SR-Platform: An Agentic Pipeline for Natural Language-Driven Robot Simulation Environment Synthesis

ملخص تقني: منصة SR-Platform

بيان المشكلة

يتطلب توسيع نطاق تعلم الروبوتات مجموعات كبيرة من بيئات المحاكاة المتنوعة والواقعية فيزيائياً. ومع ذلك، لا يزال بناء هذه البيئات يمثل عقبة كبيرة؛ حيث يتطلب إنشاء مشهد جاهز للتدريب في محرك MuJoCo خبرة في نمذجة الأصول ثلاثية الأبعاد، وتوصيف MJCF، والتخطيط المكاني، وتجنب الاصطدام، ودمج نماذج الروبوتات. ورغم أن النماذج اللغوية الكبيرة (LLMs) أظهرت قدرات واعدة في الاستدلال الدلالي وتوليد الكود، إلا أن النهج السابق غالباً ما يعتمد على مكتبات كائنات ثابتة، أو يتوقف عند الوصف الرمزي، أو يتطلب تدخلاً يدوياً قبل التنفيذ. وبناءً على ذلك، تظل مشكلة التحويل الشامل من مطالبة نصية طبيعية غير مقيدة إلى مشهد روبوتي صالح فيزيائياً وجاهز للمحاكي مشكلة لم تُعالج بشكل كافٍ.

المنهجية: منصة SR-Platform

منصة SR-Platform هي نظام وكيل (agentic system) مُنشر في بيئة إنتاج، مصمم لتخليق بيئات MuJoCo قابلة للتنفيذ من أوصاف نصية حرة. وبدلاً من الاعتماد على نموذج لغوي ضخم واحد، يستخدم النظام خط معالجة مكوناً من أربع طبقات، مُصنفاً وقابلاً للتدقيق، وتنسقه وحدة PipelineCoordinator. تم نشر البنية التحتية كحزمة Docker مكونة من تسع خدمات تستخدم بث WebSocket، وMinIO لتخزين الشبكات (meshes)، وQdrant للاسترجاع الدلالي، وRedis لإدارة الحالة، وInfluxDB للقياس عن بُعد (telemetry).

يتكون خط المعالجة من أربع مراحل متميزة:

1. المرحلة الأولى (L1): المنسق (Orchestrator)
   تقوم هذه المرحلة بتحويل مطالبة المستخدم باللغة الطبيعية (مثل: "خط تجميع مع سير ناقل وذراع روبوتية") إلى خطة مشهد مهيكلة بصيغة JSON. تحدد هذه المرحلة أبعاد الغرفة، وقوائم الكائنات، والملصقات الدلالية، وهوية الروبوت المختارة، ومعايير الشذوذ. تم تنفيذها باستخدام سير عمل LangGraph، وهي تفصل بين التخطيط الدلالي وتوليد الهندسة لتقليل تعقيد النموذج اللغوي وحصر حالات الفشل.

2. المرحلة الثانية (L2): مصنع الأصول (Asset Forge)
   يقوم مصنع الأصول بتحويل تسميات الكائنات إلى شبكات ثلاثية الأبعاد (STL) متوافقة مع المحاكي. وهو يعتمد استراتيجية "الأولوية للتخزين المؤقت" (cache-first strategy):

• الاسترجاع الدلالي: يتم تضمين (embedding) تسميات الكائنات والاستعلام عنها في قاعدة بيانات متجهة من نوع Qdrant. إذا وجد أصل مخزن مؤقتاً ذا تشابه عالٍ، يتم تحميل ملف STL من MinIO.
• التوليد من النموذج اللغوي إلى CadQuery: في حال عدم وجود تطابق في التخزين المؤقت، يقوم نموذج لغوي بتوليد كود CadQuery لتخليق هندسة جديدة. يتم تنفيذ هذا الكود لإنتاج شبكة STL، والتي تُخزن بعد ذلك وتُفهرس لإعادة الاستخدام مستقبلاً.
• المتانة: يتضمن النظام آليات للتحقق وإعادة المحاولة التلقائية. إذا كان الكود المولد غير سليم أو كانت الهندسة غير صالحة، يحاول النظام إعادة التوليد أو العودة إلى هندسة مبسطة لمنع فشل المهمة.

3. المرحلة الثالثة (L3): مهندس التخطيط (Layout Architect)
   تخصص هذه المرحلة وضعيات مكانية (الموقع والتدوير) لجميع الكائنات التي تم تحديدها. تستخدم نموذج تخطيط يعتمد على النموذج اللغوي لاقتراح أماكن منطقية دلالياً (مثل: الطاولات على الأرض) ومتسقة فيزيائياً (لا توجد تداخلات). والأهم من ذلك، أنها تدمج IndustryRulesChecker للتحقق من القيود مثل الخلوص الكهربائي، ومسالك الهروب لسلامة الحرائق، ومسافات سلامة الآلات، وخلوص التهوية. تُعاد الانتهاكات كمدخلات مهيكلة للسماح بإعادة أخذ العينات أو وسم الشذوذ.

4. المرحلة الرابعة (L4): الجسر وتجميع MJCF (Bridge and MJCF Assembly)
   تحول المرحلة النهائية خطة المشهد المخطط لها إلى ملف MJCF (XML) قابل للتنفيذ في MuJoCo. تقوم ببناء الأرضية، والجدران، وأجسام الكائنات، مع إدراج شبكات STL المسترجعة أو المولدة مع وضعياتها المحسوبة. يقوم RobotMerger بدمج نموذج الروبوت المختار (من كتالوج يشمل UR5، وFranka Panda، إل أخرى) في المشهد، مما يضمن اتساق إطار الإحداثيات. هذه المرحلة حتمية (deterministic) ولا تستدعي نماذج لغوية.

المساهمات الرئيسية

توضح الورقة أربع مساهمات رئيسية:

1. خط معالجة وكيل شامل (End-to-End Agentic Pipeline): نظام يحول أوصاف مساحة العمل باللغة الطبيعية إلى مشاهد MuJoCo قابلة للتنفيذ تحتوي على نماذج روبوتية، وأصول شبكية، ووضعيات كائنات، وإحداثيات ظهور.
2. مصنع أصول مدرك للتخزين المؤقت (Cache-Aware Asset Forge): آلية تجمع بين الاسترجاع الدلالي وتوليد CadQuery عبر النماذج اللغية، مما يقلل من استدعاءات النماذج اللغية المكررة لأنواع الكائنات التي تم توليدها سابقاً.
3. التحقق من التخطيط الصناعي (Industrial Layout Verification): دمج فحص القيود (الخلوص، السلامة، المسالك) في عملية تخليق المشهد قبل تجميع MJCF.
4. القياس عن بُعد للإنتاج (Production Telemetry): تقديم تقارير عن 30 يوماً من بيانات الإنتاج تغطي 611 استدعاءً ناجحاً للنماذج اللغية، مع تفصيل زمن الاستجابة لكل مرحلة، وسلوك إعادة المحاولة، وحدود الإنتاجية.

النتائج التجريبية

تم تقييم النظام باستخدام بيانات القياس عن بُعد من نشر استمر لمدة 30 يوماً.

• زمن الاستجابة (Latency): بالنسبة لمشهد يحتوي على خمسة كائنات وكلها تفتقر إلى وجود في التخزين المؤقت، يبلغ متوسط زمن الاستجابة النهائي حوالي 50 ثانية. وعند استرجاع الكائنات من التخزين المؤقت، ينخفض زمن الاستجابة إلى 30–40 ثانية.
• أداء المراحل: يعد L2 (مصنع الأصول) المساهم الرئيسي في زمن الاستجابة. يبلغ متوسط زمن الاستجلة لأول محاولة توليد CadQuery (skill_generator) حوالي 17.9 ثانية (النسبة المئوية 95: 65.4 ثانية). أما استدعاءات إعادة المحاولة فهي أبطأ، بمتوسط 24.4 ثانية.
• الموثوقية: يظهر مصنع الأصول معدل إعادة محاولة للمرة الأولى بنسبة 11.3%. وتعود الإخفاقات أساساً إلى كود CadQuery غير سليم أو هندسة غير صالحة. تسمح آليات إعادة المحاولة التلقائية والعودة إلى الحلول البديلة للنظام بالتعافي دون إيقاف عملية توليد المشهد بالكامل.
• الإنتاجية (Throughput): يدعم النظام خمس مهام توليد متزامنة. وتتحدد الإنتاجية بواسطة توليد أصول L2، ولكن يمكن توسيعها أفقياً بإضافة عمال (workers)، حيث تشترك البنية التحتية في خدمات عديمة الحالة (stateless) مثل Redis وMinIO وQdrant.
• أداء النماذج: تشير الاختبارات المرجعية على نماذج CAD الميكانيكية والأصول الحرة إلى أن claude-opus-4-6-fast يحقق أعلى دقة هندسية للأجز الميكانيكية، بينما يوفر qwen3-coder-480b توازناً قوياً بين السرعة والتكلفة.

الأهمية والادعاءات

تضع الورقة منصة SR-Platform كخطوة نحو جعل توليد بيئات محاكاة الروبوتات أكثر قابلية للتوسع والوصول. ومن خلال تمكين المستخدمين من إنتاج مشاهد MuJoCo قابلة للتنفيذ من مطالبات بسيطة باللغة الإنجليزية في أقل من دقيقة، يقلل النظام من الجهد اليدوي المطلوب لبناء بيئات تدريب متنوعة.

يؤكد المؤلفون أن قيمة النظام تكمن في تصميمه الموجه للإنتاج: فهو ليس مجرد نموذج بحثي أولي، بل هو خدمة منشورة تتميز ببث التقدم في الوقت الفعلي، وتنفيذ المهام غير المتزامنة، والاسترجاع الدلالي للأصول، وعزل الحالة لكل مستخدم. وتدعي الورقة أن هذا النهج الوكيلي، الذي يفصل التخطيط الدلالي، وتوليد الأصول، والاستدلال المكاني، وتجميع المحاكي، يسمح بتخزين مؤقت، وتصحيح أخطاء، وتحقق أفضل مما تتيحه المطالبات المباشرة للنماذج اللغية الشاملة. علاوة على ذلك، فإن دمج فحص القيود الصناعية يهدف إلى سد الفجوة بين المشاهد ذات المظهر الواقعي والبيئات الصالحة فيزيائياً والجاهزة للتشغيل الفعلي.

يشير المؤلفون بتواضع إلى القيود، مع الإقرار بأن النظام يستهدف حالياً البيئات الصناعية الداخلية وشبه المنظمة، وأن كود CAD المولد عبر النماذج اللغية، رغم إمكانية التعافي منه، ليس بعد مترجماً حتمياً (deterministic compiler) مضموناً. ويقترح العمل المستقبلي تضمين توليد 3D من الصور، ونماذج فيزيائية عالية الدقة، والتصدير المباشر لتنسيقات مجموعات بيانات تعلم الروبوتات.