ملخص تقني: التغلب على "العمى الديناميكي" عبر تصحيح المسار والوتيرة

1. بيان المشكلة

أظهرت نماذج الرؤية واللغة والعمل (VLA) قدرة ملحوظة على التعميم في المناولة الروبوتية، لكنها تعاني من "عمى ديناميكي" هيكلي عند تشغيلها في بيئات غير مستقرة. تعتمد معظم نماذج VLA السائدة نموذج تجميع الأفعال (action chunking): حيث يتنبأ النموذج، عند كل خطوة استدلال، بتسلسل ثابت الطول من الأفعال المستقبلية بناءً على إطار ملاحظة استاتيكي واحد. تُنفذ هذه الأفعال في حلقة مفتوحة (open-loop) حتى يتم توليد التجميع التالي.

يخلق هذا التصميم نمط فشل حرج في السيناريوهات الديناميكية (مثل الأجسام الموجودة على أحزمة ناقلة، أو الاضطرابات الخارجية):

• العمى الزمني: بمجرد توليد "تجميع" (chunk)، يصبح السياسة (policy) أعمى تجاه التغيرات في المشهد التي تحدث أثناء تنفيذ ذلك التجميع.
• تراكم الخطأ: مع تحرك الهدف، ينمو خطأ التتبع خطياً مع مقدار الاضطراب ومع مؤشر الخطوة داخل التجميع، ويبقى غير مرئي للسياسة حتى دورة إعادة التخطيط التالية.
• محدودية الحلول الحالية: تتطلب الطرق الحالية للتخفيف من ذلك إما إعادة تدريب مكلفة مع تغييرات معمارية (حقن التدفق البصري، أو بنوك الذاكرة، أو نماذج العالم) أو الاعتماد على تقليل زمن الاستجابة (نماذج أصغر، أو فك تشفير متوازي). الطريقة الأولى تعاني من تكاليف حسابية عالية واحتمالية حدوث "هلوسة" في التنبؤ؛ أما الثانية فغالباً ما تكسر الاتساق الزمني بين التجميعات أو تضحي بقدرة التعميم للنماذج التأسيسية الكبيرة. علاوة على ذلك، فإن المعايير المرجعية الحالية غالباً ما تخلط بين الحركة والإدراك أو صعوبة المشهد، مما يجعل من الصعب عزل نمط الفشل المحدد المتمثل في "العمى الديناميكي".

2. المنهجية: تصحيح المسار والوتيرة (PPC)

يقترح المؤلفون تصحيح المسار والوتيرة (Pace-and-Path Correction - PPC)، وهو غلاف (wrapper) يعمل وقت الاستدلال، مغلق الصيغة، ولا يتطلب تدريباً، يمكن تطبيقه على أي نموذج VLA يعتمد على تجميع الأفعال دون تعديل الهيكل الأساسي أو طلب معاملات قابلة للتعلم.

المفهوم الجوهري

يأخذ PPC إشارة ديناميكية خارجية (السرعة $v$ والاتجاه $\hat{d}$) من مسار تتبع أو استشعار عمق، ويقوم بتصحيح تجميع الفعل داخلياً قبل التنفيذ. يصيغ عملية التصحيح كدالة تكلفة تربيعية واحدة توازن بين خطأ تتبع النقاط المرجعية (waypoints) وبين الجهد المبذول في الانحراف المكاني. يؤدي تقليل هذه التكلفة إلى حل موحد يتفكك بشكل متعامد إلى قناتين متميزتين:

1. قناة الوتيرة (الضغط الزمني):

   • الوظيفة: ضغط تنفيذ تجميع الفعل على طول الاتجاه المخطط له لامتصاص مكون الاضطراب الموازي للمسار المخطط.
   • الآلية: تحسب عامل ضغط قياسي $\alpha^* \ge 1$. إذا تحرك الهدف في اتجاه المخطط، يقوم الروبوت بتنفيذ التجميع بشكل أسرع (خطوات بيئية أقل) لـ "اللحاق" بإسقاط الهدف المتحرك.
   • الصيغة: $\alpha^* = 1 + \frac{v \cos \theta}{\|\Delta p\|}$، حيث $\theta$ هي الزاوية بين الاضطراب والفرق المخطط له. يضمن هذا أن المكون المتوافق فقط هو الذي يعدل الوتيرة.

2. قناة المسار (التعويض المكاني):

   • الوظيفة: تطبيق إزاحة مكانية متعامدة لامتصاص مكون الاضطراب العمودي على المخطط، والذي لا يمكن معالجته عن طريق تغيير الوتيرة الزمنية وحدها.
   • الآلية: تولد سلسلة من الإزاحات المكانية $\{\delta_k\}$ التي تتبع ملف فيبوناتشي (Fibonacci profile). يوزع هذا الملف الإزاحة العمودية الضرورية تدريجياً عبر نافذة التجميع، مما يقلل مجموع الإزاحات المربعة مع ضمان أن يبدأ التجميع التالي دون انحياز.
   • التوسيع: بالنسبة للحركة المتسارعة، تمتد الطريقة إلى تصحيح من الدرجة الثانية باستخدام ملف لوكاس (Lucas-polynomial profile) للتعامل مع الانجراف المتراكم.

آلية الاستقرار

للتعامل مع الأنظمة غير المنتظمة (مثل الحركة العشوائية، أو التوقف والانطلاق، أو الانتقال اللحظي) حيث تنهار فرضية الاستقرار شبه المستقر للحل المغلق، يتضمن PPC مثبت قفل (Latch Stabilizer) هرمي ثنائي الـ EMA:

• يراقب تدفق السرعة لرصد تغيرات الاتجاه.
• يستخدم متوسطاً متحركاً أسياً (EMA) خارجياً بطيئاً لرصد عدم الاستقرار المزمن، وEMA داخلياً سريعاً للاستجابة للتقلبات العابرة.
• إذا تم اكتشاف عدم استقرار، يقوم "بوابة الإيقاع" (Cadence Gate) بوضع حد لأفق التنفيذ (على سبيل المثال، تحديد التنفيذ بـ $T/4$ خطوات)، مما يمنع النموذج من تنفيذ تجميع طويل قد يكون خاطئاً في ظل ظروف فوضوية.

3. المساهمات الرئيسية

1. إطار عمل PPC: عامل مبني على الفيزياء، مغلق الصيغة، ومنضبط، يقوم بتعويض ديناميكيات البيئة صراحةً في نماذج VLA ذات الأفعال المجمعة. لا يتطلب معاملات قابلة للتعلم، ولا تعديل في الهيكل، وهو مستقل عن بنية نموذج VLA المستخدم.
2. معيار MOVEBENCH: معيار تشخيصي جديد مصمم لعزل نظام الحركة (motion regime) كأحد محاور التقييم الوحيدة. يتكون من 10,000 مسار عبر 10 مهام بأجسام ومشاهد ثابتة، مع تغيير أنماط الحركة فقط (ساكنة، منتظمة، متسارعة، وغير منتظمة). يسم هذا بتوصيف دقيق للعمى الديناميكي، الذي غالباً ما يتم خلطه في المعايير الأخرى.
3. التحقق التجريبي: تجارب واسعة النطاق تثبت أن PPC يتفوق باستمرار على أفضل الطرق المتاحة (SOTA) من نوع "الأغلفة الخالية من التدريب" والطرق المتكيفة ديناميكياً عبر مختلف نماذج VLA التأسيسية.

4. النتائج التجريبية

تم التقييم باستخدام MOVEBENCH على أربعة نماذج VLA تأسيسية (GR00T, SmolVLA, $\pi_0, \pi_{0.5}$) والمقارنة مع خطوط أساس مثل ACT و BID و DynamicVLA:

• مكاسب الأداء: يحسن PPC معدلات النجاح بما يصل إلى 28.8% في البيئات الديناميكية فقط و 25.9% في البيئات المختلطة (ساكنة-ديناميكية) مقارنة بالنماذج التأسيسية.
• الحساسية لنظام الحركة:
  • الحركة المتسارعة: يحقق PPC أكبر مكسب (+32.8% في المتوسط) لأن ملف فيبوناتشي/قناة المسار يستهدف تحديداً الانجراف العمودي المتراكم تحت التسارع.
    ে* الحركة المنتظمة: المكاسب ثابتة (+18.2%) مدفوعة بشكل أساسي بقناة الوتيرة.
  • الحركة غير المنتظمة: المكاسب إيجابية (+12.6%) ولكنها أصغر، وتعتمد على مثبت القفل (Latch Stabilizer) لتقييد التنفيذ أثناء تحولات النظام.
• المقارنة مع خطوط الأساس:
  • ACT/BID: تفشل أغلفة الاستدلال هذه (التجميع الزمني، أخذ العينات بالرفض) في حل مشكلة العمى داخل التجميع الواحد ويمكن أن تؤدي لتدهور الأداء (على سبيل المثال، ينخفض نجاح ACT إلى 1% في مهام الانتقال اللحظي بسبب أخذ متوسط التجميعات القديمة).
  • DynamicVLA: رغم أنه مصمم خصيصاً للديناميكيات ويمتلك زمن استجابة منخفض، إلا أنه يتراجع عن النماذج التأسيسية (44.9% مقابل 56.9% لـ $\pi_{0.5}$)، مما يؤكد أن تقليل زمن الاستجابة وحده لا يحل مشكلة العمى عن الحركة داخل التجميع الواحد.
• المتانة: يظل PPC متيناً تجاه ضجيج الإدراك (أخطاء المقدار والاتجاه) الشائع في أدوات التتبع الواقعية، ويتراجع تدريجياً نحو نموذج VLA الأساسي عند غياب الحركة ($v=0$).

5. الأهمية والادعاءات

تجادل الورقة بأن نمط الفشل المهيمن في المناولة الديناميكية ليس تردد إعادة التخطيط (زمن الاستجابة) بل العمى عن الحركة أثناء تنفيذ تجميع فعل واحد.

• الفصل بين الإدراك والتصحيح: من خلال معاملة تصحيح الديناميكيات كخطوة معالجة لاحقة باستخدام إشارات خارجية، يتجنب PPC "ارتباك الحركة الذاتية" (حيث تحجب حركة الروبوت نفسها حركة الأجسام) ومقايضة زمن الاستجوة والقدرة المتأصلة في إعادة تدريب النماذج بمدخلات زمنية.
• الحفاظ على القدرة في المشاهد الساكنة: نظرًا لأن التصحيح مغلق الصيغة ويعود للهوية (identity) عندما تكون $v=0$، فإن PPC يحافظ على قدرات المشاهد الساكنة القوية لنماذج VLA الحديثة دون إدخال عبء حسابي أو تغييرات معمارية.
• الوضوح التشخيصي: يسلط تقديم MOVEBENCH الضوء على أن "العمى الديناميكي" هو نمط فشل متميز وقابل للعزل، وهو ما تفشل المعايير الحالية في التقاطه، مما يوفر مساراً أوضح لتقييم وتحسين سياسات المناولة الديناميكية.

يخلص المؤلفون إلى أن التعويض الصريح داخل التجميع عبر معاملات مغلقة الصيغة هو وسيلة فعالة للغاية للمناولة الديناميكية، مما يوفر مساراً عملياً لا يتطلب تدريباً لتعزيز المتانة، ويكمل بدلاً من أن يستبدل قدرات نماذج VLA التأسيسية.