🤖 AI

Back to Parsimonious Latents: Learning Task-Centric World Models from Visual Foundations

تقدم هذه الورقة البحثية إطار عمل TC-WM، الذي يحول تمثيلات النماذج التأسيسية البصرية عالية الأبعاد إلى تمثيلات كامنة مدمجة وكافية للمهام من خلال الإسقاط الخطي والتعلم التبايني، مما يتيح تخطيطاً وتحكماً فائقين في العمليات دون الحاجة لمكافآت عبر بيئات متنوعة.

المؤلفون الأصليون: Minghao Fu, Fan Feng, Nicklas Hansen, Biwei Huang

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Minghao Fu, Fan Feng, Nicklas Hansen, Biwei Huang

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 تقوم بتعليم روبوت كيفية التنقل في غرفة أو التقاط كوب. للقيام بذلك، يحتاج الروبوت إلى "نموذج عالم" (World Model)—وهو محاكة ذهنية داخلية تسمح له بالتنبؤ بـ: "إذا حركت ذراعي بهذه الطريقة، فماذا سيحدث بعد ذلك؟"

المشكلة في الروبوتات الحالية هي أن "نماذجها الذهنية" غالبًا ما تكون مزدحمة للغاية.

المشكلة: الكثير من الضجيج

فكر في رؤية الروبوت القياسي ككاميرا عالية الدقة تسجل كل شيء. إنها ترى ملمس الأريكة، وطريقة سقوط الضوء على الجدار، وذرات الغبار الراقصة في الهواء، ولون السجادة.

عندما يحاول الروبوت التخطيط لحركة ما، فإنه يصاب بالارتباك بسبب هذا "الضجيج". إنه يهدر طاقته الذهنية في محاولة التنبؤ بكيفية تغير الضوء على الجدار، رغم أن ذلك لا يساعده في الإمساك بالكوب. الأمر يشبه محاولة حل مسألة رياضية بينما يصرخ شخص ما بكلمات أغنية "بوب" في أذنك.

حاول بعض الباحثين إصلاح ذلك باستخدام "النماذج التأسيسية" (Foundation Models)—وهي نماذج ذكاء اصطناعي ضخمة تم تدريبها مسبقًا على الإنترنت بأكمله. هذه النماذج بارعة في فهم المفاهيم العامة (مثل "هذا كرسي")، لكنها لا تزال تفصيلية للغاية. فهي لا تزال تتضمن ملمس الخشب والإضاءة، وهي أمور غير ذات صلة بحركة الروبوت الفيزيائية.

الحل: TC-WM (المرشح الذكي)

يقترح مؤلفو هذه الورقة نظامًا جديدًا يسمى TC-WM (نموذج العالم المرتكز على المهمة).

فكر في TC-WM كـ مرشح ذكي أو مترجم.

السقالة (The Scaffold): بدلاً من التخلص من النموذج التأسيسي الضخم والتفصيلي، يستخدمه TC-WM كـ "سقالة" أو رسم تخطيطي أولي. هو يقبل المعلومات البصرية الغنية ولكنه لا يسمح لها بالسيطرة على المشهد.
المرشح (The Filter): يأخذ TC-WM ذلك الرسم التخطيطي الضخم والمزدحم ويضغطه إلى ملخص صغير ونظيف "مرتكز على المهمة". هو يسأل: "ما الذي يهم حقًا لتحريك الذراع؟"
- يحتفظ بـ: موقع الذراع، موقع الكوب، وحالة القابض (gripper).
- يتخلص من: لون الجدار، ملمس الأريكة، والإضاءة.
الموجه (The Guide): لتعليم الروبوت ما يجب الاحتفاظ به، يستخدم النظام "الحس العميق" (Proprioception) (إحساس الروبوت الداخلي بجسده، مثل معرفة مواقع مفاصله). هو يجبر "المرشح" على محاذاة خريطته الداخلية مع جسم الروبوت الفعلي. إذا تحركت ذراع الروبوت، يجب أن تتحرك الخريطة الداخلية معه.

التشبيه: الخريطة مقابل الصورة الفوتوغرافية

الطريقة القديمة (نماذج البيكسل): محاولة قيادة سيارة من خلال النظر إلى صورة عالية الدقة للطريق. ترى كل شق في الأسفلت وكل نصل عشب. إنها جميلة، لكن لا يمكنك بسهভাবে حساب نصف قطر الدوران.
الطريقة القديمة (النماذج التأسيسية): استخدام خريطة قمر صناعي تظهر كل شجرة ومبنى. هي أفضل، لكنها لا تزال تحتوي على تفاصيل كثيرة بالنسبة لدورة بسيطة.
TC-WM: خريطة ملاحة مبسطة مرسومة يدويًا. هي تظهر فقط الطرق، والمنعطفات، والوجهة. إنها تتجاهل الأشجار والمباني. إنها "مقتصدة" (تستخدم أقل قدر ممكن من التفاصيل الضرورية) ولكنها كافية تمامًا للمهمة.

كيف أثبتوا نجاحه

اختبر الباحثون ذلك على روبوتات تحاول القيام بأشياء مثل:

المتاهة (Maze): توجيه روبوت عبر متاهة.
الرفع/العلبة/المربع (Lift/Can/Square): التقاط أشياء وتكديسها (وهو أمر صعب للغاية يتطلب تحكمًا دقيقًا في الذراع).

وجدوا أن TC-WM كان أفضل في شيئين:

التنبؤ: استطاع التنبؤ بالحالة المستقبلية للروبوت بدقة أكبر من النماذج التي حاولت الاحتفاظ بجميع التفاصيل البصرية.
التحكم: استطاع الروبوت إكمال المهام (مثل رفع كتلة) بنجاح أكبر لأن "نموذجه الذهني" لم يكن مشتتًا بالتفاصيل غير ذات الصلة.

"سحر" الرياضيات

تتضمن الورقة أيضًا برهانًا نظريًا. بتبسيط شديد، أظهروا أنه إذا أخذت نموذجًا بصريًا ضخمًا وأجبرته على المحاذاة مع إشارات جسم الروبوت الفيزيائية، فإن الرياضيات تضمن أن الروبوت سيتعلم في النهاية الحالة الداخلية الدقيقة التي يحتاجها للتحكم في نفسه، حتى لو بدأ بمدخلات بصرية ضخمة وفوضوية. الأمر يشبه إثبات أنه إذا كان لديك كرة ضخمة متشابكة من الخيوط، يمكنك سحب خيط محدد (الحالة الفيزيائية) وسوف تنفك بقية الكرة حوله بشكل مثالي.

الملخص

TC-WM هو وسيلة لتعليم الروبوتات تجاهل "الصور الجميلة" للعالم والتركيز فقط على "فيزياء" العالم. من خلال استخدام ذكاء اصطناعي مدرب مسبقًا كقاعدة ولكن مع ترشيحه ليقتصر فقط على الحقائق الفيزيائية التي يحتاجها الروبوت، يصبح الروبوت مخططًا أفضل وعاملًا أكثر نجاحًا.

ملخص تقني: العودة إلى الكوامن المقتصدة: تعلم نماذج عالم مركزية للمهام من الأسس البصرية

بيان المشكلة

تمكن نماذج العالم الوكلاء من التنبؤ بالديناميكيات المستقبلية مشروطة بالأفعال، وهي قدرة مركزية للتخطيط والتحكم. ومع ذلك، تواجه النهج الحالية مقايضة جوهرية في التمثيل الكامن:

النماذج القائمة على البكسل (Pixel-based models): (مثل Dreamer وMuZero) تتعلم الديناميكيات مباشرة من البكسلات أو من كوامن مدمجة تشكلها إشارات المكافأة. وبينما هي فعالة، إلا أنها غالبًا ما تتطلب تكالًا حاسوبيًا عاليًا أو إشرافًا عبر التفاعل/المكافأة عبر الإنترنت لتشكيل الفضاء الكامن.
نماذج التضمين التأسيسية (Foundation embedding models): (مثل DINO-WM وV-JEPA) تستفيد من المشفرات البصرية المدربة مسبقًا والمجمدة للتنبؤ مباشرة في فضاء دلالي عالي الأبعاد. وبينما توفر هذه النماذج أولويات دلالية غنية وقدرة على التعميم الصفري، إلا أن التضمينات تحتوي على تفاصيل غير ذات صلة بالمهمة (مثل الأنسجة، الإضاءة، الخلفية) التي لا تؤثر على التحكم.

في الإعدادات غير المتصلة (offline) الخالية من المكافآت، حيث يجب على الوكلاء التعلم من مسارات ثابتة دون إشراف من المكافأة، تتفاقم هذه المشكلات. إن استخدام التضمينات التأسيسية الخام كفضاء للحالة يجبر النموذج على إهدار السعة في متغيرات غير ذات صلة، مما يؤدي إلى ضعف كفاءة النمذجة، وانخفاض قابلية تفسير التحكم، واحتمالية انهيار التمثيل، لا سيالما في فضاءات الأفعال عالية الأبعاد (مثل الأذرع الروبوتية ذات 7 درجات حرية). التحدي الجوهري يكمن في استخراج تمثيل كامن مقتصد وكافٍ للمهمة من هذه التضمينات التأسيسية الغنية ولكن المشوشة دون تفاعل عبر الإنترنت.

المنهجية: TC-WM

يقترح المؤلفون TC-WM (نموذج العالم المركزي للمهمة)، وهو إطار عمل يعامل التضمينات التأسيسية المدربة مسبقًا ليس كفضاء حالة نهائي، بل كـ "سقالة دلالية" يتم من خلالها تقطير الديناميكيات ذات الصلة بالمهمة.

البنية الأساسية

يعمل TC-WM على خط معالجة من التضمينات البصرية ( $x_t$ ) وإشارات الإدراك الحسي العميق ( $s^p_t$ ):

التضمين المشترك: يقوم مشفر بصري مجمد (مثل DINOv2) برسم الصور إلى سمات بصرية، بينما تقوم طبقة خطية قابلة للتدريب بتشفير الإدراك الحسي. يتم دمج هذه العناصر لتشكيل تضمين مشترك $x_t$ .
المشفر الكامن (الإسقاط): يقوم مشفر خطي بإسقاط التضمين المشترك عالي الأبعاد إلى حالة كامنة مدمجة $z_t$ $z_{t}$ . ومن المهم أن $z_t$ $z_{t}$ يتم تحليلها إلى فضاءين فرعيين:
- $z^s_t$ (ذات صلة بالحالة): متوافقة مع الحالة الفيزيائية.
- $z^c_t$ (تكميلية): تحتفظ بالبنية الدلالية المتبقية (المظهر، الخلفية) لتلبية قيود إعادة البناء.
الديناميكيات الكامنة: يقوم متنبئ قائم على المحولات (Transformer-based predictor) ( $f_\theta$ ) بنمذجة الانتقالات الزمنية في الفضاء الكامن المدمج ( $\hat{z}_{t+1} = f_\theta(z_{t-H:t}, a_{t-H:t})$ ).
المحاذاة المركزية للمهمة: يستخدم النموذج هدفًا تباينيًا (InfoNCE) لمحاذاة الفضاء الفرعي $z^s_t$ مع الحالة الإدراكية الحسية $s^p_t$ . هذا يعمل بنشاط على إجبار المشفر على فصل العوامل الفيزيائية ذات الصلة بالمهمة عن المتغيرات المزعجة.
مفكك التضمين (Embedding Decoder): يقوم مفكك شفرة خطي بإعادة بناء التضمين البصري الأصلي من $z_t$ . يعمل هذا كمُنظم، مما يضمن بقاء الكامن المدمج مرتبطًا بالمنوال التأسيسي ويمنع الحلول المتدهورة.

هدف التدريب

يجمع إجمالي الخسارة بين أربعة مكونات:

خسارة الديناميكيات الكامنة ( $L^z_{dyn}$ ): تقلل خطأ التنبؤ في الفضاء الكامن.
خسارة ديناميكيات TC ( $L^s_{dyn}$ ): تتنبأ بالإدراك الحسي المستقبلي مباشرة من التاريخ لفرض ديناميكيات مركزية للمهمة.
خسارة المحاذاة ( $L_{align}$ ): خسارة تباينية تحاذي $z^s_t$ مع $s^p_t$ .
خسارة إعادة البناء ( $L_{rec}$ ): تعيد بناء التضمين البصري من $z_t$ للحفاظ على البنية البصرية.

التخطيط وقت الاختبار

يدعم الفضاء الكامن المتعلم مركزياً للمهمة استراتيجيات تخطيط متنوعة:

التحكم منخفض الأبعاد (الملاحة): التحكم التنبئي بالنماذج (MPC) باستخدام طريقة الاعتلاج (CEM) لتحسين تسلسلات الأفعال في الفضاء الكامن.
التحكم عالي الأبعاد (المناولة): التخطيط عبر الانتشار الكامن (LDP) مقترنًا بنموذج ديناميكيات عكسي (IDM) لتوليد أفعال قابلة للتنفيذ من المسارات الكامنة.

المساهمات الرئيسية

التحليل المركزي للمهمة: يقدم البحث طريقة لتفكيك التضمينات التأسيسية عالية الأبعاد إلى فضاء كامن مدمج وكافٍ للمهمة من خلال الفصل الصريح بين ديناميكيات الحالة الفيزيائية والمتغيرات الدلالية المزعجة.
القابلية للتعرف النشط: على عكس الأعمال السابقة التي تفترض سلبيًا تنوع الآليات لتحقيق القابلية للتعرف، يستخدم TC-WM المحاذاة التباينية مع الإدراك الحسي لفرض شروط مختلفة للأنظمة الفيزيائية المختلفة بشكل نشط، مما يضمن نظريًا استعادة العوامل المركزية للمهمة حتى التحويل الأفيني.
التعلم غير المتصل الخالي من المكافآت: يحقق الإطار نمذجة عالم عالية الجودة وتخطيطًا في الإعدادات غير المتصلة دون إشارات مكافأة، معتمدًا فقط على الملاحظات البصرية والمعلومات الجانبية للإدراك الحسي.
الضمان النظري: يقدم المؤلفون نظرية تثبت أنه تحت فرضيات معينة (الديناميكيات السياقية، التباين الملحوظ للكمون، والمحاذاة الكافية)، فإن الكامن المدمج المتعلم هو قابل للتعرف ويستعيد الحالة الفيزيية الحقيقية حتى إعادة التوصيف.

النتائج التجريبية

قيم المؤلفون TC-WM عبر 9 اختبارات معيارية غير متصلة (Maze, Wall, Push-T, Lift, Can, Square, Reacher, Cheetah, Hopper) مقابل نماذج أساسية تشمل TD-MPC2 وDreamerV3 وMuZero وDINO-WM.

جودة نموذج العالم: يحقق TC-WM أدنى خطأ تنبؤ في المسارات الكامنة (MSE) عبر جميع المهام تقريبًا، خاصة في بيئات المناولة حيث تكون الديناميكيات دقيقة وطويلة الأمد أمرًا بالغ الأهمية. وبينما تكون إعادة بناء مساحة الصورة تنافسية، فإن المكسب الرئيسي يكمكن في استقرار ودقة الديناميكيات الكامنة.
أداء التخطيط:
- في الملاحة (أفعال منخفضة الأبعاد)، يضاهي TC-WM أداء النماذج القوية مثل TD-MPC2.
- في المناولة (أفعال عالية الأبعاد وغنية بالتلامس)، يتفوق TC-WM بشكل كبير على جميع النماذج الأساسية. على سبيل المثال، في مهمة "Lift" الخاصة بـ Robomimic، يحقق TC-WM معدل نجاح بنسبة 54% مقارنة بـ 29% لـ DINO-WM و31% لـ TD-MPC2.
تحليل التمثيل:
- الاختبار الخطي (Linear Probing): تستعيد المنظمات الخطية المدربة على الفضاء الكامن لـ TC-WM حالات الإدراك الحسي والأجسام بدرجات $R^2$ أعلى من النماذج الأساسية، مما يؤكد أن الكامن متجذر فيزيائيًا.
- مقاومة الانهيار: يظهر TC-WM استخدامًا أفضل للفضاء الكامن (رتبة فعالة أعلى) مقارنة بـ DINO-WM، الذي يعاني من انهيار التمثيل عند استخدام التضمينات الخام مباشرة.
- المتانة: يحافظ TC-WM على الأداء تحت الاضطرابات البصرية (الضوضاء الغاوسية، تفاوت الألوان) بشكل أفضل من DINO-WM، مع انخفاضات أصغر في SSIM.

الأهمية والادعاءات

يزعم البحث أن التضمينات التأسيسية تُستخدم بشكل أفضل كسقالة دلالية وليس كتمثيل مباشر للحالة. من خلال إسقاط هذه التضمينات في فضاء فرعي مركزي للمهمة ومحاذاته مع الإشارات الفيزيائية، يمكن للوكلاء تحقيق:

كوامن مقتصدة: تقليل في الأبعاد يعمل على تصفية التفاصيل البصرية غير ذات الصلة مع الحفاظ على الديناميكيات اللازمة للتحكم.
تحكم محسّن: تعزيز أداء التخطيط في البيئات المعقدة وعالية الأبعاد حيث تفشل النماذج التأسيسية القياسية بسبب الضجيج والمتغيرات غير ذات الصلة.
الأساس النظري: تبرير رسمي لسبب كفاية الإسقاطات الخطية والمحاذاة التباينية لاستعادة العوامل ذات الصلة بالمهمة من المشفرات البصرية المجمدة.

يضع المؤلفون TC-WM كجسر بين قوة التعميم للنماذج التأسيسية والقدرة على التحكم المطلوبة للوكلاء الفيزيائيين، معالجين تحديدًا الفجوة في سيناريوهات التعلم غير المتصل الخالية من المكافآت.