في عصر الذكاء الاصطناعي المتطور، يُعد تخطيط المهام أحد العوامل الأساسية التي تربط بين التعليمات عالية المستوى والسلوك القابل للتنفيذ، خاصةً في السياقات المعقدة مثل التحريك على المدى الطويل. ولكن، تواجه الأنظمة الحديثة مثل أنظمة الرؤية-اللغة-العمل (Vision-Language-Action, VLA) تحديًا كبيرًا حيث تظل الهياكل المتوسطة غير واضحة.

لإيجاد حل لهذه القضايا، يتم تقديم **X-Planner**، وهو واجهة تخطيط جديدة تعمل على تحسين الإشراف وتمثيل التفكير المجسد. تستند بيانات تخطيطنا إلى هياكل معقدة تمزج بين أنظمة Ego وUMI والتحكم عن بُعد (teleoperation)، مما يوفر تصنيفًا متدرجًا مع عمق توضيحي يعتمد على المصادر.

تعتمد آلية X-Planner على معلومات متعلقة بوقت الاستيلاء (takeover-time annotations) وأخطاء مصممة بشريًا، مما يعزز القدرة على التعرف على الأخطاء بشكل مستمر. فضلاً عن ذلك، يكشف هيكل شبكة VLM المشتركة عن شكلين للتخطيط المهيكل الحدثي، حيث يوفر أحدهما واجهة واضحة تصدر حالات أحداث قابلة للتفسير، بينما يدفع الآخر حالات التفكير المستمر عبر أعماق Transformer بشكل متدرج باستخدام تقنية Staircase Decoding.

الأساس المنطقي يُعزز من خلال هدف إعادة البناء باستخدام تمثيل يعتمد على معاني معينة، مما يُعد بمثابة نقطة انطلاق لفهم التمثيل الكامن. في التقييم offline للتخطيط، احتل X-Planner المرتبة الثانية بين أربعة نماذج تم تقييمها وفقًا لمعايير BERTScore-F1 ودرجة التقييم المبنية على القضاة، مما يُظهر تفوقه على الأسس المعتمدة في التجارب الفعلية للروبوتات.

تُظهر هذه النتائج القدرة الفائقة لـX-Planner في تحسين جودة التخطيط والنصوص التنفيذية، موفرةً إنجازات بارزة في المجالات المستقبلية المهيكلة. هل تتوقع أن يسهم X-Planner في تحسين تقنيات الذكاء الاصطناعي بشكل كبير؟ شاركونا آراءكم في التعليقات!