TGIT يترجم أوامر الطائرات المسيّرة القصيرة ويرفع نجاح الملاحة من 11% إلى 33%

تُدرَّب نماذج الملاحة الجوية بالاعتماد على النص (aerial vision-and-language navigation, VLN) على أوامر مفصّلة مضبوطة وفق مسار الطيران. أما البشر فيتحدثون بطريقة مختلفة: بإيجاز ومع تركيز على الهدف. على المُلاحِ المجمّد OpenFly تخفض هذه الفجوة نسبة المهام الناجحة (SR) من 31,03% إلى 11,33%. اقترح مؤلفو دراسة جديدة على arXiv مترجم التعليمات المرتكز على المسار Trajectory-Grounded Instruction Translator (TGIT). وهو مترجم يعيد صياغة الأمر القصير بصيغة مفهومة للوكيل، ولا يتطلب إعادة تدريب المُلاحِ نفسه. وعلى التعليمات البشرية الحقيقية يرفع نسبة SR من 11,33% إلى 32,51%.

أين تنكسر الحلقة بين الإنسان والطائرة المسيّرة

يرى المُلاحِ العالم من خلال عينة التدريب. فالتعليمات فيها أشبه بمسار خطوة بخطوة: حلّق على امتداد المبنى، وانعطف عند التقاطع، وانخفض عند السقف الأحمر. أما المستخدم فسيقول: «اذهب إلى ذلك المبنى العالي قرب النهر». هذا كافٍ للإنسان، لكنه بالنسبة إلى وكيل اعتاد التفاصيل أقرب إلى الضجيج.

قاست الدراسة هذه الفجوة بشكل مباشر. على الأوامر الأصلية المفصّلة يحقق OpenFly المجمّد نسبة SR تبلغ 31,03%. وعلى التعليمات القصيرة الموجّهة بالنيّة تنخفض النتيجة إلى 11,33%. إعادة تدريب المُلاحِ لكل أسلوب كلام مكلفة وغير عملية، خاصة إذا كان منشورًا بالفعل ومجمّدًا. لذلك قرر المؤلفون تغيير المدخلات بدل تغيير النموذج.

كيف يعمل TGIT

يحتاج تدريب المترجم إلى أزواج «أمر قصير — أمر مفصّل». الأزواج الحقيقية قليلة، فأنشأها المؤلفون بشكل اصطناعي. أُعطي نموذج لغوي عدة أمثلة على الأسلوب كتبها بشر، وطُلب منه تحويل الأوامر الأصلية إلى أوامر «ضعيفة» (Weak): قصيرة وموجّهة بالنيّة. هذه الأوامر Weak تحقق وحدها نسبة SR تبلغ 15,27%، أي أفضل قليلًا من التعليمات البشرية الحية، لكنها أسوأ بوضوح من الأوامر الأصلية.

يعمل TGIT بوصفه واجهة أمامية قبل المُلاحِ. يتلقى مدخلات Weak ويُخرج أمرًا يستطيع الوكيل تنفيذه. ويتدرّب المترجم على نتائج المسارات: يراقب أين طار المُلاحِ المجمّد فعليًا بعد هذه الصياغة أو تلك، ثم يضبط الترجمة وفق هذا السلوك. ومن هنا جاءت تسمية «trajectory-grounded».

الأرقام الرئيسية من الملخص (abstract):

• OpenFly المجمّد على الأوامر المفصّلة: 31,03% SR؛
• وعلى التعليمات البشرية القصيرة: 11,33% SR؛
• أوامر Weak دون ترجمة: 15,27% SR؛
• مدخلات Weak عبر TGIT: 37,93% SR؛
• التعليمات البشرية الحقيقية عبر TGIT، zero-shot: 32,51% SR؛
• العينة المحجوزة من OpenFly: من 4,95% إلى 20,79%.

يستحق الرقم 37,93% وقفة منفصلة. فهو أعلى من 31,03% المسجّلة على الأوامر الأصلية المفصّلة. ويبدو أن المترجم لا يستعيد التفاصيل المفقودة فحسب، بل يتعلم الصياغة بالشكل الأنسب للمُلاحِ. لكن الاستنتاجات هنا حذرة: ينبغي مقارنة هذه المؤشرات وفق شروط التجربة الواردة في النص الكامل للدراسة.

كما أن قابلية النقل مهمة أيضًا. فقد تدرّب المترجم على أوامر Weak الاصطناعية، لكنه عمل مع البشر الحقيقيين دون تدريب إضافي: تحولت 11,33% إلى 32,51%. وبالنسبة إلى معيارَي CityNav وAirVLN يتحدث المؤلفون عن «استعادة» الجودة. ولا توجد قيم رقمية في الملخص، لذا فإن حجم الأثر هناك غير معروف حتى الآن.

ما الذي يمكن الاستفادة منه عمليًا

الفكرة العملية الأساسية هي أن المحوّل (adapter) يكفيه أن يراقب سلوك نموذج آخر. فهو لا يحتاج إلى أوزانه ولا إلى تدرجاته (gradients) ولا إلى بيانات تدريبه. ويمكن للفرق التي تشغّل نماذج ملاحة جاهزة للطائرات المسيّرة أو الروبوتات أن تضع هذه الطبقة أمام النظام دون المساس بما سبق اعتماده أو اختباره.

وثمة قيود أيضًا. فالنتائج جاءت من معايير محاكاة، لا من رحلات فعلية. وأوامر Weak ولّدها نموذج انطلاقًا من بضعة نماذج، لذلك يبقى التنوع الحقيقي في الكلام واللهجات وضجيج الإدخال الصوتي سؤالًا مفتوحًا. وقبل بناء منتج، من المنطقي اختبار TGIT على سيناريوهاتك الخاصة وأسلوب الطلبات لديك. وإذا تأكد الأثر، فسيصبح تحويل النيّة إلى تعليمة قابلة للتنفيذ طبقة مستقلة في منظومة الوكلاء المستقلين، لا مهمة تستدعي إعادة تدريب كل نموذج جديد.