← أحدث الأبحاث
💻 computer science

MemVLN: Episodic and Procedural Memory for Vision-and-Language Navigation

يُعد MemVLN إطار عمل للملاحة البصرية واللغوية في الوقت الفعلي، حيث يحقق أداءً هو الأفضل في فئته وبسرعة استدلال تبلغ 14 إطاراً في الثانية من خلال دمج ذاكرة عرضية هرمية للاحتفاظ الفعال بالتاريخ طويل المدى مع ذاكرة إجرائية تستخدم إجراءات ذرية متوسطة المستوى لتجاوز زمن تأخير فك الترميز ذاتي الانحدار.

المؤلفون الأصليون: Yuqi Liu, Shengju Qian, Tianyuan Qu, Mingxian Lin, Zixuan Wang, Xin Wang, Bei Yu, Jiaya Jia

نُشر 2026-07-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC0 1.0

المؤلفون الأصليون: Yuqi Liu, Shengju Qian, Tianyuan Qu, Mingxian Lin, Zixuan Wang, Xin Wang, Bei Yu, Jiaya Jia

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 تعليم روبوت كيف يسير داخل منزل لم يره من قبل، مسترشداً فقط بصوت يقول: "اذهب إلى المطبخ، انعطف يساراً عند المزهرية الزرقاء، وتوقف بجانب الثلاجة". هذا هو عالم الملاحة عبر الرؤية واللغة (VLN). إنه فرع من فروع الروبوتات والذكاء الاصطناعي حيث يجب على العميل الحاسوبي فهم التعليمات المنطوقة والنظر إلى العالم من خلال كاميرا لتحديد وجهته التالية. الجزء الصعب هو أن الروبوت لا يمكنه مجرد القفز من مكان إلى آخر كما في ألعاب الفيديو؛ بل يتعين عليه اتخاذ إجراءات حقيقية خطوة بخطوة في مساحة مستمرة. وللقيام بذلك بشكل جيد، يحتاج الروبوت إلى قوتين خارقتين: ذاكرة طويلة المدى لتذكر من أين بدأ وإلى أين يتجه (حتى لا يضيع)، وردود فعل سريعة للاستجابة فوراً لما يراه الآن. إذا كان الروبوت بطيئاً جداً في التفكير، فسيصطدم بالجدران؛ وإذا نسي الماضي، فسوف يدور في حلقات مفرغة. لقد حاول العلماء بناء روبوتات يمكنها القيام بكليهما في وقت واحد، لكنهم عادة ما يضطرون للاختيار بين أن يكون الروبوت ذكياً أو سريعاً.

إليك MemVLN، وهو "دماغ روبوت" جديد صُمم ليكون قادراً على الجمع بين الميزتين معاً. أدرك الباحثون وراء هذا المشروع أن الروبوتات الحالية تعاني لأنها تحاول تذكر كل تفصيل من رحلتها بنفس الجودة العالية، مما يبطئ حركتها بشكل كبير. يحل MemVLN هذه المشكلة من خلال محاكاة كيفية عمل الذاكرة البشرية فعلياً؛ حيث يقسم ذاكرته إلى نوعين خاصين: الذاكرة العرضية (Episodic Memory) والذاكرة الإجرائية (Procedural Memory). فكر في الذاكرة العرضية كألبوم صور تكون فيه الصور الأخيرة عالية الدقة، بينما تُختصر الصور الأقدم إلى صور مصغرة جداً. هذا يسمح للروبوت بالحفاظ على صورة واضحة لما هو موجود فيه الآن، مع استمرار تذكره للشكل العام للمسار الذي اتخذه قبل ساعات، دون أن يثقله الكثير من البيانات. أما الذاكرة الإجرائية، فهي تشبه "ذاكرة العضلات" عند القيادة أو الكتابة على لوحة المفاتيح. فبدلاً من أن يتوقف الروبوت ليكتب بعناً جملة طويلة مثل "سأنعطف الآن يساراً وأمشي للأمام"، فإنه يستخدم مفردات مختصرة من "رموز أفعال" جاهزة. وهذا يسم يسمح له باتخاذ القرارات في لمح البصر، متجاوزاً عملية التفكير البطيئة خطوة بخطوة التي تسبب التأخير عادةً.

يقدم البحث إطار عمل MemVLN الذي ينجح في دمج هذين النوعين من الذاكرة للتنقل في البيئات المستمرة بسرعة تصل إلى 14 إطاراً في الثانية (FPS). ويمثل هذا قفزة كبيرة في السرعة مقارنة بالطرق السابقة، والتي يشير المؤلفون إلى أنها غالباً ما تكافح لتحقيق التوازن بين الحاجة إلى تاريخ بصري طويل والحاجة إلى التحكم في الوقت الفعلي. وباستخدام استراتيجية "الدقة الهرمية" لذاكرته العرضية، يعالج النظام المشاهد الفورية بدقة كاملة تبلغ 512 × 512، والمشاهد قصيرة المدى بدقة 256 × 256، والتاريخ طويل المدى بدقة مضغوطة تبلغ 128 × 128. يضمن ذلك بقاء الروبوت مركزاً على ما هو أمامه مباشرة مع الاحتفاظ بملخص مضغوط للماضي. وبالنسبة لذاكرته الإجرائية، استبدل الفريق الطريقة التقليدية البطيئة لتوليد الأفعال (والتي تستغرق أكثر من 300 مللي ثانية للتسلسل الواحد) بآلية "الفعل السريع" التي تستخدم رمزاً واحداً لتمثيل حركة معقدة، مما قلل الوقت إلى حوالي 70 مللي ثانية.

تشير نتائج اختبار MemVLN على معايير الملاحة القياسية، وتحديداً R2R-CE وRxR-CE، إلى أن هذا النهج يعمل بشكل جيد للغاية. وجد المؤلفون أن نموذجهم MemVLN-4B قد تفوق على بنية Qwen3-VL-4B الأساسية بنسبة 5.8% في معدل النجاح على مجموعة بيانات R2R وبنسبة 9.7% على مجموعة بيانات RxR. ولعل الأمر الأكثر إثارة للإعجاب هو أن النظام الجديد حقق تسريعاً بمقدار 7 أضعاف في زمن استجابة الاستدلال، مما سمح له بالعمل في الوقت الفعلي. ويجادل البحث صراحة ضد فكرة أن "دمج الرموز" (وهي طريقة تستخدمها أنظمة أخرى لضغط البيانات) هي الحل الأمثل، مشيراً إلى أنها تدمر الشبة المكانية اللازمة لتحديد المواقع المتقدم. بدلاً من ذلك، تحافظ "الدقة الهرمية" الخاصة بهم على هيكل الشبكة مع ضغط البيانات في الوقت نفسه. كما اختبر المؤلفون "أشكالاً" مختلفة لهرم الذاكرة ووجدوا أن التصميم "الصاعد"، الذي يمنح المشاهد الأحدث أعلى دقة، هو الأفضل أداءً. وبينما يعتمد النموذج فقط على فيديو RGB قياسي (تماماً مثل العين البشرية) واللغة الطبيعية، دون مستشعرات إضافية مثل كاميرات العمق، فإن هذا يشير إلى أن نظام الذاكرة الذكي يمكنه تعويض محدودية البيانات البصرية. وتؤكد الدراسة أنه من خلال الموازنة بين الملاحظات عالية الدقة للمشاهد الحديثة والتاريخ المضغوط، واستخدام مفردات الحركة السريعة، يمكن للروبوتات التنقل في المساحات المعقدة وغير المرئية بشكل أكثر فعالية وسرعة من أي وقت مضى.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →