💻 computer science

Dynamic Execution Commitment of Vision-Language-Action Models

تقدم الورقة البحثية A3، وهي آلية قبول الإجراء التكيفي (Adaptive Action Acceptance) التي تعيد صياغة الالتزام بالتنفيذ الديناميكي كمسألة تحقق من البادئة ذاتية التكهن (self-speculative prefix verification) لتحديد أفق التنفيذ الأمثل تلقائياً بناءً على الإجماع والاتساق، مما يلغي الضبط اليدوي مع تحسين المقايضة بين متانة التنفيذ وكفاءة الاستدلال في نماذج الرؤية واللغة والأفعال (Vision-Language-Action models).

المؤلفون الأصليون: Feng Chen, Xianghui Wang, Yuxuan Chen, Boying Li, Yefei He, Zeyu Zhang, Yicheng Wu

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Feng Chen, Xianghui Wang, Yuxuan Chen, Boying Li, Yefei He, Zeyu Zhang, Yicheng Wu

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 القيام بمهمة معقدة، مثل قلب كوب أو تكديس المكعبات. أنت تعطي الروبوت كاميرا (ليرى)، وعقلاً (ليفهم اللغة والصور)، ومجموعة من التعليمات.

في الماضي، كانت هذه الروبوتات تعمل مثل فرقة موسيقية عسكرية صارمة. بمجرد أن يعطي المايسترو (نموذج الذكاء الاصطناعي) إشارة، كان على الفرقة أن تسير 10 خطوات للأمام دون توقف للتحقق مما إذا كانت لا تزال على المسار الصحيح، حتى لو بدأت في التعثر. إذا تعثروا مبكرًا، فسيستمرون في السير بشكل أعمى لبقية الخطوات، مما يؤدي عادةً إلى الاصطدام بشيء ما. هذا ما يسمى بـ "تجميع الأفعال" (Action Chunking). والمشكلة كانت: كم عدد الخطوات التي يجب أن يسيروا قبل التوقف للتحقق؟

إذا ساروا خطوات قليلة جدًا (مثلاً خطوة واحدة)، فسيتوقفون باستمرار، مما يجعل الحركة بطيئة ويهدر الطاقة.
إذا ساروا خطوات كثيرة جدًا (مثلاً 20 خطوة)، فقد يصطدمون بشيء ما لأنهم لم يتحققوا من ثبات أقدامهم بشكل كافٍ.

تقدم الورقة البحثية طريقة جديدة تسمى A3 (القبول التكيفي للأفعال - Adaptive Action Acceptance). فكر في A3 كأنها تمنح الروبوت بوصلة داخلية ذكية ذاتية التصحيح تقرر في اللحظة ذاتها مدى المسافة التي يمكنه قطعها بأمان قبل أن يحتاج إلى التوقف والنظر حوله مرة أخرى.

إليك كيف يعمل A3، باستخدام تشبيهات بسيطة:

1. "دردشة المجموعة" للإجماع (تسجيل الإجماع - Consensus Scoring)

قبل أن يلتزم الروبوت بالحركة، فإنه لا يكتفي بسؤال عقله عن إجابة واحدة فقط. بدلاً من ذلك، يقوم بعمل محاكاة سريعة لـ "دردشة مجموعة". إنه يطلب من عقله تخيل نفس الموقف 8 مرات مختلفة (مثل 8 أصدقاء مختلفين يخمنون الحركة التالية).

إذا اتفق 7 من أصل 8 أصدقاء على نفس الحركة تمامًا، يشعر الروبوت بالثقة.
إذا كان الأصدقاء يخمنون أشياءً مختلفة تمامًا، يدرك الروبوت أن تلك اللحظة تحديدًا تنطوي على مخاطرة.
هذا يساعد الروبوت على اختيار "أفضل تخمين" (المسودة) للبدء به.

2. شبكة الأمان لـ "التحقق المزدوج" (التحقق المزدوج - Dual Verification)

بمجرد أن يحصل الروبوت على خطة "أفضل تخمين"، فإنه لا يثق بها بشكل أعمى. بل يقوم بإجراء اختبارين محددين للسلامة، تمامًا كما يفحص الطيار خطة الطيران قبل الإقلاع:

الاختبار (أ): فحص "المرساة" (الثبات الشرطي المرتب بالإجماع - Consensus-Ordered Conditional Invariance)
تخيل أنك تبني برجًا من المكعبات. أنت تتحقق من المكعبات السفلية أولاً. إذا كانت المكعبات السفلية صلبة (إجماع عالٍ)، فأنت تفترض أنها حقيقية. ثم تسأل: "إذا افترضت أن هذه المكعبات السفلية موجودة بالتأكيد، فهل لا يزال الجزء العلوي منطقيًا؟"
- إذا قال عقل الروبوت: "نعم، لا يزال الجزء العلوي مناسبًا تمامًا حتى لو قمت بتثبيت الأجزاء السفلية في مكانها"، فإنه يقبل ذلك الجزء من الخطة.
- إذا بدا الجزء العلوي غريبًا فجأة عند تثبيت الأجزاء السفلية، فإن الروبوت يرفض ذلك الجزء من الخطة.
الاختبار (ب): فحص "رد الفعل المتسلسل" (الاتساق المتتالي المغلق بالسابقة - Prefix-Closed Sequential Consistency)
هذه هي القاعدة الأهم: لا يمكنك تخطي الخطوات.
تخيل المشي عبر جسر. لا يمكنك الخطو على اللوح التالي إلا إذا كنت واقفًا بالفعل بأمان على اللوح السابق.
- يتحقق الروبوت: "هل يمكنني تنفيذ الخطوة 1 بأمان؟ نعم. حسنًا، الآن بعد أن قمت بالخطوة 1، هل يمكنني تنفيذ الخطوة 2 بأمان؟ نعم."
- إذا كانت الخطوة 1 مهتزة، يتوقف الروبوت فورًا. لن يحاول القيام بالخطوة 2 أو الخطوة 3 لأن السلسلة بأكملها قد انكسرت. هو يلتزم فقط بأطول سلسلة متصلة من الخطوات التي تم التحقق من سلامتها جميعًا.

3. النتيجة: "عدد خطوات" مرن

بدلاً من أن يكون مجبرًا على السير 10 خطوات أو خطوة واحدة، يقرر الروبوت الآن ديناميكيًا:

في المواقف السهلة (مثل المشي عبر غرفة فارغة): يرى الروبوت أن جميع "أصدقائه" متفقون وأن "الجسر" صلب. فيقول: "حسنًا، سأسير 15 خطوة!" وهذا يجعله سريعًا وفعالًا.
في المواقف الصعبة (مثل وضع كوب على خطاف صغير): يرى الروبوت أن "الأصدقاء" غير متفقين أو أن "الجسر" مهتز. فيقول: "حسنًا، سأسير خطوتين فقط، ثم أتوقف وأنظر مرة أخرى." هذا يمنع الاصطدامات.

لماذا يعد هذا أمرًا مهمًا؟

لا يوجد ضبط يدوي: في السابق، كان على المهندسين تخمين العدد المثالي للخطوات لكل مهمة (مثل "5 خطوات للتكديس، 12 للقلب"). الآن، يكتشف الروبوت ذلك بنفسه.
توازن أفضل: إنه يحقق أفضل ما في العالمين؛ يتحرك بسرعة عندما يكون الوضع آمنًا (مما يوفر الوقت وقدرة الحاسوب)، ويتباطأ ويتحقق بشكل متكرر عندما تصبح الأمور صعبة (مما يمنع الأخطاء).
إثبات في العالم الحقيقي: اختبر المؤلفون هذا على روبوتات حقيقية تقوم بمهام مثل قلب الأكواب وتكديس المكعبات. الروبوت الذي يستخدم A3 نجح في مهامه أكثر من الروبوتات التي تستخدم طريقة "الخطوات الثابتة" القديمة، ودون الحاجة إلى أي تدريب إضافي أو أجهزة خاصة.

باختصار، يحول A3 الروبوت من ماشٍ جامد إلى مستكشف حذر وذكي يعرف بالضبط إلى أي مدى يمكنه المضي قدمًا قبل أن يحتاج إلى التوقف والتحقق من خريطته.

ملخص تقني: الالتزام بالتنفيذ الديناميكي لنماذج الرؤية واللغة والعمل (VLA)

بيان المشكلة

أصبحت نماذج الرؤية واللغة والعمل (VLA) نموذجاً أساسياً للذكاء المتجسد القابل للتعميم، حيث تقوم بربط الملاحظات البصرية والتعليمات اللغوية مباشرة بتسلسلات حركية. وللتخفيف من العبء الحسابي للنماذج الخلفية الضخمة، تتبنى بنيات VLA الحديثة بشكل متزايد تقنية تجزئة العمل (action chunking)، حيث يتنبأ النموذج بتسلسل من الأفعال المستقبلية في تمريرة أمامية واحدة قبل إعادة التخطيط.

ومع ذلك، لا يزال هناك خيار تصميمي حرج لم يتم استكشافه بعمق، وهو تحديد أفق التنفيذ (execution horizon) (عدد الأفعال المتنبأ بها والتي يتم الالتزام بها فعلياً في البيئة قبل دورة إعادة التخطيط التالية). تعتمد الأنظمة الحالية على آفاق تنفيذ ثابتة يتم ضبطها لكل مهمة على حدة. يفترض هذا النهج أن الموثوقية التنبؤية موحدة عبر الزمن وغير متغيرة بتغير العشوائية البيئية. وفي الواقع، فإن البيئات المتجسدة غير مستقرة، وتتراكم أخطاء التنفيذ بمرور الوقت. وكما هو موضح في تحليل الورقة (الشكل 1)، فإن الآفاق الثابتة تخلق مقايضة هشة:

الآفاق القصيرة: تضمن معدلات نجاح عالية من خلال إعادة التخطيط المتكرر، لكنها تفرض عبئاً حسابياً كبيراً (تكرار عالٍ في الاستدعاءات الأمامية).
الآفاق الطويلة: تقلل من عدد الاستدعاءات الأمامية، لكنها تلتزم بتسلسلات مفتوحة الحلقة (open-loop) طويلة، مما يؤدي إلى تدهور شديد في معدل النجاح مع تراكم الأخطاء التي لا يمكن تصحيحها عبر التغذية الراجعة البصرية.

غالباً ما تتطلب الطرق التكيفية الحالية (مثل الطرق القائمة على الاتساق أو الانتباه) تدريباً إضافياً، أو رؤوساً مساعدة، أو تعتمد على استدلالات لا تعكس مباشرة الجدوى الفيزيائية في فضاءات العمل المستمرة.

المنهجية: قبول العمل التكيفي (A3)

يقترح المؤلفون آلية A3 (Adaptive Action Acceptance)، وهي آلية تعيد صياغة الالتزام بالتنفيذ الديناميكي كمسألة تحقق من البادئة عبر التكهن الذاتي (self-speculative prefix verification). مستوحاة من فكرة التشفير التكهني الذاتي (self-speculative decoding)، تعامل A3 تسلسل العمل المتنبأ به كـ "مسودة"، وتحدد أفق التنفيذ الموثوق عبر التحقق الذاتي المهيكل، دون الحاجة إلى وحدات مساعدة أو إعادة تدريب.

يعمل الإطار عبر خط إنتاج يتكون من ثلاث مراحل:

1. تسجيل اتساق المسار المدرك للنمط

بدلاً من قياس عدم اليقين في فضاء العمل الخام (حيث تتراكم الأخطاء التدريجية)، تقوم A3 بتقييم الاتساق في فضاء حالات المسار المستحثة.

التوليد: يقوم النموذج بتوليد $K$ من كتل العمل المرشحة المستقلة في تمريرة أمامية واحدة مجمعة (batched forward pass).
التجميع (Clustering): يتم تجميع هذه المسارات بناءً على مقييد مسافة محاذٍ زمنياً محلياً لتحديد النمط السائد (أكثر الخطط المستقبلية تماسكاً).
التسجيل (Scoring): يتم حساب درجة إجماع لكل خطوة عمل ضمن النمط السائد. تعكس هذه الدرجة اتساق النموذج الذاتي (مدى استقرار تنبؤ النموذج لهذا الفعل عبر عمليات التوليد المستقلة) وتعمل كأولوية لاختيار مسار "مسودة" ممثل وترتيب عملية التحقق.

2. التحقق الهرمي المزدوج

تخضع المسودة المختارة لعملية تحقق متوازية تحكمها قيود لضمان المنطق الداخلي والجدوى الفيزيائية:

الثبات الشرطي المرتب حسب الإجماع: يتحقق هذا من الأفعال ذات الإجماع المنخفض عبر فحص ما إذا كانت تظل متسقة عند إعادة فك تشفيرها مشروطة بالأفعال ذات الإجماع العالي (التي تُثبت كـ سياق). يتم قبول الفعل فقط إذا أعاد النموذج تأكيد صحته بمجرد تثبيت نظائره الأكثر يقيناً. يضمن هذا أن الجزء التكهني مرتكز على خطة النموذج طويلة الأمد الملتزم بها.
الاتساق التسلسلي المغلق بالبادئة: إدراكاً بأن التنفيذ الروبوتي يتبع ترتيباً سببياً صارماً، يضمن هذا القيد عدم قبول أي فعل إلا إذا تم التعامل مع جميع الأفعال السابقة في السلسلة كـ سياق ثابت، وظل الفعل الحالي مستقراً تحت إعادة فك التشفير. يمنع هذا الروبوت من تجاوز الأجزاء غير المتحقق منها، مما يضمن أن البادئة الملتزم بها تشكل سلسلة سببية غير منقطعة قوية ضد تغير التوزيع (covariate shift).

3. تحديد الأفق الناشئ

يظهر أفق التنفيذ النهائي ( $l^*$ ) كـ أطول بادئة مستمرة من الأفعال التي تستوفي كلا القيدين. يتم حل ذلك في تمريرة أمامية واحدة متوازية، مما يسمح للأفق بالتكيف طبيعياً مع صعوبة المهمة وجودة الملاحظة دون ضبط يدوي.

المساهمات الرئيسية

إعادة صياغة الالتزام بالتنفيذ: تحدد الورقة أن الالتزام بالتنفيذ هو مبدأ استدلال مفقود في أنظمة VLA متعددة الخطوات، حيث تعيد صياغة اختيار الأفق كمسألة تحقق من البادئة المشروطة بالحالة بدلاً من كونها معلمة ثابتة (hyperparameter).
إطار عمل A3: اقتراح إطار تحقق هرمي مزدوج يفرض الثبات الشرطي المرتب حسب الإجماع والاتساق التسلسلي المغلق بالبادئة. يسمتح هذا بظهور آفاق التنفيذ من التحقق المهيكل بدلاً من الاستدلالات المحددة مسبقاً.
التحقق التجريبي: إثبات فعالية A3 عبر عدة نماذج خلفية لـ VLA ( $\pi$ -0، $\pi$ -0.5، GR00T) ومعايير اختبار (LIBERO، MetaWorld، ManiSkill، ومهام من العالم الحقيقي) أن A3 يلغي الحاجة إلى ضبط الأفق الخاص بكل مهمة مع تحقيق توازن متفوق بين متانة التنفيذ وكفاءة الاستدلال.

النتائج التجريبية

قيم المؤلفون A3 مقابل خطوط الأساس بما في ذلك الأفق الثابت (الأمثل عبر البحث الشبكي)، ومزيج الآفاق (MoH)، وEveryDayVLA، وAutoHorizon.

الأداء مقابل الكفاءة: تحقق A3 باستمرار معدلات نجاح تضاهي أو تفوق خطوط الأساس مع إطالة أفق التنفيذ الملتزم به بشكل كبير. على سبيل المثال، في نموذج $\pi$ -0.5 مع معيار LIBERO، حققت A3 متوسط معدل نجاح قدره 98.1% (مطابق لأفضل خطوط الأساس) مع زيادة طول التنفيذ من 6.3 إلى 9.7 خطوة (زيادة بنسبة 54%).
المتانة في العالم الحقيقي: في تجارب الروبوت الحقيقية (FlipMug، TapeBox، HangMug، StackCube)، حققت A3 متوسط معدل نجاح قدره 84.6%، متفوقة على أفضل خط أساس للأفق الثابت (79.2%) مع الحفاظ على استدعاءات استدلال مماثلة. نجحت الآلية التكيفية في تقصير الآفاق خلال مراحل الاتصال الغني (مثل المحاذاة) وإطالتها خلال حركة الفضاء الحر.
المتانة تجاه الاضطرابات: تحت ظروف تدهور الحالة (قناع البكسل والضبابية الغاوسية)، حافظت A3 على معدلات نجاح وآفاق تنفيذ أطول مقارنة بالخطوط الأساسية الثابتة. على سبيل المثال، تحت قناع بكسل بنسبة 60%، حسنت A3 معدلات النجاح بنسبة 10.2% عن الخط الأساسي.
دراسات الاستئصال (Ablation Studies): أكدت الدراسة أن كلا مكوني التحقق ضروريان. وفر الثبات الشرطي المرتب حسب الإجماع أكبر المكاسب في الاستقرار، بينما قلل الاتساق التسلسلي المغلق بالبادئة من تراكم الأخطاء عبر المسارات الطويلة.
زمن الاستجابة (Latency): على الرغم من زيادة زمن الاستجابة لكل خطوة (بسبب أخذ العينات المجمعة والتحقق)، إلا أن تكلفة الاستدلال على مستوى الحلقة (episode-level) انخفضت لأن النظام تطلب عدداً أقل من الاستدعاءات الأمامية الإجمالية لكل حلقة بسبب الآفاق الملتزم بها الأطول.

الأهمية والادعاءات

تدعي الورقة أن A3 يوفر آلية مبدئية للالتزام بالتنفيذ الديناميكي تأخذ في الاعتبار بشكل مشترك الاتساق الذاتي للنموذج والجدوى التسلسلية على مستوى التنفيذ. من خلال معاملة الأفق كخاصية ناشئة من التحقق بدلاً من معلمة ثابتة، تقوم A3 بـ:

إلغاء الحاجة إلى الضبط اليدوي للأفق الخاص بكل مهمة.
تحقيق مقايضة مثالية (Pareto-optimal) بين متانة التنفيذ وإنتاجية الاستدلال.
تكييف دقة التحكم مع هيكل المهمة (مثل تقصير الآفاق للمهام الدقيقة مثل المحاذاة) دون الحاجة إلى نماذج ديناميكية صريحة أو تدريب إضافي.

يقر المؤلفون بالقيود، مشيرين إلى أن A3 يحسن موثوقية البادئات الملتزم بها ولكنه لا يعزز الدقة المكانية الأساسية للسياسة. وبناءً على ذلك، تظل الإخفاقات الناجمة عن الحجب الإدراكي أو حدود دقة التحكم الأساسية دون حل، حيث تعتمد عملية التحقق على ملاحظات النموذج الحالية.