← أحدث الأبحاث
🤖 AI

RTNav: Towards Real-Time Zero-Shot Object Navigation

تقدم الورقة البحثية RTNav، وهي بنية ملاحة في الوقت الفعلي تأخذ في الاعتبار صراحةً زمن انتقال الاستدلال والخطوات البيئية غير المتزامنة للتغلب على تدهور الأداء لطرق الملاحة الكائنية ذات الصفرية (zero-shot) الحالية تحت قيود زمنية واقعية، محققةً تحسينات كبيرة في معدلات النجاح في اختبارات HM3D.

المؤلفون الأصليون: Easop Lee, Lingyu Zhang, Boyuan Chen

نُشر 2026-08-28
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Easop Lee, Lingyu Zhang, Boyuan Chen

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 روبوتًا أُرسل إلى منزل غير مألوف للعثور على جسم محدد، مثل كوب أحمر، دون أي تدريب مسبق على تلك الغرفة تحديدًا. لكي ينجح، يجب على الروبوت أن يتطلع حوله، ويفهم ما يراه، ويقرر أين سيذهب بعد ذلك، ويحرك عجلاته أو أرجله، كل ذلك بينما يستمر العالم من حوله في التغير. هذا هو تحدي الملاحة في الأجسام عبر "التعلم الصفري": استخدام الذكاء الاصطناዊ القوي لتوجيه آلة عبر المجهول. لسنوات، اختبر الباحثون هذه الأنظمة في محاكاة حاسوبية حيث يتوقف العالم الافتراضي مؤقتًا بينما "يفكر" عقل الروبوت. في هذه الحالة المجمدة، يمكن للروبوت أن يستغرق كل الوقت الذي يحتاجه لمعالجة صورة أو اتخاذ قرار، ولا يتحرك عقرب الساعة. لقد سمح هذا الإعداد للعلماء ببناء وكلاء ملاحة أكثر تعقيدًا وقدرة، لكنه يخفي عيبًا جوهريًا. ففي العالم الحقيقي، لا يتوقف الزمن أبدًا. وبينما يقوم الروبوت بحساب خطوته التالية، تمر ثوانٍ، ويقف الروبوت بلا حراك، وتتقلص ميزانية المهمة — أي الوقت المسموح به لإنهاء العمل. إذا استغرق الروبوت وقتًا طويلاً في التفكير، فلن يتمكن ببساطة من إكمال المهمة، بغض النظر عن مدى ذكاء منطقه.

لقد كشف فريق من الباحثين في جامعة ديوك الآن عن هذه التكلفة الخفية واقترحوا طريقة جديدة لبناء أنظمة ملاحة تحترم عقارب الساعة التي لا تتوقف. وجدوا أن أكثر وكلاء الملاحة تقدمًا، والتي تعتمد على نماذج ذكاء اصطناعي ضخمة وقوية لفهم اللغة والرؤية، تعاني من انخفاض حاد في الأداء عندما تُجبر على العمل في الوقت الفعلي. في دراستهم، أنشأوا بيئة اختبار جديدة حيث تعمل المحاكاة بشكل مستمر، تمامًا مثل غرفة حقيقية، بينما يعمل كمبيوتر الروبوت لاتخاذ قراره التالي. وعندما قاموا بتشغيل طرق الملاحة القياسية في هذا الإعداد، أصبحت الوكلاء بطيئة وغير فعالة. إن الوقت المستغرق في انتظار انتهاء الكمبيوتر من حساباته يعني أن الروبوت يقضي جزءًا كبيرًا من وقته واقفًا بلا حراك، وغالبًا ما يفقد الفرص للوصول إلى هدفه قبل انتهاء الوقت. وقد قاس الباحثون ذلك باستخدام مقي('%') جديد يكافئ ليس فقط العثور على الجسم، بل القيام بذلك بسرعة، مع معاقبة أي ثوانٍ مهدرة.

ولحل هذه المشكلة، قدم الفريق بنية جديدة تسمى RTNav، والتي تعامل تدفق الوقت كجزء أساسي من التصميم وليس مجرد فكرة لاحقة. بدلًا من إجبار الروبوت على التوقف والانتظار لكل جزء من أجزاء دماغه لينهي فكرة واحدة قبل التحرك، تسمح RTNav لأجزاء مختلفة من النظام بالعمل بسرعاتها الطبيعية الخاصة. فالجزء من النظام الذي يكتشف الأجسام يعمل باستمرار، ماسحًا البيئة مرات عديدة في الثانية. والجزء الذي يخطط للمسار يعمل بوتيرة أقل تكرارًا، حيث يتحدث فقط عند الضرورة. أما الجزء الذي يتحكم في العجلات فيتحرك باستمرار، مستجيبًا لآخر خطة دون انتظار اكتمال خطة جديدة. هذا يشبه كيف يسير الإنسان في شارع مزدحم: أنت لا تتوقف تمامًا لتفكر في كل خطوة؛ بل تستمر في الحركة بينما تمسح عيناك العقبات ويقوم عقلك بتحديث مسارك. ومن خلال السماح لهذه العمليات بالحدوث بالتزامن بدلاً من اتباع خط مستقيم صارم، يظل الروبوت في حالة حركة ويستخدم وقته بكفاءة.

كانت نتائج هذا النهج مذهلة. فعند اختبارها على معايير الملاحة القياسية، تفوق النظام الجديد على الطرق السابقة بشكل ملحوظ. وفي الاختبارات التي كان على الروبوت فيها العثور على أجسام في بيئات معقدة متعددة الغرف، حسن النظام الجديد معدل النجاح بنسبة تصل إلى 11 بالمائة مقارنة بأفضل الطرق الموجودة. والأهم من ذلك، أنه أكمل المهام بشكل أسرع بكثير. فقد قاس الباحثون مقياسًا يسمى "النجاح الموزون بوقت الإنجاز"، والذي يجمع بين نجاح الروبوت في العثور على الجسم والوقت الذي استغرقه. سجل النظام الجديد نقاطًا أعلى بنسبة تصل إلى 5.1 نقطة في هذا المقياس، مما يشير إلى أنه لم يكن أكثر نجاحًا فحسب، بل كان أيضًا أكثر كفاءة بكثير. وأظهرت الدراسة أن الطرق القديمة، التي صُممت لعالم المحاكاة المجمد، أهدرت قدرًا كبيرًا من الوقت في انتظار انتهاء الحسابات. في المقابل، حافظ النظام الجديد على حركة الروبوت، مما قلل من الوقت الذي يقضيه في حالة الخمول بأكثر من 14 بالمائة مقارنة بمنافسيه.

كما اختبر الباحثون مدى قوة هذا النظام من خلال تشغيله على أنواع مختلفة من أجهزة الكمبيوتر، بدءًا من بطاقات رسومات سطح المكتب القوية وصولًا إلى الرقائق الأصغر والأكثر كفاءة في استهلاك الطاقة والمصممة للأجهزة الطرفية. عمل النظام بشكل متسق جيدًا عبر جميع هذه الأجهزة، محافظًا على معدلات نجاح عالية حتى عند تقليل قدرة الحوسبة. وهذا يشير إلى أن التصميم مرن بما يكفي للعمل على روبوتات متنوعة دون الحاجة إلى الأجهزة الأكثر تكلفة المتاحة. كما جرب الفريق أحجامًا مختلفة من نماذج الذكاء الاصطناዊ المستخدمة في التفكير، ووجدوا أنه بينما لم يكن النموذج الضخم جدًا ضروريًا، فإن النموذج متوسط الحجم وفر أفضل توازن بين السرعة والدقة، مما سمح للروبوت باتخاذ قرارات جيدة دون أن يتعثر في المعالجة البطيئة.

يسلط هذا العمل الضوء على تحول حاسم في كيفية بناء الروبوتات لعالمنا الحقيقي. إن الطريقة القديمة في الاختبار، حيث ينتظر العالم الروبوت ليفكر، لم تعد تعكس واقع النشر الفعلي. وتثبت الدراسة أنه لكي تكون الروبوتات عملية في البيئات اليومية، يجب تصميم برمجياتها للتعامل مع قيود التنفيذ في الوقت الفعلي. ومن خلال فصل المهام المختلفة للإدراك والتخطيط والحركة، والسماح لها بالعمل بالتوازي، يمكن للروبوتات أن تصبح أكثر استجابة وفعالية. ويخلص الباحثون إلى أن تجاهل تكلفة وقت الحوسبة يؤدي إلى أنظمة تبدو جيدة في المحاكاة ولكنها تفشل في الواقع. ويقدم نهجهم الجديد مسارًا للمضي قدمًا، موضحًا أنه مع البنية الصحيحة، يمكن للروبوتات التنقل في العالم المجهول بسرعة وموثوقية، محولةً الوعد النظري للذكاء الاصطناዊ إلى واقع عملي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →