ملخص تقني: إطار عمل "الاستدلال-التشخيص-التحسين" القائم على السببية للتكيف مع الأنماط عند وقت الاختبار في نماذج VLA

1. بيان المشكلة

تتنبأ نماذج الرؤية-اللغة-الفعل (VLA) بأفعال الروبوت المتسلسلة بناءً على التعليمات اللغوية، والملاحظات البصرية، والحالات الحسية العميقة (proprioceptive). ورغم فعاليتها، يظل هناك تحدٍ حرج يتمثل في كيفية دمج هذه الأنماط (modalities) أثناء التنفيذ. تتضمن عمليات التحكم في الروبوت مراحل ديناميكية (مثل الحركة لمسافات طويلة مقابل التفاعل عن قرب) حيث تتقلب أهمية الملاحظات البصرية بمرور الوقت.

تعتمد نماذج VLA القائمة على البيانات حاليًا على دمج متعدد الأنماط ثابت ومتعلم، وهو ما قد لا يتكيف مع هذه التحولات الديناميكية. تشير الدراسات الحديثة إلى أن الأهمية البصرية تختلف باختلاف البيئات، وبنيات النماذج، ومراحل انتقال الحركة المحددة. ومع ذلك، فإن تقدير واستغلال هذه الأهمية البصرية الديناميكية لنماذج VLA المجمدة عند وقت الاختبار — دون إعادة تدريب — لا يزال مشكلة مفتوحة. غالبًا ما تستهدف طرق التكيف عند وقت الاختبار الحالية أوضاع الفشل المحددة (مثل انهيار التكييف اللغوي) بدلاً من توفير آلية عامة لضبط الاعتماد على الأنماط ديناميكيًا بناءً على التأثيرات السببية.

2. المنهجية: إطار عمل IDR

يقترح المؤلفون إطار عمل الاستدلال-التشخيص-التحسين (IDR)، وهو إطار عمل مستقل عن النموذج ولا يتطلب تدريبًا، مصمم لتحسين تنبؤات الفعل عند وقت الاختبار من خلال تقدير التأثيرات السببية للملاحظات البصرية. يعمل الإطار عبر ثلاث مراحل:

أ. الاستدلال (الاستدلال المقابل للواقع - Counterfactual Inference)

يبني الإطار سيناريوهات مقابلة للواقع لفصل المدخلات متعددة الأنماط. بالنظر إلى نموذج VLA مجمد $\pi_{\theta^*}$ ومدخلات $(v_t, s_t, l)$ عند الخطوة الزمنية $t$:

1. الفعل الواقعي: حساب الفعل الأساسي $a_{base,t} = \pi_{\theta^*}(v_t, s_t, l)$.
2. الأفعال المقابلة للواقع: تطبيق تدخلات الحشو الصفري (zero-padding interventions) لعزل الأنماط:
   • $a_{no\_img,t} = \pi_{\theta^*}(0_v, s_t, l)$ (تم حجب الملاحظة البصرية).
   • $a_{no\_prop,t} = \pi_{\theta^*}(v_t, 0_s, l)$ (تم حجب الحالة الحسية العميقة).
     يسمح هذا للنموذج باستنتاج كيف سيتغير الفعل إذا كان نمط معين غائبًا.

ب. التشخيص (تكميم التأثير السببي)

يشخص الإطار الأهمية الديناميكية للملاحظات البصرية من خلال قياس الانزياح التوزيعي بين المخرجات الواقعية والمقابلة للواقع:

1. حساب الانحراف: حساب انحرافات الفعل $\Delta_{img,t} = a_{base,t} - a_{no\_img,t}$ و $\Delta_{prop,t} = a_{base,t} - a_{no\_prop,t}$.
2. تقدير المقدار: تكميم مقدار التأثير السببي باستخدام معيار $L_2$:
   • $E_{img,t} = \|\Delta_{img,t}\|_2$
   • $E_{prop,t} = \|\Delta_{prop,t}\|_2$
     يشير $E_{img,t}$ الكبير إلى اعتماد عالٍ على الرؤية (مثل التفاعل عن قرب)، بينما تشير القيمة الصغيرة إلى انخفاض الأهمية البصرية (مثل الحركة لمسافات طويلة).

ج. التحسين (الدمج المتبقي المبوب - Gated Residual Fusion)

توجه التأثيرات السببية المشخصة آلية الدمج المتبقي المبوب لتحسين الفعل الأساسي:

1. البوابة الديناميكية: يتم تفعيل بوابة $g_t$ فقط عندما تكون الأهمية البصرية منخفضة ($E_{img,t} < \tau$، حيث $\tau$ هو عتبة)، وذلك لمنع التصحيح المفرط عندما يعتمد النموذج بالفعل بقوة على الرؤية.
   • $g_t = \mathbb{I}[E_{img,t} < \tau]$
2. التنظيم المحدود: لمنع تذبذب التحكم عالي التردد، يقوم منظم حسي عميق محدود النطاق بتغيير حجم التصحيح الحسي نسبةً إلى الأهمية البصرية.
3. الفعل النهائي: يتم صياغة الفعل النهائي كالتالي:
   $$a_{final,t} = a_{base,t} + g_t \cdot (\alpha \Delta_{img,t} + w_{prop,t} \cdot u_{prop,t})$$
   حيث يتحكم $\alpha$ في قوة التحسين البصري، و $w_{prop,t}$ يغير حجم المصطلح الحسي ديناميكيًا.

3. المساهمات الرئيسية

1. إطار عمل IDR: إطار عمل لا يتطلب تدريبًا ومستقل عن النموذج، يقوم بتقدير الأهمية البصرية عبر الاستدلال السببي ويحسن الأفعال ديناميكيًا عند وقت الاختبار.
2. محسن الأفعال المدرك للسببية: تنفيذ محدد يستخدم تدخلات الحشو الصفري للاستدلال المقابل للواقع، والتقدير القائم على المعيار للتشخيص السببي، والدمج المتبقي المبوب للتحسين الانتقائي للأفعال.
3. التحقق الشامل: تجارب واسعة النطاق عبر أربعة نماذج خلفية لـ VLA ($\pi_{0.5}$، OpenVLA-OFT، X-VLA، VLA-Adapter)، وعدة اختبارات محاكاة (LIBERO، SIMPLER، CALVIN)، ومهام التلاعب باليدين في العالم الحقيقي.

4. النتائج التجريبية

اختبارات المحاكاة

• LIBERO: حسن IDR الأداء عبر جميع نماذج VLA الأربعة المختبرة. لوحظت مكاسب ملحوة في VLA-Adapter (متوسط +1.40%) و $\pi_{0.5}$ (+1.25%). أما X-VLA، الذي يهيمن عليه الحس العميق بالفعل، فقد أظهر مكاسب أقل (+0.45%)، مما يؤكد أن IDR يستهدف الإشارات البصرية غير المستغلة.
• SIMPLER & CALVIN: أظهر IDR متانة تحت انزياحات التوزيع (خلفيات مختلفة، إضاءة، وبيئات غير مرئية). في إعداد "تجميع المتغيرات" (Variant Aggregation) في SIMPLER، حسن IDR الأداء بنسبة +6.33%. وفي CALVIN، زاد متوسط طول المهمة الفرعية المكتملة من 4.22 إلى 4.44.

تجارب العالم الحقيقي

تم التقييم على منصة ARX5 ثنائية الأذرع لمهام تشمل "الإمساك بالكولا"، "طي الملابس"، "كنس القمامة"، و"تنظيم الطاولة".

• الأداء: ارتفع متوسط معدل النجاح من 56.5% إلى 75.3% (+18.8%).
• الكفاءة: رغم الحاجة إلى ثلاث تمريرات أمامية (forward passes) لكل خطوة، إلا أن متوسط وقت الإكمال للمحاولات الناجحة انخفض من 53.6 ثانية إلى 41.5 ثانية بسبب الأفعال الأكثر توجيهًا للمهمة وتقليل الحركة غير الضرورية.
• المهام طويلة الأمد: في مهمة "تنظيم الطاولة"، حقق IDR معدل إكمال كامل بنسبة 33.3% مقارلة بـ 0% للنموذج الأساسي.

دراسات الاستئصال (Ablation Studies)

• استراتيجية التدخل: تفوق الحشو الصفري على ضجيج غاوس (Gaussian noise) وحشو القيمة المتوسطة، مما وفر إشارة مقابلة للواقع أكثر نقاءً.
• المعلمات الفائقة (Hyperparameters): بلغ الأداء ذروته عند مقياس تصحيح $\alpha=0.08$ وعتبة $\tau$ تقترب من متوسط التأثير السببي. التدخل الموحد (بدون بوابة) أدى إلى تدهور الأداء.
• اتجاه النمط: أدى تطبيق التحسين الموجه للحس العميق (لنموذج يهيمن عليه الحس العميق) إلى انخفاض حاد في الأداء، مما يؤكد أن الإشارات البصرية هي المحرك الرئيسي للتصحيح على مستوى المهمة حتى في النماذج التي تعتمد بشدة على الحس العميق.

5. الأهمية والادعاءات

يزعم البحث أن الأهمية البصرية في نماذج VLA هي مهيكلة ولكنها ليست ثابتة؛ فهي تختلف بشكل كبير باختلاف البنيات، والبيئات، ومراحل التنفيذ. تكمن أهمية IDR في قدرته على:

• تشخيص هذه التحولات الديناميكية دون إعادة تدريب النموذج.
• تحسين الأفعال من خلال التعويض الصريح للحظات التي يقل فيها استغلال النموذج للمعلومات البصرية (مثل الحركات لمسافات طويلة حيث قد يعتمد النموذج بشكل مفرط على الحس العميق).
• التعميم عبر مختلف نماذج VLA وإعدادات النشر، مما يوفر استراتيجية عملية لتحسين نماذج VLA المجمدة في سيناريوهات العالم الحقيقي.

يقر المؤلفون بوجود عائق رئيسي: وهو أن الحاجة إلى ثلاث تمريرات أمامية لكل خطوة تحكم تزيد من زمن الاستجابة (latency). ويقترحون أن العمل المستقبلي يمكن أن يتضمن تقطير (distilling) هذه التشخيصات السببية عبر الإنترنت داخل النموذج أثناء التدريب لتمكين التكيف الضمني دون تكلفة إضافية عند وقت الاختبار.