💻 computer science

SI-Diff: A Framework for Learning Search and High-Precision Insertion with a Force-Domain Diffusion Policy

تقدم هذه الورقة SI-Diff، وهو إطار عمل موحد لسياسة الانتشار في مجال القوة يدمج آلية جديدة للضبط بالنمط وسياسة معلم بحث، ليتعلم في آن واحد البحث القوي والإدخال عالي الدقة، مما يحسن بشكل كبير من تحمل عدم المحاذاة وقابلية النقل في حالة الصفر مقارنة بالنماذج المرجعية الحالية.

المؤلفون الأصليون: Yibo Liu, Stanko Oparnica, Simon Shewchun-Jakaitis, Guoyi Fu, Jie Wang, Jun Yang, Anand Jagannathan, Tony Hong-Yau Lo

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yibo Liu, Stanko Oparnica, Simon Shewchun-Jakaitis, Guoyi Fu, Jie Wang, Jun Yang, Anand Jagannathan, Tony Hong-Yau Lo

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 إدخال مفتاح في قفل، لكنك ترتدي قفازات سميكة ولا تستطيع رؤية فتحة المفتاح بوضوح. عليك أن تتحسس طريقك باللمس. إذا كان المفتاح بعيداً عن المركز قليلاً، فقد تضغط عليه مباشرة للأسفل وتتعثر. ولكن إذا كنت تعرف مكان الفتحة بالضبط، يمكنك تمريره بسلاسة تامة. ولكن ماذا لو كنت بحاجة إلى جعل روبوت يقوم بذلك، والروبوت لا يعرف مكان الفتحة بالضبط؟

تقدم هذه الورقة البحثية SI-Diff، وهو "عقل" جديد للروبوتات يحل هذه المشكلة تماماً. فهو يعلّم الروبوت كيف يقوم بشيئين مختلفين تماماً باستخدام نفس مجموعة التعليمات: البحث عن الفتحة عندما يكون تائهاً، وتنزيل الجسم بداخلها بمجرد العثور عليها.

إليك كيف يعمل ذلك، مقسماً إلى تشبيهات بسيطة:

1. المشكلة: حركتان مختلفتان

عادةً ما يتم تعليم الروبوتات القيام بهذه المهام بشكل منفصل.

البحث: إذا كان الروبوت تائهاً، فإنه يحتاج إلى التمايل والمسح في المنطقة (مثل شخص يتحسس مكان مفتاح الضوء في الظلام).
الإدخال: بمجرد العثور على الفتحة، يحتاج إلى أن يكون دقيقاً للغاية، يتمايل بقدر ضئيل جداً فقط ليزلق الجسم للداخل دون أن يعلق (مثل عملية لضم الخيط في الإبرة).

معظم الروبوتات تضطر إلى تبديل "الأنماط" أو تحميل برمجيات مختلفة للقيام بهذين الأمرين. أراد المؤلفون بناء عقل روبوت واحد يمكنه القيام بكليهما دون تغيير التروس، تماماً مثل عامل بشري يمكنه التحسس بحثاً عن فتحة ثم إدخال وتد فيها دون التفكير في تغيير أدواته.

2. الحل: سياسة "الانتشار" (Diffusion Policy)

استخدم الفريق نوعاً من الذكاء الاصطناعي يسمى سياسة الانتشار (Diffusion Policy).

التشبيه: فكر في "الانتشار" كأنه نحات يبدأ بكتلة من الطين العشوائي والمشوش، ثم يبدأ ببطء في إزالة التشويش حتى يظهر تمثال مثالي.
في الروبوت: يبدأ الروبوت بتخمين عشوائي لكيفية تحريك ذراعه. يقوم الذكاء الاصطناعي بـ "إزالة التشويش" عن هذا التخمين، وتدقيق الخطوات خطوة بخطوة بناءً على ما تخبره به مستشعرات الروبوت (اللمس والقوة)، حتى يجد الحركة المثالية سواء للبحث أو للإدخال.

3. السر الخفي: مفتاح "النمط"

التحدي الأكبر كان تعليم الذكاء الاصطناعي معرفة أي حركة يجب أن يقوم بها (البحث أم الإدخال) دون تغيير الكود.

التشبيه: تخيل مشغل موسيقى يمكنه تشغيل كل من "أغنية البحث" و"أغنية الإدخال". عادةً، ستحتاج إلى مشغلين مختلفين. يستخدم SI-Diff "تنبيه النمط" (Mode Prompt)، وهو يشبه زر "تبديل المسارات".
كيف يعمل: يتم إخبار الروبوت: "أنت الآن في نمط البحث" أو "أنت الآن في نمط الإدخال". هذا التعليمة الصغيرة تخبر الذكاء الاصطناعي أن ينظر إلى نفس بيانات المستشعرات ولكن يفسرها بشكل مختلف. في نمط البحث، يبحث عن الأنماط التي تعني "استمر في البحث". وفي نمط الإدخال، يبحث عن الأنماط التي تعني "تمايل بلطف لتناسب الفتحة".

4. المعلم: التعلم من دليل ذكي

تتعلم الروبوتات بشكل أفضل من خلال مراقبة الخبراء. أنشأ المؤلفون "سياسة معلم" (مجموعة من القواعد) لتوليد بيانات التدريب.

معلم البحث: بدلاً من مجرد رسم لولب مثالي (والذي قد يخطئ الفتحة)، فإن هذا المعلم يتسم ببعض الفوضوية. فهو يجرب ثمانية أنماط بحث مختلفة بسرعات واتجاهات عشوائية. إنه يشبه معلماً لا يكتفي بإظهار طريقة واحدة للعثور على شيء مفقود، بل يريك طرقاً عديدة لمسح الأرضية حتى تتعلم كيف تتكيف.
معلم الإدخال: هذا المعلم يعرف كيف يخرج وتداً عالقاً من مكان ضيق، وهي خدعة يستخدمها البشر بالفطرة.

يشاهد الروبوت آلاف المحاولات "الناجحة" من قبل المعلم ويتعلم تقليد "شعور النجاح".

5. النتائج: من "ربما" إلى "بالتأكيد"

اختبر الفريق الروبوت الخاص بهم ضد أفضل الأساليب الحالية (مثل نظام يسمى TacDiffusion).

الطريقة القديمة: إذا كان الوتر بعيداً عن المركز بأكثر من 2 مليمتر (حوالي سمك بطاقة الائتمان)، فإن الروبوت عادة ما يفشل؛ فقد كان صلباً للغاية.
SI-Diff: استطاع هذا النظام الجديد التعامل مع عدم المحاذاة حتى 5 مليمترات. لقد كان أكثر تسامحاً مع الأخطاء.
سحر "الصفر محاولة" (Zero-Shot Magic): على الرغم من أنه تم تدريب الروبوت فقط على كتلة مربعة، إلا أنه نجح في إدخال أشكال غير مرئية مثل الأسطوانات، والمثلثات، وحتى موصل USB. لقد تعلم مفهوم البحث والإدخال، وليس فقط الشكل المحدد للكتلة.

الملخص

SI-Diff هو نظام تحكم للروبوتات يستخدم نموذج ذكاء اصطناعي واحد للقيام بكل من البحث عن فتحة وتنزيل جسم داخلها. من خلال استخدام "مفتاح النمط" والتعلم من مجموعة متنوعة من نماذج "المعلم"، يجعله هذا النظام أكثر قوة، مما يسمح للروبوتات بالتعامل مع أخطاء أكبر والعمل مع أشكال لم يسبق لها رؤيتها من قبل، وكل ذلك دون الحاجة إلى تبديل البرمجيات أو إعادة برمجة نفسها.

ملخص تقني: SI-Diff: إطار عمل لتعلم البحث والإدخال عالي الدقة باستخدام سياسة انتشار في مجال القوة

بيان المشكلة
تواجه عمليات التجميع الغنية بالتلامس، ولا سيما مهام "الوتد في الثقب" (peg-in-hole)، تحديات كبيرة بسبب عدم اليقين في المواضع النسبية، مثل عدم المحاذاة والفراغات الصغيرة. تتعامل النهج الحالية عادةً مع مرحلة "البحث" (لحل مشكلات عدم المحاذاة الكبيرة في محوري x–y) ومرحلة "الإدخال عالي الدقة" (لحل مشكلات الانحشار في الفراغات الصغيرة) كمسائل منفصلة تتطلب استراتيجيات أو تبديل نماذج متميز. وبينما يمكن للتحكم البصري (visual servoing) تحقيق محاذاة تقريبية، إلا أن دقته غالباً ما تكون غير كافية لمهام الفراغات دون المليمترية، مما يستلزم طرقاً تعتمد على القوة. وتتفوق الطرق الحالية المتطورة مثل TacDiffusion [1] في الإدخال عالي الدقة، لكنها تفترض أن الوتد والثقب محاذيان بشكل عام، وتفشل عندما تتجاوز عدم المحاذاة الأولية 2 مم. وفي المقابل، تفتقر استراتيجيات البحث غالباً إلى القدرة على الانتقال بسلاسة إلى الإدخال الدقيق. هناك حاجة إلى إطار عمل موحد قادر على تعلم وتنفيذ كلا نمطي العمل المتميزين دون الحاجة لتبديل النماذج أو الأوزان.

المنهجية
يقترح المؤلفون SI-Diff، وهو إطار عمل يوحد بين البحث والإدخال عالي الدقة ضمن سياسة انتشار واحدة في مجال القوة.

بنية النظام: يستخدم النظام متحكماً في الممانعة (impedance controller) يعتمد على التغذية الأمامية للقوة. يتعلم النموذج توليد قوى تغذية أمامية ( $F_{ff}$ ) بناءً على الملاحظات اللمسية والحركية. تتضمن الحالة المدخلة العزم الخارجي ( $\tau_{ext}$ )، والعزم الداخلي ( $\tau_{in}$ )، وسرعات النهاية الطرفية ( $v_e$ ) من الإطارات الحالية والسابقة.
سياسة الانتشار في مجال القوة: الجوهر هو نموذج احتمالي للانتشار لإزالة الضجيج (DDPM) يقوم برسم خريطة من الضجيج الغاوسي إلى التوزيع المستهدف لـ $F_{ff}$ . يتم تدريب النموذج للتنبؤ بالضجيج المضاف في كل خطوة انتشار، مشروطاً بحالة الروبوت.
آلية اشتراط النمط (Mode Conditioning): لتمكين نموذج واحد من التعامل مع سلوكين متميزين (البحث والإدخال)، قدم المؤلفون آلية اشتراط النمط؛ فمستوحاة من ترميز معالجة اللغات الطبيعية، يتم دمج مؤشرات الأنماط المنفصلة (0 للبحث، 1 للإدخال) في نواقل قابلة للتعلم عالية الأبعاد. تُلحق هذه الرموز (tokens) بمتتالية رموز حالة الروبوت، مما يسمح لنموذج الانتشار بتعلم أنماط عمل متميزة بناءً على مطالبة النمط المحددة.
سياسات المعلم (Teacher Policies):
- معلم البحث: تم تطوير سياسة معلم قائمة على القواعد لتوليد مسارات بحث متنوعة. وخلافاً لعمليات البحث الحلزونية الثابتة، تقوم هذه السياسة بتعشية المعلمات (مثل اتجاه البحث، السعة، والتردد) وتتكيف بناءً على القوى الخارجية لضمان البحث الفعال. وتحتفظ فقط بالنماذج الناجحة والفعالة (التي اكتملت خلال 2.5 ثانية) للتدريب.
- معلم الإدخال: يستخدم الإطار طريقة الإدخال اللمسية ذاتية التكيف من [2] (و TacDiffusion [1]) كمعلم لمرحلة الإدخال. تكتشف هذه السياسة حالات "الانحشار" عبر مراقبة القوة المتبقية وتطبق حركات تذبذب جيبية للهروب من الانحشار.
استراتيجية التدريب: يتم تدريب النموذج على مجموعة بيانات تضم 300 نموذج بحث ناجحة و1,500 نموذج إدخال. ولمعالجة عدم التوازن بين الفئات، تم استخدام أخذ العينات المتوازن للدفعة (BBS).

المساهمات الرئيسية

إطار عمل موحد: تطوير إطار عمل جديد (SI-Diff) يتعلم كلاً من البحث والإدخال عالي الدقة باستخدام سياسة انتشار واحدة في مجال القوة، مما يلغي الحاجة لتبديل النماذج.
اشتراط النمط: تصميم آلية اشتراط جديدة تسمح للنموذج بأداء أنماط عمل متميزة (البحث الاستكشافي مقابل التذبذب الدقيق) بناءً على مطالبة النمط، مما يتيح التعلم المتزامن لكلا المهمتين.
معلم بحث متنوع: إنشاء سياسة معلم بحث فعالة تولد مسارات متنوعة وعشوائية، مما يسهل جمع البيانات بكفاءة وتعلم خرائط العلاقة بين العزم والفعل بشكل قوي.

النتائج التجريبية
أُجريت التجارب باستخدام روبوت Franka Emika بـ 7 درجات حرية ووتد مستطيل بفتحة 0.1 مم للتدريب. تم تقييم الطريقة مقابل TacDiffusion [1]، والمتغيرات القائمة على القواعد (Teacher-D, Teacher-R)، وFORGE [3] عبر تسعة أشكال (بما في ذلك أشكال غير مرئية مثل السداسي/المنشور، الأسطوانة، ووصلات USB-A) ومستويات عدم محاذاة تتراوح من 2 مم إلى 5 مم.

تحمل عدم المحاذاة: وسع SI-Diff نطاق تحمل عدم المحاذاة في محوري x–y من 2 مم (حد TacDiffusion) إلى 5 مم.
معدلات النجاح: في شكل المستطيل المستخدم في التدريب، حقق SI-Diff معدل نجاح بنسبة 95.8% عبر جميع مستويات عدم المحاذاة، متفوقاً بشكل كبير على TacDiffusion (29.1%) والنماذج المرجعية الأخرى. كما حافظ على معدلات نجاح عالية (90%–97%) في الأشكال غير المرئية، بما في ذلك الأشكال الهندسية المعقدة مثل المنشورات المثلثية والخماسية.
الكفاءة: أظهر SI-Diff كفاءة فائقة، حيث سجل أدنى متوسط أوقات تنفيذ (سواء مع احتساب حالات الفشل أو النجاح فقط) مقارنة بالمنافسين.
النقل الصفري (Zero-Shot Transfer): أظهر النموذج، الذي تدرب على شكل مستطيل واحد، قدرة قوية على النقل الصفري إلى أشكال غير مرئية دون إعادة تدريب.
السلوك النوعي: تعلم النموذج تكييف استراتيجية البحث ديناميكياً، حيث أظهر سعات وترددات متغيرة تنخفض مع تحسن المحاذاة، على عكس الأنماط الثابتة لسياسة المعلم.

الأهمية والادعاءات
يزعم البحث أن SI-Diff يسد الفجوة التكنولوجية بين استراتيجيات البحث والإدخال، ويقدم حلاً أكثر تكاملاً لأنظمة التجميع الذكية. ومن خلال التعلم من النماذج الناجحة والفعالة المقدمة من سياسة المعلم الجديدة، يتفوق النموذج على سياسة المعلم والنموذج المرجعي المتطور (Tac diffusion) من حيث معدل النجاح والكفاءة. تكمن الأهمية الأساسية في القدرة على التعامل مع أكبر قدر من عدم المحاذالة الأولية (حتى 5 مم) مع الحفاظ على قدرات إدخال عالية الدقة ضمن إطار عمل واحد، مما يقلل من التعقيد الهندسي ويسهل التكامل في التطبيقات الصناعية الواقعية. يشير المؤلفون إلى أنه بينما يعد الأسلوب قوياً، فإن تبديل النمط يتم حالياً عبر إزاحة محور z بدلاً من الإشارات اللمسية المتعلمة، كما أن النطاق يقتقتصر على عدم المحاذاة في محوري x–y والإدخال في الفراغات الصغيرة.