كيف تُعلّم MTS روبوتًا بشريًا يعتمد نموذج VLA التقاط الأشياء المتحركة على سير ناقل

في 22 يوليو 2026 نشرت دانيا، مهندسة تعلّم الآلة (ML) في MTS، في المدونة المؤسسية للشركة على Habr تحليلًا لكيفية تدريب روبوت بشري كامل الحجم، في قسم الأبحاث والتطوير في مجال Physical AI، على التقاط الأشياء المتحركة على سير ناقل بالاعتماد على سياسة VLA (Vision-Language-Action، «الرؤية — اللغة — الفعل»).

ما المشكلة الرئيسية

يلتقط الروبوت البشري الشيء من الطاولة بثقة، لكنه يبدأ بإخطاء الهدف حين يتحرك الشيء نفسه على سير ناقل، وهذه بالتحديد المهمة التي يركّز عليها فريق MTS. ففي المشهد الثابت يبقى الشيء ساكنًا والإضاءة مستقرة والكاميرا موجّهة إلى منطقة العمل، ولذلك تُظهر نماذج VLA الحديثة جودة تحكم عالية. وما إن يتحرك الشيء حتى تضيع دقة الالتقاط المعتادة: فالنموذج المدرَّب على مشاهد ساكنة لا يجاري الهندسة المتغيرة للمهمة.

وبحسب المهندسة، فإن هذا ليس عطلًا فرديًا، بل قيد منهجي في نهج يعمل ببراعة في العروض المخبرية، لكنه ينتقل بصعوبة إلى سير ناقل حقيقي.

يلتقط الروبوت الشيء من الطاولة بثقة، لكنه يبدأ بإخطاء الهدف حين يتحرك

الشيء على السير الناقل.

— دانيا، مهندسة ML في MTC Web Services

لماذا المشهد الديناميكي أعقد من الثابت

تضيف البيئة الديناميكية مستويين من التعقيد دفعة واحدة: فالشيء يتحرك، والروبوت الذي عليه أن يتكيّف معه يتحرك أيضًا. ولا تزال معظم العروض الاستعراضية للروبوتات تُصوَّر في بيئة ثابتة، حيث توضع الأشياء بعناية على الطاولة ويكاد المشهد لا يتغير. أما المهام الحقيقية في الحياة اليومية وفي الإنتاج فلا تبدو هكذا: فالأشياء، على الأقل، تتحرك على سير ناقل، ويجب حساب الالتقاط مع مراعاة سرعتها ومسارها.

أبرز معطيات المشروع:

• الفريق — قسم RnD في مجال Physical AI لدى MTC Web Services
• التقنية — سياسة VLA (Vision-Language-Action) لروبوت بشري
• كاتبة التحليل — دانيا، مهندسة ML في MTS
• التركيز — التقاط الأشياء المتحركة على سير ناقل، لا الموضوعة على الطاولة
• تاريخ نشر التحليل — 22 يوليو 2026

لماذا يصعب الأمر على الروبوت البشري أكثر من الذراع الآلية

على الروبوت كامل الحجم ألا يكتفي بمدّ يده نحو الشيء، بل أن يحافظ أيضًا على توازن جسمه كله. أما الذراع الآلية المثبّتة فتحلّ مسألة أبسط: قاعدتها ثابتة، والنموذج كله مسؤول فقط عن حركة اليد. أما الروبوت البشري فيضطر، لأجل الالتقاط نفسه، إلى أن يخطو ويعوّض انزياح مركز الثقل بحركات إضافية للجذع.

وكل حركة من هذا القبيل تغيّر موضع الكاميرا واليد بالنسبة إلى الشيء الذي يكون هو الآخر متحركًا في تلك اللحظة. ونتيجة لذلك يزداد حساب الحركات تعقيدًا أضعافًا: إذ على النموذج أن يتنبأ بمسار الشيء، ويخطّط الالتقاط، ويحافظ على اتزان الروبوت في آن واحد. وهذه الحلقة المركّبة بالذات هو ما يحاول فريق MTS تجميعه حاليًا ضمن توجه Physical AI.

ماذا يعني ذلك

يمثّل الانتقال من العروض الثابتة إلى العمل مع الأشياء المتحركة أحد أبرز العوائق أمام خروج الروبوتات البشرية من المختبر إلى الإنتاج الفعلي. ويُظهر تحليل MTS أن حتى العملية الأساسية «التقاط شيء» لا تعود بسيطة بمجرد أن يدبّ الحراك في المشهد، وأن التطبيق الصناعي لروبوتات VLA لا يصطدم بقوة القبضة، بل بديناميكية البيئة.

الأسئلة الشائعة

ما هي سياسة VLA؟

VLA (Vision-Language-Action) نموذج للتحكم في الروبوت يربط بين الرؤية والتعليمة اللغوية والفعل: يرى الروبوت المشهد، ويفهم المهمة، ويخطّط الحركة. وفي المشاهد الثابتة، بحسب تحليل MTS، تُظهر هذه النماذج جودة التقاط عالية.

لماذا تكون البيئة الديناميكية أصعب على الروبوت البشري؟

لأن الشيء والروبوت نفسه كليهما يتحركان. فعلى الروبوت البشري كامل الحجم أن يخطو لأجل الالتقاط وأن يحافظ على توازن جسمه بحركات إضافية، ولذلك يزداد حساب الحركات تعقيدًا أضعافًا مقارنة بالذراع الآلية المثبّتة.