UNITAS: A 3D-Native World Action Model for Embodied Manipulation
يُعد UNITAS نموذجاً رائداً لأفعال العالم ثلاثي الأبعاد الأصيل بـ 1.7 مليار معلمة، حيث يوحد أفعال الروبوت واليد البشرية مع ديناميكيات المشهد في فضاء ثلاثي الأبعاد متري مشترك، محققاً أداءً هو الأفضل في مجاله في كل من التنبؤ بالمشهد المشروط بالأفعال ومهام المعالجة في العالم الحقيقي.
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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لطالما عانت الروبوتات من أجل فهم العالم المادي، ليس فقط كمجموعة من الصور، بل كفضاء تتحرك فيه الأشياء وتتصادم وتتغير. لعقود من الزمن، حاول الباحثون تعليم الآلات التنبؤ بما سيحدث لاحقاً من خلال عرض مقاطع فيديو عليها. تتعلم هذه الأنظمة تخمين الإطار التالي من فيلم، آملةً أنه إذا استطاعت التنبؤ بالمستقبل المرئي، فستتمكن أيضاً من معرفة كيفية تحريك ذراع الروبوت لتحقيق ذلك المستقبل. ومع ذلك، هناك خلل جوهري في هذا النهج: الفيديو ليس سوى إسقاط مسطح لعالم ثلاثي الأبعاد. ففي الصورة الفوتوغرافية، يمكن لجسم صغير بعيد أن يبدو بنفس حجم جسم كبير قريب، وقد تمثل بضعة بكسلات من الحركة إزاحة طفيفة أو قفزة هائلة اعتماداً على زاوية الكاميرا. وهذا يجعل من الصعب للغاية على الروبوت معرفة المسافة الدقيقة التي يجب أن يصل إليها أو مدى القوة التي يجب أن يدفع بها، لأن اللغة المرئية للكاميرا لا تتحدث لغة المسافة الفيزيائية.
ولسد هذه الفجوة، طور فريق من الباحثين نوعاً جديداً من النماذج يتجاوز الصور المسطحة تماماً ويعمل مباشرة في الفضاء ثلاثي الأبعاد. فبدلاً من محاولة التنبؤ بالصورة التالية، يتنبأ هذا النظام بكيفية تحرك النقاط في الفضاء. إنه يعامل العالم كمجموعة من الإحداثيات التي تتحرك وتتدفق، مما يسمح للروبوت بفهم العواقب الفيزيائية لأفعاله بطريقة ثابتة بغض النظر عن الاتجاه الذي تنظر إليه الكاميرا. ويمثل هذا التحول من مشاهدة فيلم إلى رسم خريطة لمساحة فيزيائية خطوة كبيرة نحو منح الروبوتات حساً حقيقياً بكيفية عمل العالم، مما يقربها من القدرة على أداء مهام معقدة مثل تنظيم رف أو تعبئة حقيبة بالموثوقية ذاتها التي يمتلكها البشر.
سعى الباحثون وراء هذا العمل، الذين أطلقوا على ابتكارهم اسم "يونيتاس" (UNITAS)، لحل مشكلة محددة: كيف يوحدون بين ما يراه الروبوت، وما يفعله، وكيف يتغير العالم استجابة لذلك، كل ذلك ضمن إطار عمل واحد مشترك. كانت المحاولات السابقة تعتمد غالباً على مولدات الفيديو المدربة مسبقاً، وهي ممتازة في إنشاء صور واقعية المظهر ولكنها غالباً ما تفشل في احترام قوانين الفيزياء. قد يتنبأ نموذج الفيديو بأن كوباً ينزلق عبر طاولة، ولكنه قد يتنبأ أيضاً بأن الكوب يتمدد أو يتشوه بطرق مستحيلة في الواقع، أو أن الخلفية تنزاح بينما يجب أن تظل ثابتة. يرفض نموذج "يونيتاس" الجديد هذا النهج القائم على الرؤية أولاً؛ بدلاً من ذلك، يبني عالماً "أصيلاً في الأبعاد الثلاثية"، حيث يتم وصف كل ملاحظة، وكل حركة للروبوت، وكل تغيير في البيئة باستخدام اللغة المترية نفسها للإحداثيات ثلاثية الأبعاد.
في هذا النظام، لا يكتفي الروبوت بالنظر إلى بث الكاميرا؛ بل يبني خريطة ذهنية للمساحة المحيطة به. فعندما يحرك الروبوت يده أو قابضه، يتتبع النموذج مسار نقاط محددة في تلك اليد أثناء انتقالها عبر الهواء. وفي الوقت نفسه، يتتبع كيفية انزياح النقاط الموجودة على جسم قريب، مثل مزهرية أو كتاب، استجابةً لذلك. لقد درب الباحثون النموذج على مزيج هائل من البيانات، بما في ذلك تسجيلات لروبوتات حقيقية، ومحاكاة لمهام تستخدم اليدين، وفيديوهات لأيدٍ بشرية تؤدي حركات مماثلة. ومن خلال معاملة حركة اليد البشرية وقابض الروبوت كنوع واحد من المسارات ثلاثية الأبعاد، تعلم النموذج لغة عالمية للحركة. لقد تعلم أنه سواء تحرك إصبع بشري أو مخلب معدني، فإن فيزياء كيفية دفع ذلك الجسم تظل كما هي.
جوهر هذا النظام هو طريقة لتمثيل الوقت والحركة تتوافق مع كيفية تجربة البشر للعالم المادي. فبدلاً من عد إطارات الفيديو، التي يمكن أن تختلف سرعتها اعتماداً على الكاميرا، يقيس النموذج الوقت بالثواني الفعلية. إنه يفكك الحركة إلى رمز مستمر واحد يمثل المسار الكامل لنقطة ما خلال مدة زمنية محددة. وهذا يسمح للنظام بالتعامل مع بيانات من مصادر مختلفة، بعضها سُجل بسرعات عالية والبعض الآخر بسرعات منخفضة، دون أن يصاب بالارتباك. وعندما يُعطى النموذج مهمة، مثل "أدخل الزهرة في المزهرية"، فإنه لا يولد مجرد فيديو للفعل، بل يحسب المسار الدقيق ثلاثي الأبعاد الذي يجب أن يسلكه القابض ويتنبأ بالضبط بكيفية تحرك النقاط على الزهرة والمزهرية لاستيعاب هذا الإجراء.
إن نتائج هذا النهج مذهلة. ففي سلسلة من الاختبارات الصارمة، أظهر النموذج مستوى من الدقة لم تستطع الأنظمة السابقة مضاهاته. فعندما طُلب منه التنبؤ بكيفية تغير المشهد بعد تحرك الروبوت، قلل "يونيتاس" الخطأ في تنبؤاته بنسبة تقارب النصف مقارنة بأفضل النماذج ثلاثية الأبعاد الحالية. وفي بيئات المحاكاة المصممة لاختبار مهارات المناولة المعقدة، حقق النظام نسبة نجاح بلغت 99.8 بالمائة في اختبار معياري معروف باسم "ليبيرو" (LIBERO)، متفوقاً على النماذج الأكبر التي تعتمد على توليد الفيديو. والأهم من ذلك، عندما اختبر الباحثون النموذج على روبوتات حقيقية في العالم المادي، فقد حافظ على أداء عالٍ. ففي مهام مثل تنظيم الكتب على الرف وتعبئة كرة في حقيبة، نجح الروبوت بنسبة 90 بالمائة و80 بالمائة على التوالي، وهو ما يتفوق بشكل كبير على الأساليب الرائدة الأخرى.
اختبر الباحثون أيضاً مدى قدرة النظام على التعامل مع التغييرات في البيئة، مثل زوايا الكاميرا المختلفة أو العوائق غير المتوقعة. ولأن النموذج يرتكز على فضاء ثلاثي الأبعاد ثابت بدلاً من عرض كاميرا متغير، فقد ظل قوياً عند تغير المدخلات المرئية. كان بإمكانه الاستمرار في تحديد كيفية تحريك ذراع الروبوت بشكل صحيح حتى لو تحركت الكاميرا أو تغيرت الإضاءة. يشير هذا إلى أن النموذج قد تعلم حقاً هندسة المهمة، وليس مجرد حفظ نمط مرئي معين. ويبدو أن القدرة على التنبؤ بالنتيجة الفيزيائية للفعل، بدلاً من المظهر المرئي فقط، هي مفتاح هذه المتانة.
أحد أكثر جوانب هذا العمل إثارة للاهتمام هو قدرته على نقل المعرفة عبر أنواع مختلفة من الروبوتات وحتى بين البشر والآلات. لقد تم تدريب النموذج على بيانات من أيدٍ بشرية، وروبوتات بذراع واحدة، وروبوتات بذراعين، ومع ذلك استطاع تطبيق ما تعلمه بسلاسة على أي من هذه الهياكل. فعندما قامت يد بشرية بأداء مهمة، استطاع النموذج ترجمة تلك الحركة إلى خطة لقابض الروبوت، والعكس صحيح. يشير هذا التوحيد إلى أن قواعد المناولة الفيزيائية هي قواعد عالمية، وأنه من خلال التركيز على التدفق ثلاثي الأبعاد للمادة، يمكن للآلة أن تتعلم التفاعل مع العالم بطريقة مستقلة عن شكل جسدها المحدد.
إن تداعيات هذا البحث تمتد إلى ما هو أبعد من مجرد تحسين أداء الروبوت. فمن خلال معاملة العالم كمساحة مترية مشتركة ترتبط فيها الأفعال والنتائج مباشرة، قدم الباحثون أساساً جديداً للذكاء المتجسد. ينتقل هذا النهج بعيداً عن فكرة أن الروبوت يحتاج إلى "رؤية" العالم بنفس الطريقة التي يراه بها البشر، بكل ما يكتنفها من غموض المنظور والإضاءة. بدلاً من ذلك، فإنه يمنح الروبوت فهماً مباشراً للمساحة الفيزيائية. لا يحتاج النموذج إلى تخيل فيديو للمستقبل؛ بل يقوم ببساطة بحساب مسار النقاط في الفضاء. هذا الوضوح يسمح باتخاذ قرارات أسرع وأكثر موثوقية، حيث لا يضيع النظام وقته في تفسير الأوهام البصرية أو التصحيح من أجل آثار الكاميرا.
في النهاية، يكمن نجاح "يونيتاس" في بساطة مفهومه، حتى وإن كانت الرياضيات الكامنة وراءه معقدة. فهو يدرك أنه لكي يتمكن الروبوت من التحكم في العالم، يجب أن يفهم العالم في ثلاثة أبعاد، وليس اثنين. ومن خلال ترسيخ تنبؤاته في إحداثيات فيزيائية وقياس الوقت بالثواني بدلاً من الإطارات، يحقق النموذج مستوى من الدقة والموثوقية كان بعيد المنال سابقاً. لقد أظهر الباحثون أنه عندما تتوقف عن محاولة جعل الروبوت يشاهد فيلماً وتبدأ في تعليمه رسم الخريطة للمساحة الفيزيائية، يمكنه أن يتعلم التحرك بثقة ودقة تقربنا من حلم الروبوتات متعددة الأغراض التي يمكنها مساعدتنا في حياتنا اليومية. إن المسار نحو المستقبل واضح: مستقبل المناولة الروبوتية لا يكمن في كاميرات أفضل، بل في فهم أعمق وأكثر مباشرة للعالم ثلاثي الأبعاد الذي نتشاركه جميعاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.