GlanceWAM: Sparse Test-Time Imagination for World-Action Models
يعمل GlanceWAM على حل مقايضة زمن الاستجابة والنجاح في تعلم الروبوتات من خلال فصل التخيل البصري غير المتزامن والخلفي عن التحكم في الوقت الفعلي ضمن نموذج DiT فيديو واحد، محققاً أداءً هو الأفضل في فئته على معايير RoboCasa وLIBERO مع التنفيذ بسرعة تزيد بمقدار 24 مرة عن النماذج المرجعية المتزامنة.
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
تحتاج الروبوتات التي تتحرك في العالم الحقيقي إلى ما هو أكثر من مجرد قائمة من التعليمات؛ فهي تحتاج إلى فهم كيف ستغير أفعالها المشهد من حولها. فإذا مدّ روبوت يده ليمسك بكوب، يجب أن يتوقع أن الكوب سيتحرك، وأن الطاولة قد تهتز، وأن المسار نحو الرف سوف يتغير. لسنوات، حاول العلماء منح الآلات هذا النوع من الاستشراف عبر تعليمها تخيل المستقبل. لقد استخدموا نماذج حاسوبية قوية يمكنها توليد الفيديو، مما يسمح للروبوت أساساً بـ "الحلم" بما سيحدث بعد ذلك قبل أن يتحرك فعلياً. والأمل هو أنه من خلال رؤية معاينة للمستقبل، يمكن للروبوت التخطيط بشكل أفضل وتجنب الأخطاء. ومع ذلك، كانت هناك مشكلة رئيسية أعاقت هذه الفكرة: وهي أن توليد هذه المعاينات الفيديوية يستغرق وقتاً طويلاً جداً. فعندما يحاول روبوت الإمساك بجسم يسقط أو صب سائل، فإنه يحتاج لاتخاذ قرارات في أجزاء من الثانية. وإذا قضى الحاسوب ثوانٍ في تخيل مشهد مستقبلي، فسيكون الروبوت قد تأخر بالفعل عن اتخاذ الإجراء المناسب. وقد خلق هذا خياراً صعباً للمهندسين: إما ترك الروبوت يفكر مسبقاً ويكون بطيئاً جداً في الاستجابة، أو جعله يستجيب فوراً ولكن مع تجريده من قدرته على رؤية المستقبل، مما يتركه يخمن بعمى.
لقد وجد فريق من الباحثين طريقة لكسر هذا المأزق. فقد طوروا نظاماً جديداً يسمى (GlanceWAM)، والذي يسمح للروبوت بالاحتفاظ برؤيته للمستقبل مع الاستمرار في التحرك بسرعات الوقت الفعلي. وكان المفتاح في إدراك أن الروبوت لا يحتاج إلى تدفق فيديو مستمر وثاني بثانية للمستقبل؛ بل يحتاج فقط إلى صورة واضحة لما يتجه إليه بعد بضع ثوانٍ من الآن. صمم الباحثون نظاماً حيث تتم عمليات "الحلم" وعمليات "التنفيذ" بسرعات مختلفة وعلى مسارات مختلفة. فبينما يقوم نظام التحكم الخاص بالروبوت باتخاذ قرارات سريعة كل 48 ميلي ثانية للحفاظ على سلاسة حركاته، تعمل عملية منفصلة وأبطأ في الخلفية. هذه العملية الخلفية تلقي نظرة خاطفة وهادئة للأمام، مرة واحدة فقط كل ثلاث ثوانٍ، لتتخيل إطاراً واحداً لما سيبدو عليه العالم في المستقبل. هذا الإطار المتخيل ليس فيديو كاملاً، بل هو تمثيل مضغوط ومخفي للوجهة.
تكمكم تكمن روعة هذا النهج في كيفية تواصل الجزأين مع بعضهما البعض. فنظام التحكم الخاص بالروبوت لا ينتظر أبداً انتهاء "الحالم" الذي يعمل في الخلفية. بدلاً من ذلك، يقوم نظام التحكم ببساطة بالتقاط آخر وجهة متخيلة واستخدامها لتوجيه حركاته القليلة التالية. ولأن الروبوت يعمل مع هذه النسخة المخفية والمبسطة من المستقبل بدلاً من فيديو كامل، فإنه يستطيع معالجة المعلومات بشكل فوري تقريباً. اختبر الباحثون هذا النظام في مجموعة من المهام المطبخية المعقدة، مثل فتح الأدراج، وتدوير المقابض، ونقل الأشياء بين الطاولات. وفي هذه الاختبارات، نجح النظام الجديد بنسبة 72.2% من المرات. وهذا يمثل تحسناً كبيراً مقارنة بالطرق السابقة التي حاولت توليد الفيديو والأفعال في وقت واحد، والتي لم تتجاوز نسبة نجاحها 67.1%، وهو أفضل بكثير من الأنظمة التي تخلت تماماً عن تخيل المستقبل، والتي حققت نجاحاً بنسبة 64.4% فقط. كما حقق النظام أداءً استثنائياً في مجموعة اختبار معيارية أخرى، محققاً نسبة نجاح بلغت 99.0%.
ما يجعل هذه النتيجة لافتة للنظر بشكل خاص هو أن النظام يحقق هذا المستوى العالي من النجاح دون التضحي بالسرعة. فقد قاس الباحثون المدة التي استغرقها الروبوت لاتخاذ قراره التالي، واستغرق النظام الجديد 48 ميلي ثانية فقط لكل قرار. وهذا أسرع بـ 24 مرة من أفضل الطرق السابقة التي حاولت القيام بالتفكير والعمل في آن واحد. يعمل النظام بهذا الشكل الجيد لأنه تم تدريبه على التعامل مع حقيقة أن "لمحة" المستقبل قد تكون قديمة قليلاً بحلول وقت استخدامها. تماماً كما يستخدم السائق خريطة رُسمت قبل دقيقة، يتعلم الروبوت تعديل أفعاله بناءً على مقدار الوقت الذي مضى منذ آخر لمحة للمستقبل. وقد أكد الباحثون أن الروبوت يستخدم بالفعل هذه اللمحات المستقبلية لاتخاذ قراراته؛ فعندما أزالوا معلومات المستقبل اصطناعياً، انخفض أداء الروبوت بشكل كبير، مما أثبت أن الاستشراف لم يكن مجرد ميزة سلبية، بل كان دليلاً حاسماً لأفعاله.
يشير هذا العمل إلى أن عنق الزجاجة في ذكاء الروبوت لم يكن الحاجة إلى المزيد من القدرة الحاسوبية، بل في كيفية استخدام تلك القدرة. فمن خلال فصل عملية التفكير البطيء والمتأني لتخيل المستقبل عن عملية التحكم السريعة والملحة في الجسد، نجح الباحثون في إنشاء نظام يتسم بالسرعة والحكمة في آن واحد. فالروبوت لا يحتاج لرؤية كل إطار مفرد من المستقبل ليعرف إلى أين يذهب؛ بل يحتاج فقط إلى لقطة واضحة وفي التوقيت المناسب للوجهة. يقدم هذا النهج مساراً عملياً نحو بناء روبوتات يمكنها التنقل في بيئات معقدة ومتغيرة بنفس السلاسة والاستشراف الذي يستخدمه البشر، وكل ذلك مع الاستجابة بسرعة كافية لمواكبة العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.