في عالم الذكاء الاصطناعي، تعتبر المتانة ضد الاضطرابات الواقعية من التحديات الكبيرة التي تواجه نماذج رؤية-لغويات-عمل (VLA). بينما تستهدف الأساليب الحالية الاضطرابات البصرية البسيطة، يغفل العديد منها التحديات الأوسع التي تتجلى في الأفعال، التعليمات، والبيئات.

استطاع الباحثون في دراسة جديدة تقييم المتانة لنماذج VLA المعروفة تحت 17 نوعًا من الاضطرابات عبر أربع مجالات، واستنتجوا أن الأفعال هي الأكثر ضعفًا. كما أظهرت نتائج الدراسة أن نماذج VLA الحالية لا تكتسب المتانة المطلوبة في المجالات الأخرى، بينما أثبتت نسخة pi0 قدرتها الفائقة في هذا الجانب.

لتطوير نماذج RobustVLA متعددة المتانة، اقترح الباحثون منهجية جديدة تتعامل مع الاضطرابات في مدخلات ومخرجات VLA. تتضمن هذه العملية تحسينات قوية ضد الضوضاء الناتجة عن الأفعال، مما يحقق تدريبًا معاديًا، وتنعيم التسميات، ومعاقبة القيم الشاذة. وبالنسبة لمدخلات النموذج، تفرض الإجراءات المتسقة الحفاظ على دلالات المهمة حتى في ظل التغيرات.

تمت صياغة مفهوم المتانة كمشكلة لثنائي المسدس المتعدد، وتم تطبيق خوارزمية حدود الثقة العليا لتحديد الضوضاء الأكثر ضررًا بشكل تلقائي. وأظهرت التجارب التي أجريت على قاعدة بيانات LIBERO أن RobustVLA حققت تحسينات مذهلة، حيث سجلت زيادة بنسبة 12.6% على نموذج pi0 و10.4% على نموذج OpenVLA عبر جميع الاضطرابات، محققة سرعة استنتاج تفوق 50.6 مرة مقارنةً بأساليب VLA التقليدية.

عند تطبيقها على الروبوت FR5 في بيئات حقيقية تحت أربعة أنواع من الاضطرابات المتعددة، أظهرت RobustVLA أداءً قويًا مع بيانات قليلة، متفوقة على pi0 بمعدل نجاح 65.6% مع 25 عرضًا تثقيفيًا. حتى مع توفر مجموعة كبيرة من العروض، لا يزال النموذج قادرًا على التفوق على pi0 بمعدل نجاح يبلغ 30%. لمزيد من التفاصيل، يمكن الوصول إلى الكود والفيديوهات التجريبية على [RobustVLA GitHub].

ما رأيكم في هذه التقنيات الحديثة وكيف يمكن أن تُحدث تأثيرًا على التطبيقات اليومية للذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!