقسيم" هذا هو أداة قوية للبحث.

باختراً شديد: ProCompNav توقف الروبوت عن التخمين وتبدأ به في عملية الفرز. إنها تحول البحث المربك إلى لعبة استبعاد بسيطة، مما يجعلها أسرع للروبوت وأسهل للبشر.

ملخص تقني: ProCompNav

تعريف المشكلة

تتناول الورقة البحثية مهمة الملاحة التعاونية للنماذج (Collaborative Instance Navigation - CoIN)، وهي مهمة يجب فيها على وكيل مجسد (embodied agent) التنقل في بيئة ثلاثية الأبعاد غير معروفة لتحديد موقع نموذج معين (مثل "الخزانة") بناءً على استعلام لغوي طبيعي غامض (مثل "ابحث عن الخزانة"). بخلاف الملاحة القياسية للنماذج التي تفترض تقديم وصف دقيق وفريد مسبقًا، تتعامل CoIN مع سيناريوهات لا يمكن فيها تمييز الهدف عن المشتتات من نفس الفئة باستخدام معلومات أولية دنيا.

تستخدم النهج الحالية عادةً استراتيجية مطابقة مستقلة، حيث يسأل الوكيل المستخدم عن سمات الهدف (مثل اللون، أو الأشياء القريبة) ويقوم بتقييم المرشحين الذين تمت مواجهتهم بناءً على المعلومات المتراكمة. يرى المؤلفون أن هذا النهج يعاني من عيبين رئيسيين:

القرارات المتسرعة: غالبًا ما يلتزم الوكلاء بمشتت يشترك في السمات مع الهدف الحقيقي قبل جمع أدلة كافية.
عدم كفاءة إزالة الغموض: حتى عند جمع عدة مرشحين، غالبًا ما تُشتق الأسئلة من مرشحين فرديين بدلاً من تصميمها للتمييز بين المجموعة بأكملها. يؤدي هذا إلى استجابات مستخدم طويلة ومفتوحة وفشل في الفصل بين المشتتات المتشابهة بصريًا.

المنهجية: ProCompNav

يقترح المؤلفون الملاحة الاستباقية للنماذج عبر الحكم المقارن (Proactive Instance Navigation with Comparative Judgment - ProCompNav)، وهو إطار عمل ذو مرحلتين ينقل النموذج من "وصف الهدف" إلى "تقليص مجموعة المرشحين".

1. مرحلة بناء المجموعة (Pool Construction Stage)

يستكشف الوكيل البيئة لبناء مجموعة مرشحين $C$ مكونة من $N$ من النماذج المتميزة للفئة المطلوبة.

التمثيل: يتم تمثيل كل مرشح بصورة تجميعية متعددة المشاهد ووصف متعدد المشاهد يتم إنشاؤه بواسطة نموذج لغوي كبير متعدد الوسائط (MLLM).
التجميع: يقوم الوكيل بتجميع السحب النقطية ثلاثية الأبعاد ومشاهد RGB من وجهات نظر مختلفة لإنشاء وصف شامل لكل مرشح، مما يلتقط السمات التي قد تُفقد من منظور واحد.
المحفز: بمجرد وصول حجم المجموعة إلى الحد الأدنى ( $N_{min}$ )، ينتقل الوكيل إلى مرحلة المقارنة.

2. مرحلة المقارنة التكرارية (Recursive Comparison Stage - RCJ)

بدلاً من طرح أسئلة مفتوحة، تقوم RCJ بتقليص مجموعة المرشحين بشكل تكراري باستخدام أسئلة ثنائية (نعم/لا) بناءً على الحكم المقارن.

اختيار المجموعة الجوهرية (Core Set Selection): في كل جولة $t$ ، يتم تقسيم المجموعة النشطة الحالية $U_t$ إلى مجموعة جوهرية ( $G_c$ ) ومجموعة متبقية ( $G_r$ ). يتم اختيار المجموعة الجوهرية لتعظيم التشابه داخل المجموعة (باستخدام خوارزمية تقشير جشعة على التضمينات النصية والبصرية)، مما يضمن احتواء $G_c$ على نماذج متشابهة دلاليًا.
اكتشاف السمة المميزة (Discriminative Attribute - DA) : يحدد النظام سمة $a^*_t$ $a_{t}^{*}$ موجودة في $G_c$ $G_{c}$ ولكنها غائبة في $G_r$ $G_{r}$ .
- تُستخرج السمات من $G_c$ باستخدام نموذج لغوي كبير (LLM).
- يعمل نموذج استدلال لغوي طبيعي (NLI) كمدقق لتقييم مدى استلزام كل سمة لكل نموذج، مما يحدد التباين بين $G_c$ و $G_r$ .
- يتم اختيار السمة التي تعظم الفرق المتوقع في درجات الاستلزام بين المجموعتين.
التنقيح: يتم تنقيح المجموعة المتبقية من خلال إعادة تقييم المرشحين مقابل السمة المختارة لضمان أن الفصل دقيق.
التقليص التفاعلي: يسأل الوكيل المستخدم: "هل يمتلك الهدف [السمة]؟"
- إذا كانت الإجابة نعم: يتم تحديث المجموعة لتصبح $G_c$ .
- إذا كانت الإجابة لا: يتم تحديث المجموعة لتصبح $G_r$ .
- إذا أصبح حجم المجموعة 1، يتم تحديد الهدف. إذا أصبحت المجموعة فارغة (مما يشير إلى أن الهدف لم يكن في المجموعة الأولية)، يستأنف الوكيل الاستكشاف لإضافة المزيد من المرشحين.

المساهمات الرئيسية

استراتيجية الحكم المقارن: تقدم الورقة تحولًا من المطابقة المستقلة إلى خط إنتاج "الجمع ثم المقارنة". هذا يعيد صياغة إزالة الغموض كعملية اختيار أسئلة تقسم مجموعة المرشحين، بدلاً من جمع الحقائق حول هدف واحد مفترض.
الحكم المقارن التكراري (RCJ): خوارزمية محددة تستخرج تكراريًا أزواج (سمة-قيمة) مميزة لتقليص مجموعة المرشحين باستخدام أسئلة ثنائية. تتطلب فقط أن تقوم السمة بتقسيم المجموعة الحالية إلى مجموعتين غير خاليتين، وليس بالضرورة أن تحدد الهدف بشكل فريد فورًا.
تقليل العبء على المستخدم: من خلال طرح أسئلة ثنائية تستبعد عدة مرشحين في آن واحد، تقلل الطريقة بشكل كبير من طول استجابات المستخدم مقارنة بالأوصاف المفتوحة.

النتائج التجريبية

تم تقييم الطريقة على CoIN-Bench (استعلامات تفاعلية وغامضة) و TextNav (استعلامات غير تفاعلية ومفصلة).

CoIN-Bench (تفاعلي): حققت ProCompNav أعلى معدل نجاح (SR) عبر جميع التقسيمات (Seen, Seen Synonyms, Unseen) مقارنة بالنماذج التفاعلية الأساسية مثل AIUTA والنماذج غير التفاعلية مثل 3D-Mem.
- تحسن SR: حققت 23.7% في معدل النجاح (SR) على Val Seen، متفوقة على أفضل نموذج تفاعلي أساسي (AIUTA*) الذي حقق 10.5%.
- الكفاءة: قللت بشكل كبير من متوسط طول الاستجابة (RL) من ~109.5 توكن (في AIUTA) إلى 4.2 توكن، وقللت عدد الأسئلة (NQ) إلى 2.2.
TextNav (غير تفاعلي): عند تكييفها مع وضع غير تفاعلي (استخراج السمات مباشرة من الأوصاف المفصلة)، حققت ProCompNav معدل نجاح (SR) بلغ 28.5%، وهو الأفضل في فئتها (state-of-the-art) مقارنة بالطرق الأخرى التي لا تعتمد على التدريب.
دراسات الاستئصال (Ablation Studies): أكدت النتائج ضرورة تجميع المشاهد المتعددة، والمدقق القائم على NLI (مقارنة بالتقييم القائم على LLM فقط)، واختيار المجموعة الجوهرية القائم على التشابه (والذي تفوق على KMeans).

الأهمية والادعاءات

تدعي الورقة أن ProCompNav تثبت أن الحكم المقارن هو آلية مفيدة على نطاق واسع للملاحة على مستوى النموذج، خاصة عندما تكون المشتتات متشابهة بصريًا.

المتانة: الطريقة أكثر متانة ضد القرارات المتسرعة لأنها تؤجل القرار النهائي حتى يتم بناء مجموعة المرشحين ومقارنتها.
التعميم: آلية تأجيل القرارات والتقليص عبر السمات المميزة فعالة حتى في الإعدادات غير التفاعلية حيث تتوفر أوصاف مفصلة، مما يشير إلى أنه يجب دائمًا مقارنة المرشحين ببعضهم البعض بدلاً من تقييمهم بشكل مستقل.
تجربة المستخدم: يقلل النهج بشكل كبير من العبء المعرفي واللفظي على المستخدمين من خلال استبدال الأوصاف الطويلة بتأكيدات ثنائية قصيرة.

يشير المؤلفون إلى بعض القيود، بما في ذلك الاعتماد الحالي على المحاكاة ومحاكيات المستخدم القائمة على MLLM، وإمكانية عدم كفاءة مرحلة بناء المجموعة في البيئات التي تحتوي على عدد قليل جدًا من النماذج من نفس الفئة. يقترحون أن العمل المستقبلي يجب أن يتجه نحو النشر الروبوتي في العالم الحقيقي وتكيف حجم المجموعة بشكل ديناميكي.