Can Vision-Language Models Assess Proxemic Risk from Egocentric Robot Images?
تقيم هذه الدراسة نماذج الرؤية واللغة مفتوحة المصدر لتقييم مخاطر التقارب من صور الروبوتات ذات المنظور الشخصي، وتجد أنه في حين أن الضبط الدقيق لا يقدم سوى مكاسب إجمالية متواضعة، فإن التلقين المتقدم يحسن بشكل كبير اكتشاف الخطورة العالية في نماذج معينة مثل Qwen-VL، رغم أن التصنيفات الصحيحة للسلامة لا ترتبط بالضرورة بالتأسيس المكاني الدقيق.
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 أنك تعلم روبوتًا كيف يمشي عبر مقهى مزدحم. أنت لا تريد منه فقط أن يرى طاولة؛ بل تريده أن "يشعر" بالمساحة المحيطة به. هذا هو عالم البروكسيميكس (proxemics)، وهي كلمة منمقة تعني دراسة مقدار المساحة الشخصية التي يحتاجها البشر ليشعروا بالراحة. فكر في الأمر كفقاعات غير مرئية: فقاعة ضيقة لأفضل صديق، وفقاعة متوسطة لزميل عمل، وفقاعة واسعة لشخص غريب. إذا اقتحم روبوت فقاعتك الضيقة دون استئذان، فسيكون ذلك وقاحة وقد يكون خطيرًا.
الآن، تخيل إعطاء هذا الروبوت كاميرا على رأسه (منظور "إيجوسنتريك" أو منظور ذاتي) ليرى العالم تمامًا كما نراه نحن. السؤال الكبير الذي يسأله العلماء هو: هل يمكننا تعليم الروبوت أن ينظر إلى صورة ويعرف فورًا: "أوه لا، أنا قريب جدًا من ذلك الشخص!" أو "يا للروعة، لدي مساحة كافية"؟ هنا يأتي دور نماذج الرؤية واللغة (VLMs). هذه برامج ذكاء اصطناعي فائقة الذكاء يمكنها النظر إلى صورة والتحدث عنها، تمامًا مثل روبوت يمكنه قراءة كتاب مصور وإخبارك بالقصة. الباحثون متحمسون لأنهم إذا تمكنت هذه الأنظمة من فهم المساحة الشخصية بمجرد النظر، فقد لا نحتاج إلى مستشعرات باهظة الثمن وثقيلة على كل روبوت. يمكننا فقط منحهم كاميرا وعقلًا.
لكن إليك المنعطف المفاجئ: مجرد قدرة الذكاء الاصطناعي على وصف صورة لا يعني أنه يفهم حقًا أين توجد الأشياء في الفضاء ثلاثي الأبعاد. تختبر هذه الورقة البحثية ثلاثة "أدمغة" مختلفة من الذكاء الاصطناعي لترى ما إذا كان بإمكانها العمل كحارس سلامة للروبوتات.
التجربة: هل يمكن للذكاء الاصطناعي رصد الخطر؟
بنى الباحثون مجموعة تدريب خاصة باستخدام 1,243 صورة ملتقطة من وجهة نظر روبوت في بيئات واقعية. قاموا بتصنيف كل صورة بـ "مستوى خطر" بناءً على مدى قرب الناس من الروبوت:
- خطر مرتفع: شخص ما في وجه الروبوت مباشرة (اصطدام وشيك!).
- خطر متوسط: شخص ما قريب، ويحتاج الروبوت إلى التحرك بحذر.
- خطر منخفض: شخص ما قريب، لكن على الروبوت فقط مراقبته.
- أدنى مستوى خطر: الطريق خالي.
اختبروا ثلاثة نماذج ذكاء اصطناعي مفتوحة المصدر: InternVL و SmolVLM و Qwen-VL. حاولوا تعليم هذه النماذج بطريقتين: أولاً، عبر طرح أسئلة عليهم بأساليب مختلفة (مثل إعطاء أمر بسيط مقابل لغز معقد يتطلب تفكيرًا خطوة بخطوة)، وثانيًا، عبر إعطائهم قدرًا ضئيلًا من التدريب الإضافي (يسمى "الضبط الدقيق" أو fine-tuning) على 200 صورة محددة.
النتائج: بطل واحد، واثنان يعانيان
كانت النتائج مزيجًا من "ليس سيئًا" و"ليس جيدًا بما يكفي".
1. مشكلة "التخمين العشوائي"
بدون أي تدريب خاص، أدت النماذج الثلاثة أداءً يشبه تمامًا طالبًا يخمن في اختبار متعدد الخيارات. كانت دقة أدائهم العامة بالكاد أفضل من رمي عملة معدنية. وحتى بعد التدريب الإضافي، لم تتحسن القدرة العامة على تصنيف جميع مستويات الخطر الأربعة بشكل صحيح كثيرًا. يبدو الأمر كما لو أن النماذج كانت جيدة في وصف المقهى ولكنها سيئة جدًا في معرفة متى تتوقف عن المشي.
2. استثناء Qwen
ومع ذلك، كان هناك بطل بارز واحد: Qwen-VL. فبينما فشل النموذجان الآخران (InternVL و SmolVLM) أساسًا في رصد الحالات الأكثر خطورة (فقدوا معظمها تقريبًا)، نجح Qwen-VL بالفعل في رصد سيناريوهات "الخطر المرتفع".
- والأهم من ذلك، أن هذا التحسن جاء من مزيج محدد من كيفية طرح السؤال وكيفية تدريب النموذج. تم تحقيق أفضل النتائج عند استخدام "مطالبة" (prompt) معقدة للغاية تطلب من الذكاء الاصطناعي "التفكير خطوة بخطوة" بالإضافة إلى جولة أولى من الضبط الدقيق. بهذا الإعداد، تمكن Qwen-VL من رصد حوالي 79% من حالات الخطر العالي.
- أما النماذج الأخرى، حتى مع نفس المطالبات المعقدة والتدريب، فقد ظلت تفقد كل شيء تقريبًا.
- ومن المثير للاهتمام أن إعطاء Qwen-VL تدريبًا إضافيًا (جولة ثانية من الضبط الدقيق) لم يساعد كثيرًا؛ إذ جاءت أكبر دفعة من ذلك الاقتران المحدد بين "مطالبة التفكير المتقدمة" وجولة الضبط الدقيق الأولى.
3. مفاجأة "النقطة العمياء"
هذا هو الجزء الأكثر إثارة للاهتمام. تحقق الباحثون مما إذا كان الذكاء الاصطناعي ينظر حقًا إلى الشخص ليقرر ما إذا كان الوضع خطرًا. طلبوا من الذكاء الاصطناعي رسم مربع حول الشخص الذي يخشاه.
- الصدمة: حتى عندما صرخ Qwen-VL بكلمة "خطر!" بشكل صحيح، فإنه غالبًا لم يرسم المربع حول الشخص الصحيح. أحيانًا كان يشير إلى الأرض، وأحيانًا إلى الجدار، وأحيانًا إلى الشخص الصحيح.
- الاستنتاج: تشير الورقة إلى أن النموذج قد يخمن مستوى الخطر بناءً على "شعور" أو نمط في الصورة بأكملها، بدلاً من فهم المسافة المحددة للشخص فعليًا. إنه يشبه طالبًا يحصل على الإجابة الصحيحة في اختبار رياضيات ولكنه لا يستطيع إظهار خطوات الحل أو الإشارة إلى الأرقام التي استخدمها.
ماذا يعني هذا لسلامة الروبوت؟
تخلص الورقة إلى أنه على الرغم من أن نماذج الذكاء الاصطناعي هذه تصبح أكثر ذكاءً، إلا أنها ليست جاهزة تمامًا لتكون حارس السلامة الوحيد لروبوت يمشي وسط حشد.
- لا يمكن الوثوق بها بعد: إذا اعتمدت عليها، فقد تفوتك عملية اصطدام لأن النموذج يعتقد أن الوضع آمن بينما هو ليس كذلك، أو قد يصاب بالذعر عندما يكون الوضع آمنًا.
- المطالبات والتدريب المحدد أمران مهمان: ساعد إعطاء النماذج تدريبًا إضافيًا بسيطًا Qwen-VL بشكل طفيف فقط، لكنه لم يصلح النماذج الأخرى. جاءت أكبر المكاسب من طلب التفكير بعمق من النموذج بالتزامن مع تكوين محدد للضبط الدقيق.
- الخطر "الأعمى": الخلاصة الكبرى هي أن الحصول على التصنيف الصحيح (خطر مرتفع) لا يعني أن الروبوت يعرف لماذا هو خطير. قد يكون محقًا لأسباب خاطلة.
باختًا، نماذج الرؤية واللغة هذه تشبه السياح كثيري الكلام الذين يمكنهم وصف مشهد بجمال ولكنهم غالبًا ما يضيعون عندما يُطلب منهم التنقل فيه. إنها تظهر وعودًا، خاصة نموذج Qwen عندما يُطلب منه التفكير بعناية ويتم تدريبه بشكل صحيح، لكنها لا تزال بحاجة إلى الكثير من الممارسة قبل أن نتركها تقود روبوتًا عبر شارع مزدحم دون وجود إنسان يراقب خلف ظهرها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.