Ground-JEPA: Learning Physically Grounded Latent World Models for Zero-Shot Dynamics Generalization of Legged Robots
يقدم Ground-JEPA نموذج عالم كامن (latent world model) أدنى، قائم على الفيزياء، يحقق تعميماً للديناميكيات من الصفر (zero-shot) وأداءً فائقاً في التحكم للروبوتات ذات الأرجل في بيئات ذات درجات حرية عالية (high-DoF) دون الاعتماد على مكافآت خاصة بالمهام، مما يتحدى الافتراض بأن التعلم الخالي من المكافآت هو بطبيعته أدنى كفاءة للأنظمة الروبوتية المعقدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
البوصلة الداخلية للروبوت
تخيل أنك تحاول تعليم روبوت المشي عبر حقل صخري. يمكنك إعطاؤه مجموعة صارمة من القواعد، مثل "ارفع قدمك بالضبط 10 سنتيمترات"، لكن العالم الحقيقي فوضوي؛ الصخور تتحرك، الأرض زلقة، وقد تكون أرجل الروبوت أثقل قليلاً مما هو متوقع. هذا هو تحدي التحكم في الروبوتات ذات الأرجل: جعل الآلات تتحرك بسلاسة وأمان في بيئات غير متوقعة. لفترة طويلة، حاول العلماء حل هذه المشكلة عن طريق بناء "نماذج ديناميكية" — وهي أساساً خريطة ذهنية داخل الروبوت تتنبأ بما سيحدث تالياً إذا تحرك بطريقة معينة.
تقليدياً، كانت هذه الخرائط الذهنية تُبنى من خلال مكافأة الروبوت على القيام بالأشياء الجيدة (مثل البقاء منتصباً) ومعاقبته على الأشياء السيئة (مثل السقوط). يُسمى هذا التعلم القائم على المكافأة. ومع ذلك، هناك عقبة: إذا ارتكب الروبوت خطأً طفيفاً في تنبؤاته، فإن هذا الخطأ يمكن أن يتراكم بمرور الوقت، مثل كرة ثلج تتدحرج من فوق تلة، حتى تصبح الخريطة الذهنية للروبوت خاطئة تماماً ويتعرض للتحطم. هناك نهج آخر، يُسمى بنيات التنبؤ بالتمثيل المشترك (JEPAs)، يحاول تجاوز التفاصيل الفوضوية للعالم الحقيقي. فبدلاً من التنبؤ بمكان كل بكسل بدقة في كاميرا الروبوت، يتنبأ بنسخة "ملخصة" أو "كامنة" (latent) من المستقبل. فكر في الأمر كعازف موسيقى يتنبأ بالنوتة التالية في أغنية من خلال الشعور بالإيقاع، بدلاً من حساب الاهتزاز الدقيق للهواء. السؤال الكبير الذي طرحه العلماء هو: هل يمكن للروبوت أن يتعلم المشي بشكل مثالي بمجرد فهم هذا الإيقاع الداخلي، دون الحاجة إلى معلم يخبره باستمرار "أحسنت العمل" أو "حاول مرة أخرى"؟
Ground-JEPA: الروبوت الذي تعلم المشي عبر الشعور بالإيقاع
قدم فريق من الباحثين نظاماً جديداً يسمى Ground-JEPA، والذي يشير إلى أن الروبوتات قد لا تحتاج إلى ثناء أو عقاب مستمر لتعلم الحركات المعقدة. بدلاً من ذلك، يمكنها التعلم ببساطة من خلال محاولة جعل "شعورها" الداخلي بالمستقبل متسقاً مع الواقع.
تخيل روبوتاً يتعلم المشي ليس من خلال إخباره "لا تسقط"، بل من خلال محاولة التأكد من أن إحساسه الداخلي بـ "أين أنا ذاهب" يتطابق مع حركته الفعلية. في هذا النظام الجديد، لا يحاول الروبوت إعادة بناء فيديو مثالي للمستقبل. بدلاً من ذلك، يقوم بضغط تجربته في "فضاء كامن" (latent space) صغير وفعال — وهو نوع من الاختزال الذهني المجرد. الحيلة الأساسية هنا هي مسبار مستوحى من الفيزياء. بينما تكون الخريطة الداخلية للروبوت مجردة، يعمل هذا المسبار كمترجم، حيث يحول تلك الأفكار المجردة مرة أخرى إلى فيزياء العالم الحقيقي مثل الموقع، والسرعة، والاتجاه. إنه يشبه امتلاك روبوت يفكر في مفاهيم بحتة، ولكن لديه مترجم مدمج يضمن أن تلك المفاهيم لا تزال تخضع لقوانين الجاذبية والزخم.
وجد الباحثون أن السر في نجاح ذلك لم يكن مجرد الترجمة، بل كان أفق التخطيط. فشلت المحاولات السابقة لأن الروبوت كان ينظر فقط إلى خطوات قليلة للأمام — مثل محاولة المشي عبر النظر فقط إلى أصابع قدميك. يجبر نظام Ground-JEPA الروبوت على النظر بعيداً جداً في المستقبل، وتحديداً 12 خطوة للأمام. هذا أمر بالغ الأهمية لأن دورة المشي الكاملة (الخطوة المنتظمة) تستغرق هذا القدر من الوقت تقريباً. ومن خلال النظر إلى الدورة الكاملة، يمكن للروبوت رؤية "الصورة الكبيرة" لحركته، بدلاً من مجرد تحسين الخطوة الصغيرة التالية. وهذا يسمح للنظام بتعلم أنماط مشي مستقرة تماماً من خلال التعلم الذاتي (self-supervision)، مما يعني أنه يتعلم من خلال التحقق مما إذا كانت تنبؤاته الداخلية متسقة، دون الحاجة إلى أي مكافآت خارجية.
النتائج من عمليات المحاكاة الخاصة بهم مثيرة للدهشة حقاً. ففي حالة روبوت رباعي الأرجل (quadruped) مُحاكى، حقق هذا النظام الخالي من المكافآت درجة أداء بلغت 510 ± 68، وهو ما كان في الواقع أفضل من النظام التقليدي القائم على المكافأة الذي سجل 450 ± 234. والأكثر إثارة للإعجاب، هو أنهم طبقوا ذلك بنجاح على روبوت بشري (humanoid) مُحاكى لأول مرة، محققين درجة 350 ± 50 دون أي إشارات مكافأة. لقد فشلت الطريقة التقليدية تماماً مع الروبوت البشري في هذا الإعداد.
أحد أكثر النتائج إثارة هو مدى جودة تعامل هذا النظام مع التغييرات "القصوى". اختبر الباحثون الروبوت في سيناريوهات تغيرت فيها الفيزياء بشكل جذري: تم تغيير كتلة الروبوت بنسبة ±30%، وازدادت احتكاك الأرض بمقدار 2.5 ضعف أو انخفضت إلى 0.4، وكان هناك تأخير قدره 50 مللي ثانية في المحركات. وفي سيناريو مركب حيث حدثت كل هذه التغييرات معاً، احتفظ نموذج Ground-JEPA بـ 78% من أدائه الأصلي. في المقابل، حافظ النموذج التقليدي القائم على المكافأة، حتى عند تدريبه مع تغييرات عشوائية، على 21% فقط من أدائه. يشير هذا إلى أنه من خلال تعلم "المنطوق" (manifold) أو شكل الحركة الأساسي، يصبح الروبوت أكثر قدرة على التكيف مع تغيرات العالم.
اكتشف الفريق أيضاً أن حجم النموذج لا يحتاج لأن يكون ضخماً. هذا النظام بأكمله يعمل على وحدة معالجة رسومات لجهاز كمبيوتر محمول (laptop GPU) ويستخدم حوالي 1.3 مليون بارامتر فقط، وهو رقم ضئيل مقارنة بنماذج الذكاء الاصطناعي الضخمة الأخرى التي تتطلب مليارات البارامترات. لقد أظهروا أن "الانهيار" (حيث يتوقف الروبوت عن التعلم) الذي شوهد في الدراسات السابقة لم يكن بسبب خلل في الطريقة، بل لأن الروبوت كان يستخدم نوعاً خاطئاً من الخرائط الداخلية (تحديداً خريطة معيرة تسمى SimNorm) وينظر بعيداً جداً للأمام دون الهيكل الصحيح. باستخدام تمثيلات كامنة خام وأفق تخطيط صحيح، يعمل النظام بشكل رائع.
ومع ذلك، يوضح المؤلفون بحذر أن هذه النتائج تعتمد حالياً على المحاكاة. فبينما تعلم الروبوت المشي في عالم افتراضي مع تغييرات قصوى، لم يتم اختبار النظام بعد على روبوت حقيقي في العالم الواقعي. بالإضافة إلى ذلك، بينما نجحوا في جعل الروبوت البشري يقف ثابتاً، فإن جعل الروبوت البشري يمشي ديناميكياً على قدمين لا يزال يمثل تحدياً بسبب فيزياء التوازن المعقدة على قدم واحدة.
في النهاية، يشير Ground-JEPA إلى مسار جديد في مجال الروبوتات: بدلاً من قضاء شهور في هندسة وظائف مكافأة مثالية لتعليم الروبوت كيفية المشي، قد نحتاج فقط إلى تعليمه كيفية جعل إيقاعه الداخلي متسقاً مع قوانين الفيزياء. يمكن لهذا أن يجعل التحكم المتقدم في الروبوتات متاحاً للجميع، مما يسمح للمختبرات الصغيرة ذات أجهزة الكمبيوتر المحمولة العادية ببناء روبوتات يمكنها التكيف مع العالم الحقيقي دون الحاجة إلى حواسيب فائقة ضخمة أو تجارب لا تنتهي من الخطأ والصواب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.