FocusVLA يعلّم الروبوت اختيار الكاميرا بحسب مرحلة المهمة: +13,3 نقطة مئوية في الاختبارات الواقعية

يحتاج الذراع الروبوتية المزوّدة بعدة كاميرات إلى رؤية المشهد كاملًا، وإلى رؤية ما يجري عند المِمسك مباشرة. لكن باحثي Technology Center of Software Engineering التابع لـ ISCAS وجدوا أن نماذج VLA الحديثة تستخدم هذين المنظورين على نحو أحادي الجانب إلى حد بعيد. ويضيف نظامهم الجديد FocusVLA في المتوسط 10,10 نقطة مئوية من النجاح على RoboTwin 2.0 مقارنة بأقوى نموذج أساسي π0.5، ويرفع النتيجة في التجارب الواقعية من 71,7% إلى 85,0%. وقد قُبل البحث في مؤتمر CoRL 2026.

سياسة لا تنظر إلا إلى المعصم

تجمع نماذج vision-language-action بين الإدراك البصري وفهم اللغة وتوليد الأفعال في سياسة واحدة. ولكي يكون الإمساك موثوقًا، يجب مراقبة الجسم والأداة الطرفية وموضع كل منهما بالنسبة إلى الآخر. لذلك تُثبَّت على الروبوتات عدة كاميرات في آن واحد: كاميرا عامة للمشهد، وأخرى محلية مثبتة على المعصم. ويُفترض أن المنظورين يكمل أحدهما الآخر.

تحقق مؤلفو FocusVLA مما إذا كان ذلك صحيحًا في الواقع، وجاءت النتيجة مخيبة. فنماذج VLA الحالية لا تستفيد من تكامل المنظورين بالكامل. إذ تتمسك السياسة بكاميرا المعصم بإصرار، ولا تغيّر التوازن بين المنظور العام والمحلي مع تقدم المهمة. في المقابل، تتطلب مراحل التلاعب المختلفة معلومات مختلفة. فأثناء الاقتراب من الجسم تفيد الصورة العامة للمشهد، وقبيل اللمس مباشرة تصبح التفاصيل عند المِمسك أهم. وبسبب التعلق الدائم بمنظور واحد، تتضرر القدرة على التكيف مع المراحل، كما تتضرر المتانة.

النية بدل المخطط الصارم

صُمم FocusVLA بوصفه إطارًا لتوجيه المنظورات يراعي مراحل المهمة (stage-aware). يأخذ النظام سجل الأفعال المنفذة بالفعل، ويتنبأ منه بنية التفاعل المستقبلية، أي ما ينوي الروبوت فعله لاحقًا. ويتحكم هذا التنبؤ في التوجيه الديناميكي للمنظورات أثناء توليد الأفعال. فيقرر النموذج بنفسه أي منظور يركّز عليه في اللحظة الراهنة، وينسّق بين الملاحظات العامة والمحلية في مراحل المهمة المختلفة.

وثمة تفصيل هندسي مهم: يمكن دمج وحدة التنبؤ بالنية ووحدة التوجيه الديناميكي في أطر VLA القائمة دون تغيير بنيتها الأساسية. وهذا أقرب إلى إضافة (plugin) منه إلى نموذج جديد يُبنى من الصفر.

ماذا أظهرت القياسات

أرقام من البحث:

• RoboTwin 2.0: متوسط النجاح أعلى بمقدار 10,10 نقطة مئوية من أقوى خط أساس، π0.5 • التجارب الواقعية: ارتفع النجاح من 71,7% إلى 85,0% • الفارق عن π0.5 في الاختبارات الواقعية: 13,3 نقطة مئوية • القبول: CoRL 2026 • المؤلفون: Huixin Xu وZiya Yu وPeng Li • الجهة: Technology Center of Software Engineering التابع لـ ISCAS • النسخة الأولية: arXiv 2610.31423

التحسن على الروبوت الحقيقي أكبر حتى من التحسن في المحاكاة. وفي مجال تُعد فيه الفجوة بين الاختبار المعياري والعالم المادي مشكلة مزمنة، فهذه إشارة مهمة. ومع ذلك، ينبغي التذكّر أن خط الأساس المختار هو π0.5، وهو من أبرز نماذج VLA المفتوحة، وعلى هذا النموذج تحديدًا يتفوق FocusVLA. أما المقارنة مع سياسات أخرى والتفصيل حسب كل مهمة على حدة فيبقيان سؤالًا يُجاب عنه في النص الكامل للورقة.

أين يفيد ذلك عمليًا

تنطبق ملاحظة المؤلفين على أي فريق يدرّب سياسات التلاعب على عدة كاميرات. فإذا كان النموذج يتجاهل المنظور العام بصورة منتظمة، فإن إضافة كاميرا ثانية أو ثالثة تزيد تكلفة المنصة الاختبارية وحجم البيانات، ولا تعود بفائدة تُذكر. ويكشف فحص بسيط لمعرفة المنظور الذي تعتمد عليه السياسة في المراحل المختلفة ما إذا كان نظامك يعاني المشكلة نفسها.

الاستنتاج العملي الثاني يتعلق بالتوافق. فما دامت الوحدات تُدمج في نماذج VLA القائمة دون تغيير نواتها، يمكن تجربتها على بنية مدرَّبة بالفعل دون إعادة بناء خط المعالجة بأكمله. وبالنسبة إلى صناعة روبوتات المستودعات والتجميع، حيث يُعد الثبات في العمليات الطويلة متعددة المراحل أهم من تحقيق أرقام قياسية في عروض منفردة، يبدو هذا المنطق عمليًا.

لا توجد حتى الآن على صفحة الورقة نماذج أو مجموعات بيانات أو مساحات عرض تجريبي مرتبطة بها، لذا يتوقف التحقق المستقل من النتائج على ما إذا كان المؤلفون سينشرون الشيفرة. لكن الفكرة نفسها، وهي أن نية الروبوت تحدد وجهة نظره، تبدو خطوة تالية طبيعية لنماذج VLA ذات المدخلات متعددة الكاميرات.