Fast and Accurate: An Adaptive VLA Inference Framework through Environment-aware Model Selection
تقترح هذه الورقة نظام اختيار النموذج المدرك للبيئة (EMS)، وهو إطار عمل استدلالي لنماذج (VLA) يتسم بالتكيف، حيث ينتقل ديناميكياً بين أنظمة تداولية واسعة النطاق مفككة بالكامل وأنظمة تفاعلية خفيفة الوزن بناءً على التغذية الراجعة في الوقت الفعلي، محققاً بذلك تحكماً مغلق الحلقة عالي التردد ونجاحاً قوياً في المهام دون الحاجة إلى تدريب مشترك شامل من البداية إلى النهاية.
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 عالماً لا تكون فيه الروبوتات مجرد أذرع خرقاء تتبع نصوصاً جامدة، بل مساعدين أذكياء يمكنهم الرؤية، والفهم، والتفاعل مع العالم الحقيقي الفوضوي وغير المتوقع. هذا هو حلم "الذكاء المتجسد" (embodied intelligence)—أي منح الآلات جسداً وعقلاً لتمكينها من القيام بأشياء مثل صنع القهوة، أو طي الملابس، أو بناء برج من المكعبات. وللوصول إلى ذلك، يبني العلماء نماذج ذكاء اصطناعي خاصة تسمى نماذج "الرؤية واللغة والعمل" (Vision-Language-Action - VLA). فكر في هذه النماذج كأنها عقل الروبوت الذي يمكنه النظر إلى صورة، وقراءة جملة مثل "التقط الكوب الأحمر"، ثم تحديد كيفية تحريك يده بدقة للقيام بذلك.
ومع ذلك، هناك مشكلة شائكة: فالذكاء والسرعة غالباً ما يكونان عدوين. فالعقول فائقة الذكاء التي يمكنها حل الألغاز المعقدة ووضع استراتيجيات طويلة المدى تكون ثقيلة وبطيئة، مثل لاعب شطرنج عظيم يستغرق دقائق لاتخاذ نقلة واحدة. لكن الروبوت يحتاج إلى التفاعل في طرفة عين—مئات المرات في الثانية—لإمساك جسم يسقط أو لتجنب الاصطدام بجدار. إذا فكر الروبوت طويلاً، فسيضيع اللحظة. وإذا فكر بسرعة كبيرة، فقد يرتكب خطأً سخيفاً. حاول العلماء إصلاح ذلك عبر بناء روبوتات ذات "نظام مزدوج"، مستلهمين ذلك من طريقة تفكير البشر: نظام سريع وغريزي للتفاعلات السريعة، ونظام بطيء ومتأنٍ للقرارات الكبيرة. ولكن حتى الآن، كان هذان النظامان ملتصقين ببعضهما البعض بشدة بحيث لا يمكنهما العمل بشكل مستقل، مما يجعل من الصعب ترقيتهما أو التبديل بينهما.
تقدم هذه الورقة البحثية طريقة جديدة لبناء عقول هذه الروبوتات تسمى EMS (اختيار النموذج المعتمد على البيئة). فبدلاً من لصق العقلين السريع والبطيء معاً، بنى المؤلفون إطار عمل تكون فيه هذه الأنظمة منفصلة تماماً وتعمل بنظام "التوصيل والتشغيل" كزملاء عمل. إنهم يعملون مثل فريق رياضي يتكون من "مدرب" و"لاعب". المدرب (النظام 2) هو النموذج البطيء فائق الذكاء الذي يخطط للاستراتيجية العامة ويضمن إتمام المهمة بشكل صحيح، لكنه بطيء جداً للعمل في الوقت الفعلي. أما اللاعب (النظام 1) فهو النموذج الخفيف فائق السرعة الذي يمكنه تحريك مفاصل الروبوت مئات المرات في الثانية للحفاظ على سلاسة الاستجابة.
المكون السحري هو مفتاح صغير وذكي (وحدة التبديل) يعمل مثل الحكم. فهو يراقب بيئة الروبوت في الوقت الفعلي ويقرر: "هل نحتاج إلى التفكير العميق للمدرب الآن، أم يمكن للاعب التعامل مع الأمر؟". إذا كان الروبوت يتحرك فقط عبر غرفة فارغة، فإن المفتاح يسم ي اللاعب السريع تولي زمام الأمور، مما يحافظ على سلاسة وسرعة الحركة. ولكن إذا كان الروبوت على وشك الإمساك بجسم زلق أو يحتاج إلى فهم خطوة جديدة صعبة، فإن المفتاح يستدعي المدرب فوراً لإلقاء نظرة سريعة وتقديم خطة أفضل. والأهم من ذلك، أن هذين النظامين لا يتشاركان "أفكارهما" الداخلية أو بياناتهما الفوضوية؛ بل يتواصلان فقط بشأن الحركات النهائية التي يريدان القيام بها. وهذا يعني أنه يمكنك استبدال المدرب بآخر أكثر ذكاءً لاحقاً دون الحاجة إلى إعادة تدريب الفريق بأكمله.
اختبر الباحثون هذه الفكرة في كل من محاكاة الكمبيوتر وعلى روبوتات حقيقية بذراعين. في المحاكاة، باستخدام معيار LIBERO، حقق نظامهم معدل نجاح بلغ حوالي 92.4%، وهو ما يعادل جودة استخدام المدرب البطيء والذكي وحده. ولكن إليكم المفاجأة: بينما كان بإمكان المدرب البطيء اتخاذ القرارات بمعدل 6.3 مرة في الثانية فقط، حافظ نظام EMS على حركة الروبوت بسرعة مذهلة بلغت 93.4 هرتز (أي ما يقرب من 100 مرة في الثانية). وهذا يعني أن الروبوت كان بذكاء النموذج البطيء تقريباً، ولكنه كان يتحرك أسرع منه بنحو 15 مرة.
في العالم الحقيقي، اختبروا فكرة تعتمد على روبوت ثنائي الأذرع يقوم بتكديس الأوعية. استغرق النموذج البطيء وحده في المتوسط 29 ثانية لإنهاء المهمة، بينما كان النموذج السريع وحده سريعاً (حوالي 18 ثانية) ولكنه فشل كثيراً لأنه لم يكن حذراً بما يكفي. وجد نظام EMS "النقطة المثالية": فقد أنهى المهمة في 23 ثانية بنسبة نجاح بلغت 70%. وقد فعل ذلك من خلال استخدام النموذج البطيء والحذر في حوالي 15% من الوقت (في المحاكاة) أو بمعدل 1.0 إلى 1.68 مرة أكثر في سيناريوهات محددة في العالم الحقيقي، وهو قدر كافٍ لتصحيح الأخطاء وتخطيط الحركات الصعبة، بينما ترك المهمة الثقيلة للنموذج السريع في معظم الوقت.
تجادل الورقة البحثية صراحةً ضد الأساليب القديمة حيث يكون النظامان السريع والبطيء مرتبطين ارتباطاً وثيقاً ويتشاركان البيانات الداخلية. وجد المؤلفون أن هذا الارتباط الوثيق يجعل من المستحيل ترقية أي جزء دون إعادة تدريب الكل، كما أنه يحد من السرعة التي يمكن أن يتحرك بها الروبوت فعلياً. ويشير نهجهم "غير المترابط" إلى أن إبقاء الأنظمة منفصلة مع السما_ت مفتاح ذكي يديرها هو المفتاح لجعل الروبوتات سريعة وموثوقة في آن واحد. وبينما تبدو النتائج واعدة، يشير المؤلفون إلى أن النظام في العالم الحقيقي لا يزال محدوداً بسرعة النموذج السريع، وأن معدل النجاح يعتمد بشكل كبير على مدى قدرة النموذج السريع على أداء المهمة بمفرده. ولكن من خلال استخدام النموذج البطيء عند الضرورة القصوى فقط، أظهروا أن الروبوتات يمكنها أخيراً البدء في التفكير بعمق دون أن تفقد ردود أفعالها السريعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.