SAGP: Semantic Affordance-Guided Grasp Planning via Coarse-Zone VLM Reasoning

تخيل عالماً تكون فيه الروبوتات مثل الأطفال الصغار الأقوياء جداً ولكنهم مهملون جداً في حركتهم. يمكنهم رفع صندوق، لكنهم قد يرفعون الصندوق من زاوية حادة، أو يحاولون الشرب من كوب عبر الإمساك بحافته الساخنة بدلاً من المقبض. هذا هو التحدي المتمثل في الإمساك الروبوتي (robotic grasping). لفترة طويلة، علم العلماء الروبوتات أن تكون "خبراء هندسة". فقد برمجوها للبحث عن شكل الكائن، وإيجاد نقطتين تتناسبان تماماً بين أصابع الروبوت (مثل الملقط)، ثم الإمساك به بقوة. هذا يعمل بشكل رائع من الناحية الفيزيائية؛ فالروبوت لا يسقط الشيء. لكنه يفشل في "المنطق السليم". فالخبير الهندسي لا يعرف أنه لا ينبغي لك الإمساك بسكين من النصل أو بمثقاب من المحرك الدوار. هو يرى فقط "نقطتين تتناسبان".

لإصلاح ذلك، يحاول الباحثون الآن تعليم الروبوتات "الدلالات" (semantics)—أي المعنى وراء الأشكال. يريدون من الروبوتات أن تفهم أن المقبض مخصص للإمساك، والنصل مخصص للقطع، والحافة مخصدة للشرب. العقبة الكبيرة هي أن الروبوتات سيئة في تخمين الإحداثيات الدقيقة (مثل "أمسك على بُعد 3.4 بوصة من اليسار")، وهي سيئة أيضاً في التعرف على الأجزاء الصغيرة والمحددة دون سنوات من التدريب. تحاول هذه الورقة البحثية، SAGP، جسر هذه الفجوة. وهي تسأل: هل يمكننا صنع روبوت يفهم أين يمسك دون الحاجة إلى شهادة دكتوراه في التعرف على الأشياء أو قاعدة بيانات ضخمة لكل كائن في العالم؟

المشكلة: الروبوت الذي يمسك الطرف الخاطئ

لاحظ مؤلفو هذه الورقة مشكلة مضحكة ولكنها محبطة. المخططون الروبوتيون التقليديون يشبهون شخصاً لم يرَ كوب قهوة من قبل. إذا طلبت منهم التقاطه، فقد يمسكونه من الحافة، أو من القاعدة، أو حتى من المقبض إذا حالفهم الحظ. هم قادرون جسدياً على حمله (القبضة قوية)، لكن النتيجة كارثية. إذا أمسكت بالكوب من حافته، فقد تحرق يدك أو تسكب القهوة. إذا أمسكت بالمثقاب من المحرك، فقد تكسره.

تحاول الحلول الحالية إصلاح هذا بطريقتين، لكن كلتاهما بها عيوب. يحاول البعض جعل الروبوت يخمن الإحداثيات الدقيقة للمقبض، لكن الروبوتات غالباً ما "تتخيل" (تختلق) أماكن الأشياء، مما يؤدي إلى أخطاء فادحة. والبعض الآخر يحاول تعليم الروبوت التعرف على كل جزء صغير من كل كائن، لكن هذا يتطلب تدريب الروبوت على آلاف الأمثلة لكل شيء جديد يراه، وهو أمر بطيء ومكلف.

الحل: خريطة "المنطقة الخشنة" (Coarse-Zone Map)

ابتكر المؤلفان، مهيي الدين وحسين، فكرة ذكية لا تتطلب تدريباً تسمى SAGP (التخطيط للإمساك الموجه بالدلالات الوظيفية). فكر في الأمر كأنك تعطي الروبوت خريطة ذات مناطق كبيرة وبسيطة بدلاً من خريطة شوارع عالية الدقة.

بدلاً من مطالبة الروبوت بإيجاد "المقبض الدقيق"، يقوم نظام SAGP أولاً بتفكيك الكائن إلى قطع كبيرة وبسيطة باستخدام طريقة تسمى التجريد للمناطق الخشنة (coarse-zone abstraction). تخيل أن لديك لعبة غريبة الشكل. لا يحاول SAGP تحديد "الجناح الأيسر" أو "الزر الأيمن". بدلاً من ذلك، يستخدم خدعة رياضية (تسمى PCA) لمعرفة الاتجاه الذي يكون للأعلى، ثم يقطع الكائن إلى مناطق كبيرة: الأعلى، المنتصف، الأسفل، اليسار، اليمين، الأمام، الخلف، والنتوءات (الأشياء البارزة، مثل المقابض أو المقابض الدوارة).

بمجرد تقسيم الكائن إلى هذه المناطق الكبيرة، يلتقط الروبوت صورة له ويسأل نموذج لغة ورؤية (VLM)—وهو ذكاء اصطناعي فائق الذكاء قرأ ملايين الكتب ورأى ملايين الصور—سؤالاً بسيطاً: "إذا حاولت الإمساك بمنطقة 'الأعلى'، فهل ذلك جيد، مقبول، سيء، أم خطير؟"

لا يحتاج الذكاء الاصطناعي لمعرفة الإحداثيات الدقيقة. يحتاج فقط لقول: "الإمساك بـ 'النتوء' (المقبض) هو جيد"، و"الإمساك بـ 'النصل' هو خطير".

كيف يعمل: الرقصة المكونة من خمس خطوات

تتم العملية بأكملها عبر مسار لا يتطلب من الروبوت تعلم أي شيء جديد:

1. النظر والتقطيع: يرى الروبوت الكائن ويقطعه إلى تلك المناطق الكبيرة (الأعلى، الأسفل، المقبض، إلخ).
2. توليد المرشحين: يولد مئات الطرق الممكنة للإمساك بالكائن باستخدام قواعد هندسية قياسية (إيجاد أزواج من النقاط التي تناسب الأصابع).
3. سؤال الذكاء الاصطناعي: يعرض الكائن على الذكاء الاصطناعي ويسأله: "ما مدى جودة الإمساك بمنطقة 'الأعلى'؟ منطقة 'المقبض'؟"
4. التقييم وإعادة الترتيب: يعطي الذكاء الاصطناعي درجة لكل منطقة. ثم يأخذ الروبوت قائمة عمليات الإمساك الهندسية ويعيد ترتيبها. إذا وقعت القبضة على منطقة "خطيرة"، يحصل على عقوبة كبيرة. وإذا وقعت على منطقة "جيدة"، يحصل على مكافأة.
5. اختيار الفائز: يختار الروبوت عملية الإمساك ذات الدرجة الأعلى ويحاول تنفيذها.

ماذا وجدوا: أذكى، وليس فقط أقوى

اختبر الباحثون هذا النظام في محاكاة حاسوبية باستخدام ذراع روبوت "فرانكا باندا" و14 كائناً مختلفاً من مجموعة YCB (وهي مجموعة قياسية من الأدوات المنزلية مثل الأكواب، الموز، المثاقب، والعلب). وقارنوا طريقتهم الجديدة بطريقتين أخريين: روبوت "هندسي فقط" قياسي، وروبوت حاول أن يطلب من الذكاء الاصطناعي إحداثيات إمساك دقيقة.

كانت النتائج واضحة:

• لم يكسر الفيزياء: حافظت الطريقة الجديدة على معدل النجاح العالي للطريقة القديمة المعتمدة على الهندسة فقط (أكثر من 90% نجاح في المحاكاة). ظل الروبوت يمسك بالأشياء بإحكام.
• أصلح المنطق السليم: كان الفوز الأكبر في الملاءمة الوظيفية. بالنسبة للكائنات التي لها مقابض (مثل الأكواب، المثاقب، والمقصات)، أمسك النظام الجديد بالمقبض أكثر من 60% من الوقت. بينما أمسك النظام القديم (الهندسي فقط) بالمقبض بالصدفة فقط، وغالباً ما كان يمسك بجسم الكائن أو حافته.
• تجنب فخ "التخيل": الطريقة التي طلبت من الذكاء الاصطناست إحداثيات دقيقة فشلت أكثر لأن الذكاء الاصطناعي ارتبك بشأن الموقع الدقيق. ومن خلال الالتزام بالمناطق الكبيرة، تجنب SAGP هذه الأخطاء.
• سريع بما يكفي: الجزء "البطيء" الوحيد كان سؤال الذكاء الاصطناعي في المرة الأولى (حوالي 1 إلى 3 ثوانٍ)، ولكن بما أن الروبوت يتذكر الإجابات لنفس الكائن، فإنه يصبح أسرع في المحاولات المتكررة.

الحكم النهائي

تشير الورقة البحثية إلى أن SAGP هو وسيلة عملية لمنح الروبوتات منطقاً سليماً دون الحاجة لتدريبها على كل كائن في العالم. إنه يعمل بشكل أفضل على الكائنات التي لا يكون مكان الإمساك "الصحيح" فيها واضحاً من الشكل وحده (مثل المثقاب الذي له مقبض). أما بالنسبة للأجسام المستديرة تماماً مثل علب الصودا، فإنه يعمل تماماً مثل الروبوت القديم المعتمد على الهندسة فقط، وهذا أمر جيد لأن أي مكان في علبة الصودا عادة ما يكون مكاناً جيداً للإمساك.

يؤكد المؤلفون هذه النتائج بناءً على محاكاتهم، لكنهم يشيرون إلى أن الروبوتات في العالم الحقيقي قد تواجه تحديات مع الأجسام الصغيرة جداً أو الأجسام الموجودة في وضعيات غريبة. ومع ذلك، فإن الفكرة الجوهرية—استخدام مناطق كبيرة وبسيطة لترجمة اللغة البشرية إلى أفعال روبوتية—تبدو جسراً متيناً لا يتطلب تدريباً للربط بين ما تراه الروبوتات وما يجب أن تفعله. إنها خطوة نحو روبوتات لا تكتفي فقط بالتقاط الأشياء، بل تلتقطها بالطريقة الصحيحة.