Mamba-based Selective State Space Modeling Improves the Accuracy-Complexity Tradeoff of SmolVLA Vision-Language-Action Experts
تُثبت هذه الورقة أن دمج نمذجة الحالة الانتقائية القائمة على Mamba في خبير الأفعال SmolVLA يحسن بشكل كبير من مقايضة الدقة والتعقيد لنماذج الرؤية واللغة والأفعال، محققاً معدلات نجاح متفوقة على نماذج Transformer أثناء التنفيذ طويل المدى مع تقليل تعقيد المعلمات بنسبة 24% تحت إعادة التخطيط لكل فعل.
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
تتعلم الروبوتات فهم العالم ليس فقط من خلال الرؤية، بل عبر قراءة التعليمات ثم تحريك أذرعها لأداء مهمة ما. هذا المجال، المعروف باسم "الرؤية واللغة والفعل" (vision-language-action)، يعتمد على عقول حاسوبية قوية تأخذ صورة للمشهد وجملة تصف المهمة، ثم تحدد بدقة كيفية تحريك يد روبوتية لإكمالها. ويتمثل التحدي الذي يواجه المهندسين في الموازنة بين السرعة والذكاء؛ فإذا فكر الروبوت كثيراً قبل كل حركة صغيرة، فإنه يتحرك ببطء شديد لدرجة تجعله عديم الفائدة، ولكن إذا خطط لسلسلة طويلة من الحركات دفعة واحدة لتوفير الوقت، فإنه يخاطر بارتكاب الأخطاء لأن العالم قد يتغير أثناء تنفيذ تلك الخطوات المخطط لها مسبقاً. والهدف هو إيجاد طريقة تجعل الروبوت سريعاً ودقيقاً في آن واحد، وهو توازن كان من الصعب تحقيقه.
لقد وجد فريق من الباحثين طريقة جديدة لترجيح كفة الميزان لصالح السرعة دون التضحية بالدقة. فقد اختبروا نوعاً جديداً من البنية الحاسوبية، صُمم في الأصل لمعالجة اللغة، داخل عقل الروبوت. ومن خلال استبدال محرك التفكير القياسي بهذا التصميم الجديد، اكتشفوا أن الروبوت يمكنه التخطيط لسلاسل أطول بكثير من الحركات مع الاستمرار في النجاح. وفي اختباراتهم، عندما سُمح للروبوت بتنفيذ سلسلة كاملة مكونة من خمسين حركة قبل التحقق من محيطه مرة أخرى، نجح التصميم الجديد في المهمة بنسبة تزيد بنحو ثمانية بالمائة عن التصميم القديم. وهذا التحسن مهم لأنه يعني أن الروبوتات يمكنها العمل بشكل أسرع في العالم الحقيقي، مع إجراء توقفات أقل للتفكير، مع إنجاز المهمة بشكل صحيح.
بدأ الباحثون بعقل روبوت شائع يُدعى "SmolVLA"، وهو معروف بالفعل بكفاءته ودقته. يعمل هذا النظام من خلال النظر إلى بث الكاميرا وتعليمات نصية، ثم التنبؤ بـ "كتلة" (chunk) من الحركات المستقبلية. وبدلاً من اتخاذ قرار بشأن حركة واحدة فقط في كل مرة، فإنه يتنبأ بسلسلة كاملة من الأفعال، مثل فيلم قصير لما يجب أن تفعله الذراع بعد ذلك. ثم ينفذ الروبوت الحركات القليلة الأولى من هذه السلسلة، ثم يتوقف، وينظر إلى العالم مرة أخرى، ويخطط لسلسة جديدة. ويُسمى عدد الحركات التي ينفذها قبل التوقف بـ "أفق التنفيذ" (execution horizon). فإذا توقف بعد كل حركة واحدة، فإنه يكون دقيقاً جداً ولكنه بطيء جداً، أما إذا نفذ السلسلة بأكملها دون توقف، فإنه يكون سريعاً ولكنه عرضة للأخطاء إذا تغيرت البيئة.
ولحل هذه المشكلة، استبدل الفريق الجزء الذي يتعامل مع توقيت هذه السلاسل الحركية في عقل الروبوت. استخدم النظام الأصلي طريقة قياسية تسمى "الانتباه الذاتي" (self-attention)، وهي تشبه تسليط الضوء الذي يسمح لكل جزء من خطة الحركة بالنظر إلى كل جزء آخر للبقاء منسقاً. وقد استبدل الباحثون ذلك بطريقة مختلفة تسمى "مامبا" (Mamba)، والتي تعالج المعلومات بطريقة تشبه تدفقاً مستمراً من التحديثات بدلاً من تسليط الضوء. هذه الطريقة الجديدة أخف بكثير على موارد الكمبيوتر، حيث تتطلب حوالي أربعة وعشرين بالمائة أقل من الإعدادات التي يجب تعلمها، ومع ذلك فهي تتعامل مع تدفق الوقت بشكل مختلف.
وضع الفريق كلا نسختي عقل الروبوت تحت الاختبار في بيئة محاكاة مليئة بأربعين مهمة مختلفة، تتراوح بين تكديس الكتل ونقل الأشياء إلى أهداف محددة. وقاموا بتشغيل الروبوتات عبر هذه المهام تحت ثلاثة ظروف مختلفة: التوقف بعد كل حركة واحدة، والتوقف بعد خمس وعشرين حركة، والتوقف بعد الخمسين حركة كاملة. وعندما توقفت الروبوتات بعد كل حركة، أدى كلا الإصدارين بشكل متطابق تقريباً، حيث طابق التصميم الجديد معدل نجاح التصميم القديم. ومع ذلك، عندما طُلب من الروبوتات تشغيل سلاسل أطول دون توقف، أصبح الفرق واضحاً؛ فقد حافظ الروبوت ذو تصميم "مامبا" الجديد على مستواه بشكل أفضل بكثير. فعندما طُلب منه تشغيل خمسين حركة قبل التحقق، نجح التصميم الجديد في ستة وستين فاصلة ثمانية بالمائ^ة من التجارب، بينما نجح التصميم القديم في ثلاثة وخمسين فاصلة تسعة بالمائ^ة فقط.
واتسعت هذه الفجوة بشكل أكبر في أنواع معينة من المهام. فعندما كان على الروبوت نقل الأشياء إلى مواقع دقيقة، حسن التصميم الجديد معدلات النجاح بنسبة تقارب ثمانية عشر بالمائ^ة عند أطول أفق زمني. وحتى في المهام المتعلقة بالترتيبات المكانية، تحسن بنسبة عشرة بالمائ^ة. ووجد الباحثون أن التصميم الجديد كان جيداً بشكل خاص في الحفاظ على تنسيق الحركات اللاحقة في السلسلة مع الحركات السابقة، حتى عندما كان الروبوت يعمل بناءً على خطة لم تعد تُحدث بمعلومات بصرية جديدة. وهذا يشير إلى أن البنية الجديدة لديها ميزة طبيعية في التنبؤ بكيفية تطور سلسلة من الأفعال بمرور الوقت.
تؤكد الدراسة أن الطريقة التي يخطط بها الروبوت حركاته لا تقل أهمية عن عدد المرات التي يتحقق فيها من محيطه. فمن خلال تغيير المحرك الداخلي الذي ينسق سلسلة من الأفعال، أظهر الباحثون أنه يمكن جعل الروبوتات أسرع وأكثر كفاءة دون أن تصبح خرقاء. لم يحسن التصميم الجديد معدل النجاح للسلاسل الطويلة فحسب، بل قلل أيضاً من إجمالي عدد الإعدادات الحاسوبية اللازمة لتشغيل النظام. وهذا يعني أنه في المستقبل، يمكن نشر الروبوتات في بيئات العالم الحقيقي حيث تحتاج إلى العمل بسرعة واستمرار، بالاعتماد على خطط أطول تظل دقيقة لفترات أطول. إن هذا العمل يثبت أن الاختيار الصحيح للبنية يمكن أن يفتح الطريق أمام مقايضة أفضل بين السرعة والدقة، مما يقرب حلم المساعدين الروبوتيين السريعين والموثوقين خطوة أخرى نحو الواقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.