GaussVLA: Geometry-Aware Spatial Reasoning for Vision-Language-Action Model
يُعد GaussVLA نموذجاً للرؤية واللغة والعمل يعتمد على بنية Mamba وفعالية في استخدام المعلمات، حيث يعزز الاستدلال المكاني عبر تقديم مُرمز غاوسي مكاني (Gaussian Spatial Tokenizer) لتحويل الميزات ثنائية الأبعاد إلى رموز غاوسية ثلاثية الأبعاد مدمجة، ووحدة تسلسل أفكيمدركة للعمق (Depth-Aware Chain-of-Thought) للاستدلال الهندسي المنظم، محققاً أداءً هو الأفضل في فئته على معيار LIBERO بـ 200 مليون معلمة فقط.
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
أصبح الروبوتات التي يمكنها تعلم كيفية التعامل مع الأشياء من خلال مراقبة البشر هدفاً مركزياً في الذكاء الاصطناعي الحديث. لسنوات، اعتمد الباحثون على نماذج تعامل رؤية الكاميرا للعالم كشبكة مسطحة من المربعات الملونة، تماماً مثل صورة رقمية. هذه النماذج ممتازة في التعرف على الأشياء الموجودة وفهم الأوامر اللغوية، لكنها تعاني في فهم الشكل الفيزيائي وموقع تلك الأشياء في الفضاء ثلاثي الأبعاد. فهي ترى الكوب كنمط من البكسلات، وليس كجسم صلب موضوع على طاولة بارتفاع واتجاه محددين. هذا القصور يجعل من الصعب على الروبوتات أداء المهام التي تتطلب دقة في التعامل، مثل التقاط عنصر هش أو التنقل في مساحة عمل مزدحمة، لأن الروبوت يفتقر إلى إحساس حقيقي بالهندسة.
لسد هذه الفجوة، طور فريق من الباحثين نظاماً جديداً يسمى GaussVLA، صُمم لمنح الروبوتات فهماً أكثر حدسية للعالم الفيزيائي. فبدلاً من الاعتماد على الصور المسطحة، يقوم هذا النظام بتحويل البيانات المرئية إلى مجموعة من الأشكال ثلاثية الأبعاد الصغيرة التي تطفو في الفضاء، حيث يحمل كل منها معلومات حول مكان وجود الشيء، وحجمه، ومدى ثقة الروبوت في تلك المعلومات. ومن خلال الجمع بين هذا الفهم الهندسي وطريقة جديدة لـ "التفكير" عبر المشكلات المكانية قبل التحرك، أنشأ الباحثون وحدة تحكم روبوتية دقيقة للغاية وصغيرة بشكل مفاجئ. وفي الاختبارات، تفوق هذا النظام على نماذج أكبر وأكثر تعقيداً بكثير، مما يشير إلى أن منح الروبوت حساً أفضل بالمساحة أهم من مجرد جعل "دماغه" أكبر.
يكمن جوهر المشكلة في كيفية "رؤية" الروبوتات حالياً. فالأنظمة التقليدية تفكك صورة الكاميرا إلى قائمة طويلة من القطع المسطحة، وتتعامل مع كل جزء من الصورة على أنه متساوٍ في الأهمية بغض النظر عما إذا كان جداراً بعيداً أو أداة أمام الروبوت مباشرة. وبينما ينجح هذا في المهام البسيطة، فإنه يفشل عندما يحتاج الروبوت إلى تقدير المسافات أو زاوية السطح. وقد تضمنت محاولات أخرى للإصلاح إضافة خرائط العمق، وهي في الأساس أرقام مفردة تخبر الروبوت بمدى بعد كل بكسل. ومع ذلك، غالباً ما تفتقر خرائط العمق هذه إلى معلومات حول اتجاه السطح أو مدى موثوقية قياس تلك المسافة، مما يترك الروبوت في حالة تخمين عندما تتغير البيئة.
عالج الباحثون ذلك من خلال تقديم طريقة جديدة لمعالجة البيانات المرئية تسمى "المُجزئ المكاني الغاوسي" (Gaussian Spatial Tokenizer). تخيل أخذ الصورة المسطحة ورفع كل قطعة منها في الهواء، وتحويلها إلى سحابة ثلاثية الأبعاد صغيرة وضبابية. كل واحدة من هذه السحب لها مركز، وحجم، وشكل يصف الهندسة المحلية للجسم الذي تمثله. والأهم من ذلك، أن النظام يخصص درجة ثقة لكل سحابة، مما يخبر الروبوت بمدى تأكده من ذلك الجزء من العالم ثلاثي الأبعاد. وهذا يسمح للروبوت بالتركيز على الأجزاء الأكثر موثوقية من المشهد، مثل حافة الطاولة أو مقبض الكوب، مع تجاهل المناطق غير المؤكدة. هذا التحول يحول الصورة المسطحة إلى خريطة هيكلية ثلاثية الأبعاد يمكن للروبوت التفكير فيها.
بمجرد حصول الروبوت على هذه الخريطة ثلاثية الأبعاد، فإنه لا يزال بحاجة إلى تحديد ما يجب فعله. كانت الأنظمة السابقة غالباً ما تحاول وضع خطة عن طريق توليد قائمة طويلة من الأفكار القائمة على النصوص قبل التحرك، وهي عملية بطيئة وغالباً ما تكون منفصلة عن الفعل الفيزيائي الفعلي. يستخدم النظام الجديد نهجاً مختلفاً يسمى "سلسلة الأفكان المدركة للعمق" (Depth-Aware Chain-of-Thought). فبدلاً من كتابة قصة طويلة، يستخدم الروبوت مجموعة صغيرة من الأسئلة المركزة لمسح خريطته ثلاثية الأبعاد بسرعة واستخراج العلاقات المكانية الأكثر أهمية للمهمة. هو يسأل نفسه، على سبيل المثال، أين يقع الجسم المستهدف بالنسبة ليد الروبوت، ويستخدم تلك الإجابة لتوجيه حركته مباشرة. هذه الطريقة ليست مجرد توليد نصي بطيء خطوة بخوة، بل هي عملية استدلال هيكلية سريعة تحدث بالتزامن مع قرار الروبوت بالتحرك.
بُني النظام بأكمله على بنية أساسية تُعرف باسم "Mamba"، وهي مصممة لمعالجة المعلومات بشكل أسرع وأكثر كفاءة من النماذج القياسية المستخدمة في معظم تقنيات الذكاء الاصطناعي اليوم. هذه الكفاءة حيوية لأنها تسمح للروبوت باتخاذ القرارات في الوقت الفعلي دون الحاجة إلى حاسوب ضخم. اختبر الباحثون نظامهم في مجموعة متنوعة من المهام المحاكية، بما في ذلك تحريك الأشياء، وتكديس الكتل، واتباع تعليمات معقدة. وفي هذه الاختبارات، حقق النظام الجديد نسبة نجاح بلغت 93.5 بالمائة في اختبار معياري، متفوقاً على نماذج رائدة أخرى أكبر منه بكثير. وفي مجموعة محددة من المهام المصممة لاختبار الاستدلال المكاني، حقق درجة كاملة بنسبة 100 بالمائة.
ما يجعل هذه النتائج مثيرة للإعجاب بشكل خاص هو حجم النظام. فبينما تتطلب العديد من النماذج المنافسة مليارات المعلمات (parameters) لتعمل، يعمل هذا النظام الجديد بـ 200 مليون معلمة فقط. وهذا يعني أنه أصغر بنسبة 97 بالمائة تقريباً من بعض أكبر النماذج المستخدمة حالياً، ومع ذلك فهو يؤدي بشكل أفضل في المهام التي تتطلب فهماً للمساحة الفيزيائية. كما اختبر الباحثون النظام على ذراع روبوت حقيقية في مختبر فيزيائي. وحتى عند مواجهة تحديات العالم الحقيقي مثل ضجيج الكاميرا واختلاف مواضع الأشياء قليلاً، حافظ النظام على مستوى عالٍ من النجاح، مما أثبت أن الفهم الهندسي ثلاثي الأبعاد الذي تعلمه في المحاكاة يمكن أن ينتقل إلى العالم الحقيقي.
كما استكشفت الدراسة ما يحدث عندما يتم تحدي النظام بتغييرات غير متوقعة، مثل اختلاف الإضاءة أو ألوان الأشياء. وبينما أظهر النظام متانة قوية، لاحظ الباحثون أنه لا يزال يواجه صعوبات عندما تتغير البيئة بشكل جذري، مما يشير إلى أن هناك عملاً لا يزال يتعين القيام به لجعل الروبوتات قابلة للتكيف مع كل سيناريوهات العالم الحقيقي الممكنة. ومع ذلك، فإن النتائج توضح بجلاء أن المفتاح لتحسين قدرة الروبوت على التعامل مع الأشياء ليس مجرد امتلاك المزيد من البيانات أو نموذج أكبر، بل في منح الروبوت فهماً هيكلياً ثلاثي الأبعاد للمساحة التي يشغلها. ومن خلال تحويل الصور المسطحة إلى سحب ثلاثية الأبعاد واستخدام الاستدلال المركز للتنقل عبرها، أظهر الباحثون مساراً واضحاً نحو روبوتات يمكنها التعامل مع العالم الفيزيائي بمهارة وموثوقية أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.