SC$^{2}$-WM: A Self-Correcting World Model with Closed-Loop Feedback for Vision-and-Language Navigation in Continuous Environments

تخيل أنك تعلم روبوتًا ليكون مرشدًا سياحيًا في متاهة عملاقة غير مرئية. الروبوت لديه كاميرا ويمكنه سماع صوتك، لكنه لا يستطيع رؤية الخريطة كاملة في وقت واحد. هو يرى فقط ما هو موجود مباشرة أمام عدسته. هذا هو عالم الملاحة القائمة على الرؤية واللغة (VLN). يتعين على الروبوت الاستماع إلى جملة مثل "مر بجانب الأريكة الحمراء، انعطف يسارًا عند الممر، وتوقف عند المصباح"، ثم يتحرك بجسده فعليًا للعثور على ذلك المصباح. الجزء الصعب هو أن الروبوت "يلاحظ جزئيًا"، مما يعني أنه مثل المشي في منزل مظلم باستخدام مصباح يدوي؛ يمكنك رؤية دائرة صغيرة من الضوء فقط، وعليك أن تتذكر أين كنت لتعرف أين أنت الآن.

تحاول معظم الروبوتات اليوم حل هذه المشكلة عن طريق وضع خطة ثم تنفيذها خطوة بخطوة، دون النظر إلى الوراء ليروا ما إذا كانوا لا يزالون على المسار الصحيح. الأمر يشبه قيادة سيارة بينما تحدق في خريطة ورقية، رافضًا النظر من الزجاج الأمامي حتى تصطدم بحائط. إذا ارتكب الروبوت خطأً صغيرًا في البداية —مثل الانعطاف يسارًا أكثر قليلاً من اللازم— فإنه يستمر في السير في ذلك الاتجاه الخاطئ، ويتراكم الخطأ حتى يضيع تمامًا. تقدم هذه الورقة طريقة جديدة لتفكير الروبوت: بدلاً من مجرد السير بعمى، يتعلم الروبوت كيف "يحلم يقظة" عما سيحدث بعد ذلك، ويتحقق مما إذا كان هذا الحلم يتوافق مع مشاعره الحالية، ويصحح مساره قبل أن يتخذ خطوة واحدة.

الروبوت الذي يحلم يقظة لتجنب الضياع

تعرف على SC2-WM، وهو عقل روبوت جديد مصمم للتنقل في هذه العوالم ثلاثية الأبعاد المستمرة والمعقدة. لاحظ مؤلفو هذه الورقة أن معظم الروبوتات تشبه الطلاب الذين يخوضون اختبارًا دون مراجعة إجاباتهم. يقرأ التعليمات، يضع تخمينًا، ثم يتحرك. إذا أخطأ في التخمين، فإنه لا يدرك ذلك حتى يصطدم بحائط أو يعلق. أراد الباحثون منح الروبوت "عينًا ثانية" تعيش داخل رأسه.

فكر في SC2-WM كروبوت يمتلك قوة خارقة: الاستشراف. قبل أن يحرك الروبوت قدميه فعليًا، يتوقف ويسأل نفسه: "إذا اتخذت هذه الخطوة، كيف سيبدو العالم بعد ثانية واحدة من الآن؟". إنه ينشئ فيلمًا ذهنيًا للمستقبل. هذا ما يسمى بـ "نموذج العالم" (World Model). إنه مثل لاعب الشطرنج الذي لا يحرك قطعة فحسب، بل يتخيل حركة الخصم التالية وحالة اللوحة بعد ذلك.

هنا يحدث السحر. يقارن الروبوت "فيلمه الذهني" للمستقبل مع واقعه الحالي.

• الإصلاح على مستوى الحالة (State-Level): تخيل أنك تمشي وتحلم بأنك يجب أن ترى مطبخًا، لكن عينيك تخبرانك أنك لا تزال في غرفة نوم. يقول عقلك: "انتظر، هناك خطب ما!". يفعل SC2-WM الشيء نفسه بالضبط. إنه يلاحظ عدم التطابق بين توقعه وحالته الحالية. ثم يقوم بلطف بتعديل خريطته الداخلية لإصلاح الخطأ قبل أن يتخذ الخطوة. إنه مثل نظام تحديد المواقع (GPS) الذي يدرك أنك أخطأت المنعطف ويعيد حساب المسار فورًا قبل أن تقود في الشارع الخاطئ.
• الإصلاح على مستوى النموذج (Model-Level): في بعض الأحيان، لا تكون قدرة الروبوت على أحلام اليقظة جيدة بما يكفي لغرفة غريبة لم يرها من قبل. ربما تكون الجدرة بلون مختلف، أو الأثاث مرتبًا بشكل غريب. في هذه الحالات، يدرك الروبوت: "خريطتي الداخلية قديمة!". ثم يفعل "وضع التكيف" الخاص به. يقوم بتحديث قواعد عقله بسرعة لفهم هذا البيئة الجديدة بشكل أفضل. إنه مثل طالب يدرك أن دليل الدراسة الخاص به خاطئ لهذا الاختبار المحدد، فيقوم بسرعة بإعادة كتابة ملاحظاته لتناسب الأسئلة الجديدة.

تجادل الورقة بأن الاعتماد على المكافآت الخارجية (مثل قول إنسان "عمل جيد!" في النهاية فقط) بطيء ونادر للغاية. بدلاً من ذلك، يستخدم SC2-WM التغذية الراجعة الداخلية. إنه يستمع إلى "شعوره الداخلي" (الفرق بين ما توقعه وما يراه) لتصحيح مساره في الوقت الفعلي.

ما أظهرته التجارب

اختبر الباحثون روبوت "أحلام اليقظة" هذا في عالمين رقميين رئيسيين: R2R-CE و RxR-CE. هذه بيئات ثلاثية الأبعاد معقدة مليئة بالأثاث والممرات والتعليمات الصعبة. قارنوا SC2-WM مقابل روبوتات أخرى رائدة لا تمتلك هذه القدرة على التصحيح الذاتي.

كانت النتائج واعدة للغاية. في مجموعة بيانات R2R-CE، عندما كان على الروبوت التنقل في غرف غير مرئية (مثل منزل جديد لم يزره من قبل)، حسن SC2-WM معدل النجاح (SR) بنسبة 7.1% و النجاح الموزون بطول المسار (SPL) بنسبة تقارب 7.8% مقارنة بأفضل طريقة سابقة. كما سلك مسارات أقصر، بمتوسط 5 أمتار أقل من المسافة التي قطعها الآخرون، مما يعني أنه لم يتجول كثيرًا.

وفي مجموعة بيانات RxR-CE الأكثر صعوبة، والتي تحتوي على تعليمات أطول وأكثر تعقيدًا، حسن الروبوت معدل نجاحه بنسبة 9.1% وكفاءة مساره بنسبة 7.1%. كما اختبر الباحثون الروبوت على روبوت حقيقي مادي، وهو Unitree GO2 quadruped (روبوت رباعي الأرجل يشبه الكلب) مزود بكاميرا. في العالم الحقيقي، حقق SC2-WM معدل نجاح بنسبة 85%، متفوقًا على الروبوت القياسي الذي حقق 70%. يشير هذا إلى أن خدعة "أحلام اليقظة" لا تعمل فقط في المحاكاة الحاسوبية، بل في الغرف الحقيقية الفوضوية أيضًا.

لماذا هذا مهم

تشير الورقة إلى أنه من خلال منح الروبوتات القدرة على التحقق من توقعاتها الداخلية، يمكننا جعلها أكثر موثوقية. بدلاً من كونها آلات جامدة تتبع نصًا وتفشل عندما تسوء الأمور قليلًا، يعمل SC2-WM كأنه مستكشف حذر يتحقق باستمرار من بوصلته. هو لا يحتاج إلى إنسان ليخبره أنه مخطئ؛ بل يكتشف ذلك من خلال إدراك أن "حلم يقظته" لم يتطابق مع الواقع.

يلاحظ المؤلفون بحذر أن هذا ليس حلاً سحريًا يحل كل شيء فورًا. فقد وجدوا أن الروبوت يعمل بشكل أفضل عندما يكون لديه ذاكرة جيدة للخطوات الأخيرة (حوالي 4 خطوات للوراء) وعندما يقوم بتحديث قواعد عقله فقط عندما يحتاج إلى ذلك حقًا. كما أشاروا إلى أنه بينما تستخدم بعض الطرق الأخرى نماذج ذكاء اصطناعي ضخمة وثقيلة، فإن SC2-WM "خفيف الوزن"، حيث يعمل بكفاءة على بطاقة رسوميات واحدة. وهذا يعني أنه يمكن وضعه في النهاية على روبوتات حقيقية صغيرة تحتاج إلى التنقل في منازلنا دون الحاجة إلى حاسوب خارق في السحابة.

باختصار، يعلم SC2-WM الروبوتات أن تكون أكثر وعيًا بذاتها. من خلال السماح لها بـ "التفكير مسبقًا" وتصحيح أخطائها قبل وقوعها، قد نحصل أخيرًا على روبوتات يمكنها التنقل في عالمنا المعقد والفوضوي دون أن تضيع في أول ممر.