HKU EgoWild2Dex تدرّب يدًا روبوتية على 538.9 ساعة من الفيديو «الفوضوي» وساعة واحدة على الروبوت الحقيقي

اقترح باحثو MMLab في جامعة هونغ كونغ نظام EgoWild2Dex، وهو نهج يدرّب الأيدي الروبوتية الماهرة على 538.9 ساعة من الفيديو المصوَّر بمنظور الشخص الأول. صُوّرت التسجيلات في منازل عادية ومصانع قائمة وصيدليات، من دون تجهيز خاص للمشهد. تهتز الكاميرا مع حركة الشخص، والخلفية مزدحمة. أما على الروبوت الحقيقي، فيبدو من عنوان الإعلان أن الأمر استغرق أقل من ساعة. وتشمل المهام التي أتقنها النظام فتح الطرود، واستخدام مسدس الغراء، وتحضير المشروبات الباردة.

لماذا تحتاج الروبوتات إلى بيانات «فوضوية»

تُجمع معظم مجموعات البيانات الخاصة بالتعامل مع الأجسام الصغيرة في ظروف خاضعة للتحكم: إضاءة متساوية، وخلفية واضحة، وكاميرا ثابتة، وأحيانًا قفازات مزوّدة بمستشعرات أو أنظمة التقاط حركة (موكاب). وهذا مكلف ويصعب توسيعه. ثم يضطر الروبوت الذي دُرّب في المختبر إلى العمل في مطبخ تُوضع فيه الأشياء بطريقة مختلفة.

أما التعلّم من تسجيلات الحياة الواقعية فتكمن مشكلته في جانب آخر. فالكاميرا المثبتة على رأس الشخص أو صدره تتحرك طوال الوقت، واليدان تحجبان الجسم، والإضاءة تتقلب، ويدور في الإطار الكثير مما لا صلة له بالمهمة. وهذا بالضبط نوع البيانات الذي اختاره الفريق: 538.9 ساعة من دون «تنعيم» للمشاهد. والسؤال الذي يطرحه العمل مباشر: هل يمكن استخراج مهارات حركية دقيقة صالحة للروبوت من تدفق بيانات كهذا؟

ما المعروف عن النتائج

لا يُظهر المقتطف المنشور من الإعلان سوى المعايير الأساسية:

• حجم البيانات: 538.9 ساعة من التسجيلات البشرية بمنظور الشخص الأول.
• البيئات: أماكن سكنية، وورش إنتاج، وصيدليات.
• ظروف التصوير: من دون تجهيز خاص للمشهد، مع اهتزاز شديد للكاميرا.
• بيانات الروبوت الحقيقي: أقل من ساعة واحدة.
• المهام المعروضة: فتح الطرود، ووضع مادة العزل بمسدس الغراء، وتحضير المشروبات الباردة.

لم تُختر هذه المهام عشوائيًا. فسكين فتح الصناديق، والمسدس ذو الزناد، وأكواب السوائل تتطلب كلها إمساكًا دقيقًا وقوة مناسبة وتسلسلًا من عدة خطوات. ولا يكفي هنا مجرد «الإمساك بالشيء ووضعه».

ما ينقص حتى الآن

يخلو المقتطف المتاح من تفاصيل أساسية للتقييم: نسبة المحاولات الناجحة، ونموذج اليد والذراع الروبوتية، وطريقة نقل حركات الإنسان إلى الروبوت، والمقارنة بالأساليب المرجعية. ومن دونها يصعب الحكم على مدى تعامل النظام مع الانحرافات عن العروض التوضيحية. كما أن قدرته على الانتقال إلى مشاهد وأجسام جديدة غير واضحة. ولن يكون التقييم الكامل ممكنًا إلا بعد صدور الورقة البحثية أو الشيفرة المصدرية.

وعند قراءة الورقة، ينبغي الانتباه إلى كيفية تصفية المؤلفين لاهتزاز الكاميرا أو تعويضه، وكيفية استعادة وضع يد الإنسان في ثلاثة أبعاد، وعدد التشغيلات الحقيقية التي احتاجتها كل مهمة.

الخلاصة العملية

بالنسبة إلى الفرق التي تبني أذرعًا روبوتية بأيدٍ ماهرة، فإن الفكرة الرئيسية هنا هي تحوّل في هيكل التكاليف. فإذا كان الفيديو البشري المصوَّر في ظروف عادية صالحًا فعلًا للتدريب، لم يعد المورد الأساسي هو وقت المختبر على الروبوت، بل جمع التسجيلات: إذ يمكن تصويرها في أماكن عمل الموظفين، وفي المتاجر والمستودعات والمصانع. ولا يلزم الروبوت الحقيقي إلا لضبط نهائي قصير.

أما العملاء ومتكاملو الأنظمة فعليهم الانتباه إلى القيود. فساعة واحدة على الروبوت الحقيقي تبدو مغرية، لكن الموثوقية في ورشة الإنتاج تُقاس بمئات التكرارات المتتالية، لا بعرض توضيحي ناجح. وما دامت أرقام الاستقرار والانتقال بين المشاهد غير منشورة، فهذه نتيجة بحثية قوية وليست تقنية جاهزة للتطبيق. وينبغي لمن يعملون على التعلّم من الفيديو ومحاكاة حركات الإنسان متابعة صدور الورقة والشيفرة.