CASD: Chunk-Aligned Semantic Distillation for Multi-StageRobot Manipulation

تواجه الروبوتات التي يمكنها التعامل مع الأشياء في العالم الحقيقي مشكلة أساسية تتعلق بالتوقيت. فعندما يطلب إنسان من روبوت أن "يضع الوعاء في الدرج ويغلقه"، يبدو الأمر وكأنه أمر واحد، لكن الواقع الفيزيائي هو عبارة عن سلسلة من اللحظات المتمايزة: الوصول إلى الوعاء، الإمساك به، تحريكه، تركه، وأخيراً دفع الدرج لإغلاقه. تحاول الروبوتات الحديثة حل هذه المشكلة غالباً عبر التنبؤ بكتلة قصيرة من الحركات المستقبلية دفعة واحدة، وهي تقنية تساعدها على التحرك بسلاسة دون التوقف للتفكير بعد كل حركة صغيرة. ومع ذلك، فإن هذا النهج يخلق نقطة عمياء؛ فإذا تنبأ الروبوت بكتلة مكونة من عشرين حركة، وكانت منتصف هذه الكتلة هي اللحظة الدقيقة التي ينتقل فيها من الإمساك بالوعاء إلى تركه، فقد يظل المرشد الداخلي للروبوت يخبره بـ "الإمساك" لأن ذلك كان هو التعليمات للجزء الأول من الكتلة. إنه يفشل في إدراك أن الهدف قد تغير بالفعل إلى "الترك"، مما يؤدي إلى محاولات خرقاء أو فاشلة.

ولحل هذه المشكلة، طور الباحثون في "أنت جروب" (Ant Group) طريقة تسمى "التقطير الدلالي المتوافق مع الكتل" (Chunk-Aligned Semantic Distillation). الفكرة الجوهرية هي تعليم الروبوت ليس فقط ما يفعله الآن، بل بالضبط كم يبلغ مقدار الجزء من كتلة أفعاله القادمة الذي ينتمي إلى كل جزء من المهمة. فبدلاً من إجبار الروبوت على اختيار تسمية واحدة مثل "التحريك" أو "الإغلاق" لكتلة زمنية كاملة، يقوم النظام بحساب مزيج مرجح. فإذا كانت كتلة الأفعال تتكون من ثلاثة أرباع "تحريك" وربع "ترك"، يتعلم الروبوت الاستعداد لمزيج من كليهما. وهذا يسمح للروبوت بالانتقال بسلاسة بين الخطوات، متوقعاً التغيير قبل حدوثه، بدلاً من التفاعل معه بعد وقوعه.

بنى الباحثون هذا النظام باستخدام عملية تدريب من خطوتين تفصل بين "التفكير" و"التنفيذ". أولاً، استخدموا نموذج لغة قوياً يعمل في وضع عدم الاتصال (offline) لمشاهدة فيديوهات مسجلة لبشر يؤدون مهام معينة. عمل هذا النموذج كمعلم، حيث قام بتفكيك كل فيديو إلى جدول زمني لمراحل متميزة، مثل "الإمساك"، "النقل"، و"الترك". ولكل لحظة في الفيديو، قام "المعلم" بحساب الوقت الذي سيقضيه الروبوت في كل مرحلة خلال كتلة الأفعال التالية. ثم أنشأ هدفاً دلالياً (semantic target)—وهو وصف للمزيج المستقبلي من المراحل—والذي كان بمثابة الإجابة الصحيحة لتلك اللحظة.

بعد ذلك، قاموا بتدريب برنامج حاسوبي منفصل، يسمى "المولد" (generator)، للتنبؤ بهذا المزيج المستقبلي باستخدام فقط الرؤية الحالية من كاميرا الروبوت، وحالته الفيزيائية، والتعليمات النصية. تعلم المولد النظر إلى الحاضر وتخمين تكوين المستقبل القريب. وبمجرد تدريب هذا المولد، قام الباحثون بتجميد إعداداته بحيث لا تتغير أكثر من ذلك، ثم قاموا بربط هذا المولد المجمد بسياسة الروبوت الأساسية. والآن، عندما يحتاج الروبوت إلى اتخاذ قرار، يوفر المولد فوراً "رمز سياق دلالي" (semantic context token) يصف المزيج القادم من المراحل. يستخدم الروبوت هذا الرمز لتوجيه حركاته، مما يجعله يرى الانتقال قبل وقوعه فعلياً. ومن الأهمية بمكان أن هذه العملية برمتها تتم دون حاجة الروبوت لاستدعاء نموذج لغة ضخم أو توليد نصوص أثناء عمله؛ فقد تم القيام بالعمل الشاق المتمثل في فهم بنية المهمة مسبقاً وتخزينه في المولد المجمد.

اختبر الفريق هذا النهج على عدة أنظمة مختلفة لتعلم الروبوتات ومجموعة متنوعة من المعايير، بما في ذلك المهام التي تتضمن ذراعاً واحدة، ذراعين تعملان معاً، وسيناريوهات ملاحة معقدة. وفي الاختبارات القياسية، أظهرت الطريقة تحسينات واضحة. فعند دمجها مع نوع معين من "أدمغة الروبوت" يُعرف باسم "النموذج المشترك" (Joint model)، ارتفع معدل النجاح في مجموعة من مهام المناولة إلى 98.9 بالمائة، مقارنة بـ 98.0 بالمائة للنموذج نفسه بدون الطريقة الجديدة. وفي مجموعة أخرى من المهام التي تتطلب يدين، كان التحسن أكثر وضوحاً، حيث قفز من 90.6 بالمائة إلى 93.0 بالمائة. كما أثبت النظام متانة عالية عندما تغيرت البيئة، مثل تغير الإضاءة أو بدء الروبوت من وضعية مختلفة، محافظاً على معدلات نجاح عالية حيث تعثرت الطرق الأخرى.

ومع ذلك، لم تكن النتائج انتصاراً شاملاً لكل نوع من أنواع أدمغة الروبوتات. فعندما طبق الباحثون الطريقة على متغير مختلف من النظام، انخفض الأداء قليلاً. وهذا يشير إلى أن فائدة هذا التوجيه الدلالي تعتمد بشكل كبير على كيفية بناء نظام الروبوت الأساسي؛ فبالنسبة لبعض البنيات، يساعد السياق الإضافي في تحسين الفعل، بينما بالنسبة لأخرى، قد يتسبب في عدم تطابق طفيف.

يوضح مثال محدد من الاختبارات الفرق الذي تحدثه هذه الطريقة. ففي مهمة كان على الروبوت فيها نقل وعاء أسود إلى درج وإغلاقه، فشل نموذج الروبوت القياسي في ترك الوعاء في الوقت المناسب، حيث ظل ممسكاً به لفترة طويلة بعد أن كان ينبغي له تركه، وانتهى به الأمر بانتهاء الوقت دون إتمام المهمة. أما الروبوت المزود بالطريقة الجديدة، والذي بدأ من نفس الموقع تماماً وباستخدام نفس البذور العشوائية، فقد أدرك التحول في المهمة في وقت أبكر. وبدأ في ترك الوعاء في اللحظة الدقيقة لحدوث الانتقال، وأكمل المهمة بنجاح. لم يكن النظام بحاجة إلى "التفكير" في مقبض الدرج بينما كان لا يزال ممسكاً بالوعاء؛ إذ أخبره "الرمز الدلالي" الذي تلقاه أن مرحلة "الترك" بدأت بالفعل تشغل جزءاً كبيراً من مستقبله القريب.

يؤكد الباحثون أن هذا النهج لا يتطلب من الروبوت توليد خطة خطوة بخطوة أو قائمة من الأهداف الفرعية أثناء حركته. بدلاً من ذلك، يعتمد على تمثيل رياضي مضغوط لبنية المهمة يتم توليده مرة واحدة في كل دورة قرار. وهذا يحافظ على سرعة وكفاءة النظام، متجنباً التأخيرات التي غالباً ما تصاحب عمليات الاستنتاج المعقدة. لقد نجحت الطريقة في سد الفجوة بين الوصف رفيع المستوى للمهمة وبين التوقيت منخفض المستوى للأفعال الفيزيائية، مما يسمح للروبوتات بالتعامل مع التعليمات متعددة المراحل بسلاسة تحاكي التوقع البشري. ورغم أن هذه التقنية ليست حلاً سحرياً لكل تكوين ممكن للروبوت، إلا أنها تقدم وسيلة ملموسة لتحسين كيفية فهم الآلات لتدفق الوقت في حركاتها، محولةً تسلسلاً صلباً من الأوامر إلى أداء ديناميكي مدرك للسياق.