يوفر Foxtech حلول الطائرات بدون طيار الصناعية & أنظمة الحمولة النافعة للطائرات بدون طيار.
مجموعة Agility A2 VR للتحكم عن بعد VLA: منصة متعددة النماذج لأبحاث الذكاء الاصطناعي المجسد وتعلم الروبوتات
مع استمرار انتقال الذكاء الاصطناعي المجسد من المحاكاة إلى مهام الروبوتات في العالم الحقيقي، يحتاج الباحثون والمطورون إلى أكثر من مجرد ذراع روبوتية. إنهم بحاجة إلى منصة متكاملة قادرة على جمع بيانات عالية الجودة، ودعم نماذج التعلم الآلي المختلفة، والمساعدة في التحقق من صحة سير عمل تعلم الروبوت في بيئات حقيقية.
صُممت حزمة Agility A2 VR Teleoperation VLA خصيصًا لهذا الغرض. فهي تجمع بين التحكم الروبوتي ثنائي الذراع، والتحكم عن بُعد بتقنية الواقع الافتراضي الغامرة، والرؤية ثلاثية الأبعاد متعددة الكاميرات، واكتساب البيانات المتزامن، وبرنامج جاهز للعمل مع تقنية VLA. والأهم من ذلك، أنها تدعم خيارات متعددة لنماذج VLA، بما في ذلك ACT وSmoLVLA وPi0 وPi0.5 وXVLA، مما يمنح الباحثين والمطورين مرونة أكبر في تجارب الذكاء الاصطناعي المُجسد.
ما المشكلة التي تحلها مجموعة برامج Agility A2 VLA؟
تواجه العديد من فرق الروبوتات نفس التحدي: لديهم نماذج الذكاء الاصطناعي، أو أدوات المحاكاة، أو أفكار بحثية، لكنهم يفتقرون إلى منصة روبوتية عملية لجمع البيانات في العالم الحقيقي والتحقق من صحة النموذج.
يحتاج نموذج VLA إلى مدخلات بصرية، وبيانات حالة الروبوت، وبيانات الحركة، وتنفيذ المهام الفعلية. إذا لم تكن الأجهزة والكاميرات ونظام التحكم وبرمجيات النظام متكاملة بشكل جيد، فقد يقضي الباحثون وقتًا طويلًا في بناء البنية التحتية بدلًا من اختبار الأفكار.
تساعد مجموعة Agility A2 VR Teleoperation VLA Suite في حل هذه المشكلة من خلال توفير منصة متكاملة ثنائية الذراع للتحكم عن بُعد، وجمع البيانات، والتعلم بالتقليد، وتدريب الروبوتات بتقنية VLA، والاستدلال في الوقت الفعلي. فهي تُمكّن الفرق من الانتقال بسرعة أكبر من مرحلة العرض العملي البشري إلى مرحلة تعلم الروبوت، ومن اختبار النموذج إلى تنفيذ المهام.
ما هي نماذج VLA التي يدعمها؟
إحدى المزايا الرئيسية لمجموعة برامج Agility A2 VLA هي دعمها لنماذج VLA المتعددة. وبناءً على بنية نموذج VLA المدعومة، يمكن للنظام العمل مع:
ACT — افتراضي
SmoLVLA — اختياري
Pi0 — اختياري
Pi0.5 — اختياري
XVLA — اختياري
وهذا يعني أن المستخدمين يمكنهم البدء باستخدام ACT كنموذج استدلال افتراضي، مع امتلاكهم أيضًا المرونة لاستكشاف نماذج VLA الأخرى اعتمادًا على اتجاه بحثهم وتكوين الحوسبة ومتطلبات المهمة.
يُعدّ دعم النماذج المتعددة أمرًا بالغ الأهمية لمختبرات الأبحاث والجامعات والشركات الناشئة في مجال الروبوتات. فقد تتفوق نماذج مختلفة في أداء مهام متنوعة، مثل الإمساك والتقاط الأشياء ووضعها وطيّها واستخدام الأدوات أو المناولة بعيدة المدى. وبدلًا من الاقتصار على نموذج واحد، يُمكن للمستخدمين مقارنة أساليب مختلفة تعتمد على تقنية VLA والتحقق من صحتها وتطويرها على نفس منصة الروبوت.
كيف يدعم برنامج ACT التحقق السريع من صحة سير عمل VLA؟
يتم دعم ACT كنموذج افتراضي، مما يجعله مناسبًا للمستخدمين الذين يرغبون في بدء استنتاج VLA والتحقق من صحة المهام بسرعة.
بالنسبة للفرق الجديدة في مجال الذكاء الاصطناعي المجسد أو الروبوتات القائمة على المصفوفات الدقيقة، يُعد خيار النموذج الافتراضي مفيدًا للغاية. فهو يقلل من صعوبة الإعداد الأولي ويوفر نقطة انطلاق عملية لجمع العروض التوضيحية، وتدريب سياسات السلوك، واختبار تصرفات الروبوت.
باستخدام نظام ACT، يمكن للمستخدمين التركيز على مهام التلاعب الأساسية مثل الإمساك، ونقل الأشياء، والتقاطها ووضعها، وطيها، أو عمليات التجميع البسيطة. وهذا ما يجعله مناسبًا لمختبرات التدريس، ودورات الروبوتات المدعومة بالذكاء الاصطناعي، والتحقق من صحة المفاهيم في المراحل المبكرة.
كيف توسع نماذج VLA الاختيارية إمكانيات البحث؟
على الرغم من أن برنامج ACT يوفر نقطة انطلاق قوية، إلا أن المستخدمين المتقدمين قد يحتاجون إلى مرونة أكبر في النماذج. وهنا تبرز أهمية الدعم الاختياري لبرامج SmoLVLA وPi0 وPi0.5 وXVLA.
يمكن استخدام SmoLVLA من قِبل الفرق التي تستكشف سير عمل VLA خفيف الوزن أو عالي الكفاءة. يوفر الإصداران Pi0 وPi0.5 خيارات إضافية لتجربة هياكل نماذج VLA الأحدث واستراتيجيات تنفيذ المهام. كما يوفر XVLA خيارًا آخر للمستخدمين الذين يرغبون في اختبار قدرات الرؤية واللغة والحركة المختلفة في سيناريوهات التلاعب الروبوتي.
لا تقتصر قيمة هذه النماذج الاختيارية على تنوعها فحسب، بل تتيح للمستخدمين مقارنة الأداء عبر مهام ومجموعات بيانات واستراتيجيات تحكم مختلفة. يمكن لمختبر جامعي استخدام هذه المنصة لمقارنة النماذج، كما يمكن لشركة ناشئة استخدامها لاختبار النموذج الأنسب لتطبيق تجاري، ويمكن لفريق بحث وتطوير صناعي استخدامها للتحقق من قدرة نموذج المصفوفة الخطية ذات المصفوفة الكبيرة (VLA) على التعامل مع مهام متكررة محددة في بيئة مُحكمة.
لماذا يُعد دعم النماذج المتعددة مهمًا للذكاء الاصطناعي المجسد؟
لا يزال الذكاء الاصطناعي المجسد يتطور بسرعة. لا يوجد نموذج واحد قادر على حل جميع مهام الروبوتات على أكمل وجه. قد لا يكون النموذج الذي يؤدي أداءً جيدًا في مهمة ما هو الخيار الأمثل لمهمة أخرى.
على سبيل المثال، قد يكون أحد النماذج أفضل لمهام الالتقاط والوضع قصيرة المدى، بينما قد يكون نموذج آخر أكثر ملاءمة للتسلسلات الأكثر تعقيدًا التي تتضمن الفهم البصري والتفاعل مع الأشياء والتخطيط المستمر للعمل.
بفضل دعمها لتقنيات ACT وSmoLVLA وPi0 وPi0.5 وXVLA، تمنح حزمة Agility A2 VLA الباحثين مساحة أكبر للتجربة. إذ يمكن للمستخدمين جمع البيانات مرة واحدة، واختبار مسارات النماذج المختلفة، وتقييم أداء كل نموذج في ظروف الروبوتات الحقيقية.
وهذا يجعل المنصة مناسبة بشكل خاص لأبحاث الذكاء الاصطناعي المجسد، والتعلم بالتقليد، وتدريب VLA، وتجارب تعلم الروبوت، والتحقق من صحة المحاكاة إلى الواقع.
كيف تساعد تقنية التشغيل عن بعد بتقنية الواقع الافتراضي في جمع بيانات VLA؟
يبدأ تعلم الروبوت عالي الجودة ببيانات عرض عالية الجودة. تستخدم مجموعة Agility A2 VLA تقنية التحكم عن بُعد بالواقع الافتراضي لتمكين المستخدمين من التحكم في الروبوت ذي الذراعين بطريقة أكثر طبيعية وتفاعلية.
باستخدام نظارة الواقع الافتراضي، يستطيع المشغلون توجيه الروبوت خلال المهام بينما يسجل النظام بيانات مرئية متزامنة، وبيانات حالة الروبوت، وبيانات الحركة. يُعدّ هذا الأسلوب مفيدًا بشكل خاص للتعلم بالتقليد، حيث يتعلم الروبوت من خلال عروض البشر.
بالمقارنة مع أساليب التحكم التقليدية، يمكن أن تجعل تقنية التحكم عن بعد بالواقع الافتراضي عملية جمع البيانات التجريبية أكثر سهولة. إذ يستطيع المشغل توجيه كلا الذراعين، ومراقبة بيئة المهمة، وتوليد بيانات المهمة لاستخدامها لاحقًا في التدريب والاستدلال.
بالنسبة لأبحاث VLA، فإن هذا يخلق جسراً عملياً بين التشغيل البشري والتعلم الآلي المستقل.
كيف تُحسّن تقنية الرؤية ثلاثية الأبعاد متعددة الكاميرات عملية تعلم الروبوت؟
تعتمد نماذج VLA بشكل كبير على المعلومات المرئية. يدمج نظام Agility A2 VLA Suite إعداد رؤية ثلاثية الأبعاد متعدد الكاميرات، بما في ذلك كاميرا مثبتة على الرأس وكاميرات معصم، لالتقاط مساحة العمل من زوايا مختلفة.
توفر الكاميرا المثبتة على الرأس رؤية أوسع للبيئة المحيطة، بينما توفر كاميرات المعصم معلومات بصرية دقيقة بالقرب من المقابض. يُعد هذا المزيج مفيدًا لمهام المناولة التي تتطلب فهمًا شاملًا للمشهد وتفاعلًا دقيقًا مع الأشياء.
على سبيل المثال، عندما يلتقط الروبوت جسمًا ما، تساعد الكاميرا المثبتة على رأسه في فهم المشهد العام، بينما تلتقط كاميرا معصمه صورًا تفصيلية لما حول الجسم المستهدف. يدعم هذا النوع من بيانات RGB-D المتزامنة تدريبًا أكثر دقة لخوارزمية VLA واستدلالًا أكثر موثوقية في الوقت الفعلي.
كيف يمكن للباحثين استخدام المنصة؟
يمكن لمجموعة برامج Agility A2 VLA دعم سير عمل كامل للذكاء الاصطناعي المتجسد:
أولاً، يتحكم المستخدم بالروبوت عن بُعد عبر تقنية الواقع الافتراضي، وينفذ مهامًا حقيقية. ثم، يلتقط النظام بيانات متزامنة، تشمل مدخلات الكاميرا، وحركة الروبوت، ومعلومات الحركة. بعد ذلك، تُعالج البيانات المُجمعة عبر مسار معالجة البيانات المرئية (VLA) لتعلم المحاكاة، وتدريب النموذج، واختبار الاستدلال. وأخيرًا، يُعاد نشر النموذج المُدرَّب إلى الروبوت لتنفيذ المهام بشكل مستقل.
تساعد آلية العمل هذه المستخدمين على اختبار ما إذا كان نموذج VLA يمكنه الانتقال من بيانات العرض التوضيحي إلى السلوك الروبوتي الحقيقي.
قد تشمل مهام البحث النموذجية الإمساك بالأشياء، وفرز العناصر، والطي، والتجميع، والإدخال، والنقل، ووضع الرفوف، وتجارب التلاعب بالذراعين الأخرى.
ما الذي يجعل جهاز Agility A2 مناسبًا للتلاعب بالذراعين؟
تتطلب العديد من المهام الواقعية استخدام اليدين. فطي القماش، ونقل الأشياء، وتثبيت العناصر، وفتح الطرود، وترتيب الأشياء، أو تجميع الأجزاء غالباً ما يتطلب تحكماً ثنائياً منسقاً.
صُممت منصة Agility A2 بذراعين آليتين مزدوجتين بسبع درجات حرية، مما يسمح بتحريك الذراعين بطريقة تحاكي الإنسان. وهذا يجعلها أكثر ملاءمة لأبحاث الذكاء الاصطناعي المجسد مقارنةً بالأنظمة أحادية الذراع عندما تتطلب المهمة المستهدفة تعاونًا بين الذراعين.
بالنسبة لتدريب نماذج التعلم الآلي باستخدام الذراعين، تُعد بيانات الذراعين معًا ذات قيمة كبيرة لأنها تُمكّن النموذج من تعلم أنماط تفاعل أكثر تعقيدًا. فبدلاً من تعلم حركات الوصول أو الإمساك البسيطة بذراع واحدة فقط، يمكن للنظام دعم عمليات مناولة أكثر تقدمًا تشمل كلا الذراعين.
لمن صُممت هذه المنصة؟
تُعد مجموعة Agility A2 VR Teleoperation VLA مناسبة للجامعات ومختبرات أبحاث الروبوتات الذكية ومختبرات التدريس وفرق البحث والتطوير الصناعية والشركات الناشئة في مجال الروبوتات المتقدمة.
بالنسبة للجامعات، يمكن استخدامه في دورات الذكاء الاصطناعي التطبيقي، وتجارب تعلم الروبوتات، ومشاريع البحث الطلابية. أما بالنسبة لمختبرات الأبحاث، فهو يوفر منصة عملية لاختبار نماذج التعلم الآلي المصفوفي، والتعلم بالتقليد، ودراسات التلاعب في العالم الحقيقي. وبالنسبة للشركات الناشئة وفرق البحث والتطوير، يمكنه دعم التحقق السريع من صحة المفهوم قبل بناء نظام روبوت أكثر تخصصًا.
ولأن المنصة تدعم ROS2 و NVIDIA Isaac و MoveIt و MuJoCo و Python و C++ و URDF و VLA والتطوير المتعلق بـ IK، فإنها تمنح المطورين أيضًا مرونة أكبر للتكامل والتطوير الثانوي.
لماذا تختار منصة روبوت جاهزة لتقنية VLA بدلاً من بنائها من الصفر؟
قد يستغرق بناء نظام روبوت VLA من الصفر وقتاً طويلاً. تحتاج الفرق إلى دمج الأذرع الروبوتية والكاميرات والتحكم في الواقع الافتراضي وجمع البيانات والاتصالات وأدوات المحاكاة وتخطيط الحركة وخطوط أنابيب نماذج الذكاء الاصطناعي.
تُخفف حزمة Agility A2 VLA عبء التطوير هذا من خلال توفير منصة أكثر شمولاً لجمع البيانات، والتشغيل عن بُعد، والتدريب، والاستدلال. وبذلك، يُمكن للمستخدمين قضاء وقت أقل في دمج البرامج والأجهزة الأساسية، ووقت أطول في تحسين أداء النموذج، وتصميم المهام، وجودة مجموعات البيانات، والتحقق من صحة التطبيق.
بالنسبة للفرق العاملة على الذكاء الاصطناعي المجسد، يمكن أن يؤدي ذلك إلى تحسين كفاءة التطوير بشكل كبير.
خاتمة
إن نظام Agility A2 VR Teleoperation VLA Suite ليس مجرد منصة روبوتية ثنائية الذراع، بل هو نظام بحثي متكامل جاهز للاستخدام في الذكاء الاصطناعي المجسد، وتدريب الروبوتات بتقنية VLA، والتعلم بالتقليد، والتحكم بالروبوتات في العالم الحقيقي.
مع اعتماد ACT كنموذج افتراضي ودعم اختياري لـ SmoLVLA و Pi0 و Pi0.5 و XVLA، تمنح المنصة الباحثين والمطورين المرونة لاستكشاف سير عمل VLA المختلفة على نظام روبوتي متكامل واحد.
من خلال الجمع بين التشغيل عن بعد بتقنية الواقع الافتراضي، والرؤية ثلاثية الأبعاد متعددة الكاميرات، واكتساب البيانات المتزامنة، والتلاعب بالذراعين، وأدوات التطوير المتوافقة مع ROS2/NVIDIA Isaac، يساعد Agility A2 في تسريع المسار من العرض البشري إلى تعلم الروبوت ومن اختبار نموذج الذكاء الاصطناعي إلى تنفيذ المهام في العالم الحقيقي.
بالنسبة للجامعات ومختبرات الأبحاث وفرق الروبوتات التي تبحث عن منصة عملية ثنائية الذراع جاهزة لتقنية VLA، فإن مجموعة Agility A2 VR Teleoperation VLA توفر أساسًا قويًا للمرحلة التالية من أبحاث الذكاء الاصطناعي المجسد.
