EviNav: Evidence-Driven Grounding and Validated Termination for Zero-Shot Instance Navigation
يُعد EviNav إطار عمل يعتمد على الأدلة ولا يتطلب تدريباً للملاحة في الأجهزة من نوع (zero-shot instance navigation)، حيث يقوم بتجميع الأدلة البصرية والدلالية متعددة المشاهد للتمييز بمتانة بين الأهداف وتحديد نقطة الإنهاء، محققاً معدلات نجاح رائدة في كل من مهام الملاحة القائمة على الصور والمهام القائمة على النصوص.
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
تخيل روبوتاً أُرسل إلى غرفة لم يسبق له رؤيتها من قبل، كُلِّف بمهمة العثور على جسم محدد. لا يكمن التحدي في مجرد العثور على كرسي أو طاولة، بل في تحديد موقع كرسي أو طاولة بعينها تطابق وصفاً معيناً أو صورة فوتوغرافية واحدة قدمها إنسان. هذا هو جوهر "الملاحة عبر الحالات الفردية" (instance navigation). وخلافاً للمهام الأبسط حيث يحتاج الروبوت فقط للعثور على أي جسم من نوع معين، تتطلب هذه المهمة من الآلة أن تميز بين عناصر تكاد تكون متطابقة، وتتنقل حول العوائق، وتقرر بدقة متى عثرت على الجسم الصحيح. تكمن الصعوبة في أن الروبوت لا يمكنه مجرد التخمين؛ بل يجب عليه جمع أدلة بصرية كافية ليكون متأكداً، كل ذلك مع إدارة حد صارم لعدد الخطوات التي يمكنه اتخاذها قبل انتهاء المهمة. فإذا توقف مبكراً جداً، قد يختار الجسم الخطأ؛ وإذا استمر في البحث طويلاً، فسينفد منه عدد الخطوات ويفشل.
لقد طور باحثون في جامعة ساسكس نظاماً جديداً يسمى "EviNav" لحل هذه المشكلة دون الحاجة لتدريب الروبوت على غرف أو أشياء محددة مسبقاً. فبدلاً من التعلم من آلاف الأمثلة، يستخدم النظام مجموعة من القواعد المنطقية وأدوات ذكاء اصطناعي قوية وموجودة مسبقاً للاستدلال عما يراه في الوقت الفعلي. يعمل النظام من خلال بناء خريطة ذهنية للبيئة أثناء حركته، وتتبع الأهداف المحتملة، وطرح السؤال التالي باستمرار على نفسه: "هل هذا هو الجسم الصحيح، وهل لدي دليل كافٍ للتوقف؟". اختبر الباحثون هذا النهج في آلاف السيناريوهات المحاكية وفي روبوت حقيقي داخل مكاتب ومختبرات فعلية، ووجدوا أنه يتفوق بشكل كبير على الطرق السابقة من خلال كونه أكثر حرصاً في كيفية جمع الأدلة ومتى يقرر الانتهاء.
إن قلب هذا النظام هو منهجية لتراكم الأدلة بدلاً من إصدار أحكام خاطفة. فعندما يُعطى الروبوت وصفاً نصياً، مثل "مرحاض أبيض بمقعد مائل للاصفرار"، فإنه لا يتوقف ببساطة عند أول مرحاض أبيض يراه. بدلاً من ذلك، يعامل كل جسم مرشح كفرضية تحتاج إلى تحقق. يتحرك الروبوت إلى زوايا مختلفة حول الجسم، ملتقطاً صوراً من وجهات نظر متميزة. ثم يستخدم نموذجاً لغوياً بصرياً — وهو نوع من الذكاء الاصطناعي الذي يمكنه فهم كل من الصور والنصوص — للتحقق مما إذا كان الجسم يطابق الوصف. والأهم من ذلك، أن النظام يدرك أن التقاط صور متعددة من نفس المكان تماماً لا يوفر معلومات جديدة؛ فهو لا يحتسب إلا الأدلة التي تُجمع من مواقع مختلفة. وإذا كان الروبوت غير متأكد، فإنه يتحرك بنشاط إلى زاوية جديدة للحصول على نظرة أفضل، بدلاً من مجرد طرح السؤال نفسه مرة أخرى. وتستمر هذه العملية حتى يصبح الدليل المتراكم قوياً بما يكفي لتأكيد هوية الجسم أو حتى يُجبر الروبوت على المضي قدماً.
بالنسبة للمهام التي يكون فيها الهدف عبارة عن صورة فوتوغرافية، يتبع النظام نهجاً مختلفاً ولكنه صارم بنفس القدر. فالصورة الفوتوغرافية لجسم ما تعني وضعية كاميرا وزاوية محددة التُقطت منها تلك الصورة. وقد وجد الباحثون أن مجرد التحرك نحو الجسم الموضح في الصورة غالباً ما يكون غير كافٍ، لأن الروبوت قد ينتهي به الأمر واقفاً خلف جدار أو في مكان يكون فيه الجسم محجوباً. بدلاً من ذلك، يقوم نظام "EviNav" بتحليل المعالم الموجودة في الصورة المرجعية والبث المرئي المباشر لحساب الموقع الدقيق الذي كانت تقف فيه الكاميرا الأصلية. ثم يتنقل إلى ذلك الموقع المحدد ويضبط كاميرته الخاصة لتتطابق مع الزاوية الأصلية قبل التحقق مما إذا كان الجسم هو الهدف بالفعل. وهذا يضمن أن يرى الروبوت الجسم في نفس السياق الذي ظهر في الصورة المرجعية، مما يتجنب المطابقات الخاطئة الناتجة عن قطع الأثاث المتشابهة أو التفاصيل المعمارية.
من الابتكارات الرئيسية في هذا العمل هي كيفية إدارة النظام لوقته المحدود. يعمل الروبوت ضمن ميزانية صارمة من الخطوات؛ فلا يمكنه التجول إلى الأبد. يتتبع النظام أفضل مرشح وجده حتى الآن ويحتفظ بما يكفي من الخطوات للعودة إلى ذلك المرشح إذا نفدت الخطوات قبل العثور على مرشح أفضل. هذه آلية "الاحتياط" (fallback) تمنع الروبوت من الضياع في بحث يستمر لفترة طويلة جداً. فإذا استهلك الروبوت الكثير من الخطوات في الاستكشاف وفشل في تأكيد هدف ما، فإنه يعود تلقائياً إلى أكثر نقطة واعدة زارها سابقاً، مما يضمن له على الأقل فرصة التوقف عند مرشح محتمل قبل انتهاء الوقت. كما طبق الباحثون طريقة لتصفية المناطق التي تبدو كالأرضيات ولكنها في الواقع أسطح مرتفعة، مثل الطاولات أو الأسرة، لضمان أن يخطط الروبوت مساراته عبر أرض قابلة للسير فقط.
كانت نتائج هذه التجارب جوهرية. ففي الاختبارات المحاكية التي شملت ألف حلقة مختلفة لكل من الأهداف القائمة على النصوص والصور، نجح النظام في العثور على الجسم الصحيح بنسبة 84.1 بالمئة للأهداف الصورية و55.0 بالمئة للأهداف النصية. وتمثل هذه الأرقام تحسناً كبيراً عن الطرق السابقة، التي كانت تعاني غالباً من النتائج الإيجابية الخاطئة أو نفاذ الخطوات. كما تم اختبار النظام على روبوت حقيقي مجهز بكاميرا ستيريو في مكتب ومختبر. وفي هذه التجارب الفيزيائية، نجح الروبوت في 20 من أصل 24 محاولة، حيث تنقل بنجاح عبر الفوضى في العالم الحقيقي، وضجيج المستشعرات، وصور الهواتف الذكية غير المعايرة المستخدمة كصور مرجعية. وأشار الباحثون إلى أن النظام حقق هذه المعدلات العالية من النجاح مع استخدام طاقة حوسبة أقل بك الكثير وتقديم طلبات أقل لخدمات الذكاء الاصطناعي الخارجية مقارنة بالطرق الرائدة الأخرى.
لقد استبعدت الدراسة صراحةً فكرة أن مجرد الاقتراب من جسم ما أو مطابقة سماته السطحية كافٍ لتحقيق النجاح. ففي اختباراتهم، كانت الطرق التي تتجه مباشرة إلى سطح جسم مطابق دون التحقق من زاوية الكاميرا أو جمع الأدلة من وجهات نظر متعددة تفشل بمعدل أكبر بكثير. كما أظهر الباحثون أن الاعتماد على عرض واحد لاتخاذ قرار يؤدي إلى الأخطاء، حيث إن عمليات التحقق المتكررة من نفس الموقع يمكن أن تعزز استنتاجاً خاطئاً. وبالمقابل، فإن اشتراط نظامهم لوجهات نظر متميزة وقدرته على استعادة موقع الكاميرا الأصلي أثبت أنه المحرك الرئيسي لنجاحه. ويشير هذا العمل إلى أنه لكي تتنقل الروبوتات في بيئات معقدة وغير مرئية بشكل موثوق، يجب تصميمها لتعامل عملية التوقف كعملية تحقق متعمدة، تجمع أدلة مستقلة من منظورات مختلفة قبل الالتزام بقرار نهائي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.