الطائرة المسيّرة OpenFlyV2 بنموذج 1B تصل إلى هدفها بنفسها في 48% من الرحلات الواقعية دون تدريب عليها

قدّم باحثون من مختبر شنغهاي للذكاء الاصطناعي، بالتعاون مع جامعة نورث وسترن بوليتكنيك وجامعة شنغهاي جياو تونغ وUSTC وTeleAI، نموذج OpenFlyV2، وهو نموذج vision-language-action للطائرات المسيّرة. يفهم النموذج ما تلتقطه الكاميرا، ويحدد الأجسام بناءً على وصف نصي، ويقدّر المسافات، ويولّد مسار الطيران في الوقت نفسه. ويعمل ذلك كله على متن الطائرة، على وحدة NVIDIA Jetson Orin NX، دون نقل الحسابات إلى خادم أرضي. وفي الاختبارات الواقعية وصل الكوادكوبتر DJI M30T إلى هدفه في 48% من الرحلات، مع أن بيانات طيران حقيقية لم تُستخدم في التدريب.

نموذج واحد بدل مجموعة من المتخصصين

تُبنى الروبوتات الجوية عادةً من وحدات منفصلة: إحداها لفهم المشهد، وأخرى للملاحة، وثالثة للتخطيط، بينما يُحال الجزء الأثقل من الحسابات إلى خادم خارجي. وهذا يجعل الطيران مرهونًا بجودة الاتصال وزمن التأخير. أما في OpenFlyV2 فتعالج واجهة vision-language مشتركة (0,8 مليار معلمة مبنية على Qwen3.5-VL) الإطارات والتعليمات وسجل الرحلة. وعندما يلزم تنفيذ فعل، يتصل بها «خبير أفعال» مدمج بحجم 0,2 مليار معلمة. يحوّل هذا الخبير السياق متعدد الوسائط إلى 12 نقطة مسار، ويتولى متحكم منخفض المستوى تنفيذها. وتبلغ التردد 10 Hz.

ولتلبية حدود الميزانية الحاسوبية للعتاد المحمول على الطائرة، أضاف المؤلفون أسلوبين. الأول Motion-Adaptive Memory (MAM)، ويضغط سجل الرحلة في مجموعة محدودة من الرموز «الحدثية»: مقاطع حركة إضافة إلى إطارات مرجعية. وبذلك لا يحمّل النموذج السياق بفيديو كثيف. أما الثاني Motion-Structured Prior (MSP)، فيستند إلى ملاحظة أن مسارات الطائرات المسيّرة القصيرة تؤول إلى مجموعة صغيرة من الأنماط المتكررة. ولا يبدأ التوليد من ضجيج خالص، بل من توزيع حول نموذج حركة أولي مناسب، ولذلك يحتاج مولّد flow إلى عدد أقل من خطوات إزالة الضجيج.

بيانات من المحاكاة فقط

جُمعت مجموعة بيانات OpenFlyV2-130K من 13 بيئة: أربعة مشاهد AirSim، ومستويان مدينيان في Unreal Engine، وسبع عمليات إعادة بناء بتقنية 3D Gaussian Splatting (خمسة حرم جامعية ومنطقتان مدمّرتان). وبلغ المجموع 72 352 مسار ملاحة و60 006 أزواج سؤال وجواب عن اللون ووصف الأجسام والمسافات والعلاقات المكانية والإسناد البصري. وُلّدت التعليقات التوضيحية آليًا ثم راجعها بشر. واستُبعدت أربع بيئات كليًا من التدريب لاختبار القدرة على التعميم.

ماذا أظهرت القياسات

في خمس مهام لإدراك المشهد الجوي، يضاهي النموذج ذو الواجهة بحجم 0,8 مليار معلمة أداء GPT-5.5، ويتفوق على Qwen3.5-9B وGemini 3 Flash. وفي الإسناد إلى الكائن يسجل 67,1% وفق [email protected] مقابل 61,6% لدى GPT-5.5 (المقياس هو نسبة الإجابات التي يتطابق فيها الإطار مع المرجع بقيمة IoU لا تقل عن 0,5). ويبلغ متوسط الخطأ المطلق في تقدير المسافة 47,32 م مقابل 52,62 م، والخطأ النسبي 0,27 مقابل 0,34. أما جودة الأوصاف فمتقاربة تقريبًا: 6,38 مقابل 6,36 من 10.

وفي الملاحة بالمحاكاة، على 800 حلقة في بيئات مألوفة و300 في بيئات غير مألوفة، بلغت نسبة النجاح 62,88% و52,67% على التوالي. ولم تُحتسب المحاولة ناجحة إلا بإشارة توقف صريحة ضمن 25 م من الهدف. وأُعيد تدريب أربع طرق أساسية مفتوحة، منها AeroVLA ونموذج الملاحة من OpenUAV، على البيانات نفسها. وقورنت بالنموذج في المحاكاة فقط، لأن أيًّا منها لم يُشغَّل على Jetson Orin NX. وفي الاختبار الفعلي اجتاز نقطة التحقق (checkpoint) نفسها أربعة مواقع حقيقية وحققت نسبة نجاح 48%.

القيود

تعني نسبة 48% أن أكثر من نصف الرحلات الواقعية انتهى بالفشل، ولذلك فالنموذج بعيد عن الموثوقية المطلوبة صناعيًا. كما أن هامش 25 م في معيار النجاح سخيّ نوعًا ما لمهام الاقتراب الدقيق. وأُجريت المقارنة مع GPT-5.5 ونماذج أخرى على معيار اختبار خاص بالمؤلفين، دون تحقق مستقل. ويتبيّن من النص أيضًا أن جزءًا من النتائج جاء بعد تدريب إضافي بأسلوب reinforcement، وأن تفاصيل المقارنة مع إحدى الطرق الأساسية مبتورة في الوصف المتاح.

وتكمن القيمة العملية في أمر آخر: يُظهر العمل أن نموذجًا بمليار معلمة يستطيع احتواء فهم المشهد والاستدلال المكاني والتحكم المستمر في حلقة محمولة على الطائرة بتردد 10 Hz. وهذا يقلل اعتماد الطائرة المسيّرة على قناة الاتصال. ويَعِد الفريق بنشر الشيفرة والبيانات في مستودع AeroBrain على GitHub، لكن لا يمكن حاليًا التحقق من هذه الادعاءات بصورة مستقلة.