الإجاباتمنشور11 المصادر
Omega-0 ينسّق بين المشي والرؤية واستخدام اليدين في الروبوتات الشبيهة بالبشر
Omega 0 هو نموذج واحد لأفعال الجسم بالكامل في الروبوتات الشبيهة بالبشر، ويهدف إلى تنسيق حركة الساقين والجذع والكاميرا والذراعين واليدين ضمن المهمة نفسها. يتنبأ النموذج بالسمات البصرية المستقبلية اعتمادًا على الرؤية واللغة وإحساس الروبوت بحالته الداخلية، ثم يولّد مقاطع قصيرة من الأفعال القابلة للتنفيذ.
نشر بواسطةتم التحرير باستخدام GPT-5.6 Lunaتم إنشاء الصور باستخدام GPT Image 1.5
إجابة البحث
الوجبات السريعة الرئيسية
- Omega 0 هو نموذج واحد لأفعال الجسم بالكامل في الروبوتات الشبيهة بالبشر، ويهدف إلى تنسيق حركة الساقين والجذع والكاميرا والذراعين واليدين ضمن المهمة نفسها.
- يتنبأ النموذج بالسمات البصرية المستقبلية اعتمادًا على الرؤية واللغة وإحساس الروبوت بحالته الداخلية، ثم يولّد مقاطع قصيرة من الأفعال القابلة للتنفيذ.
- تضم قاعدة بيانات Omega HOME نحو 40.3 ساعة من البيانات، و4,827 تجربة يتحكم فيها مشغّلون عن بُعد، و24 مهمة منزلية، بينما أبلغ الباحثون عن نجاح متوسط قدره 81.8% في 11 مهمة واقعية.
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Omega-0, the whole-body latent-prediction world action model released on August 21, 2026 by researchers from Nanyang Technological U. Article summary: Omega-0 (ω-0) is a single, whole-body “world action model” for humanoid robots: it takes a language instruction, visual observations, and robot state, predicts a future visual representation, then generates controller-co. Topic tags: general, academic, general web, user generated, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, wate
ما هو Omega-0؟
Omega-0، أو ω-0، هو نموذج موحّد لأفعال الجسم بالكامل صُمّم للروبوتات الشبيهة بالبشر. وبدل أن يعامل المشي والتعامل مع الأشياء كمشكلتين منفصلتين، يحاول النموذج تنسيقهما ضمن سياسة واحدة: يتحرك الروبوت بقاعدته، ويغيّر وضعية جسده وزاوية رؤيته، ويحافظ على توازنه، ثم يستخدم يديه لإنجاز المهمة نفسها. 1
الفكرة الأساسية ليست أن ينتج النموذج مسارًا حركيًا طويلًا ومحددًا مسبقًا، بل أن يتنبأ بما قد يراه الروبوت بعد تنفيذ حركة ما. وبناءً على هذه التوقعات، يختار أفعالًا متوافقة مع الحالة البصرية المقبلة. بعبارة أبسط، قد يقرر الروبوت أن يقترب من جسم ما، ويوجّه جذعه وكاميرته نحوه، ثم يمد يده لالتقاطه.
وتظل هذه النتائج، كما وردت في ورقة بحثية، ادعاءات أصحاب الدراسة وليست تقييمًا مستقلًا مؤكدًا لأداء النموذج. 1
كيف تعمل البنية ثلاثية المراحل؟
1. ضغط حركات الجسم بالكامل وتعلّم التمثيلات
في المرحلة الأولى، يحوّل Whole-Body FAST tokenizer الحركات عالية الأبعاد للجسم بالكامل إلى رموز أو تمثيلات حركية أكثر اختصارًا. ويسهّل ذلك على النموذج تمثيل حركات مركبة تجمع بين الساقين والجذع والذراعين واليدين. 1
كما يكيّف الباحثون نموذج الرؤية واللغة Qwen3-VL-2B-Instruct مع بيئة الروبوت. ويستخدم التدريب رموزًا قابلة للتعلّم تميّز بين:
- الرؤية من منظور الروبوت نفسه، أي منظور الشخص الأول أو الرؤية الذاتية؛
- والرؤية من كاميرا خارجية، أي منظور الشخص الثالث.
يسمح ذلك باستغلال المعلومات الأوسع التي توفرها الكاميرات الخارجية أثناء التدريب، في حين يعتمد الروبوت عند التشغيل على ما تراه كاميرته الخاصة. 1
2. التنبؤ بما سيراه الروبوت بعد الحركة
في المرحلة الثانية، يتبع Omega-0 هدفًا مستوحى من منهج V-JEPA للتنبؤ بالتمثيلات الكامنة. فهو يدمج المعلومات البصرية والتعليمات اللغوية وبيانات proprioception، أي القياسات التي تصف وضع الروبوت وحالته الداخلية، ثم يتنبأ بسمات بصرية مستقبلية بدل إعادة بناء كل بكسل في الصورة المقبلة. 1
بعد ذلك، يستخدم diffusion transformer هذه التمثيلات المتوقعة لإنتاج سلسلة من الأفعال الكاملة للجسم، بصيغة متوافقة مع وحدة التحكم في الروبوت. والهدف هو ألا يختار الروبوت حركة تبدو ممكنة حركيًا فحسب، بل حركة يُتوقع أن تقوده إلى حالة بصرية مفيدة.
3. ربط النموذج بالروبوت والتدريب في منازل حقيقية
في المرحلة الثالثة، تُنقل عروض بشرية عامة إلى فضاء الأفعال الخاص بالروبوت من خلال عملية ربط تعتمد على المحاكاة. ثم يُكيَّف النظام باستخدام بيانات حقيقية لروبوتات شبيهة بالبشر وهي تنفذ مهام منزلية. 1
وعند التشغيل، لا يلتزم Omega-0 بمسار طويل كامل منذ البداية. بل ينتج مقطعًا قصيرًا من الأفعال، ينفذه، ويراقب البيئة من جديد، ثم يعيد التخطيط. ويُعرف هذا الأسلوب باسم التخطيط ذي الأفق المتحرك، أو receding horizon. ويساعد الروبوت على تصحيح مساره عند ظهور معلومات بصرية أو داخلية جديدة، بدل اتباع مسار ثابت بطريقة مفتوحة الحلقة. 1
ماذا تضم قاعدة بيانات Omega-HOME؟
قدّم الباحثون قاعدة بيانات Omega-HOME للتدريب والتقييم، وهي تجمع تفاعلات منزلية حقيقية لروبوتات شبيهة بالبشر. وتضم 40.3 ساعة من البيانات، و4,827 تجربة يتحكم فيها مشغّلون عن بُعد، و24 مهمة منزلية، وقد سُجّلت البيانات بمعدل 30 إطارًا في الثانية. 1
وتتضمن البيانات المتزامنة:
- تعليمات باللغة الطبيعية؛
- صور RGB من منظور الروبوت؛
- صور RGB-D من منظور خارجي التُقطت بكاميرا ZED؛
- حالات الروبوت الداخلية؛
- مراجع لحركة الجسم بالكامل؛
- تمثيلات حركية متوافقة مع وحدة التحكم.
1
وتنقسم المهام إلى ثماني فئات رئيسية:
- استرجاع الأشياء؛
- تنظيف الأسطح؛
- التفاعل مع الأجهزة المنزلية؛
- نقل الأشياء بين الحاويات؛
- التعامل مع الأقمشة؛
- ترتيب الأشياء في أماكن التخزين؛
- المناولة أثناء الحركة؛
- استخدام الأدوات لتنفيذ مهام على الأرض.
ولا تقتصر هذه الأنشطة على التقاط جسم من فوق طاولة. فهي تتطلب تحريك قاعدة الروبوت، وتغيير وضعية الجذع والجسم، والحفاظ على التوازن، والتعامل مع الأثاث والأشياء والأدوات ضمن سلاسل حركية أطول. 1
كيف عولج خطر تلوث الاختبار؟
وفق بروتوكول الدراسة، أزيلت أنواع المهام الـ11 المستخدمة في التقييم من بيانات تدريب Omega-HOME. ثم جُمعت بقية بيانات الروبوت مع عروض بشرية عامة في مرحلة التدريب المسبق، بينما استُخدمت البيانات المنزلية الحقيقية في ربط النموذج بالروبوت والتدريب اللاحق. 1
يقلل هذا الإجراء احتمال أن يكون النموذج قد حفظ العروض نفسها الموجودة في مجموعة الاختبار. لكنه لا يضمن التعميم بصورة مطلقة؛ فقد تظل هناك أوجه تشابه في الغرف أو الأشياء أو بنية المهام أو العتاد أو طريقة جمع البيانات.
وسيكون الاختبار الأكثر صرامة هو إعادة التجربة في منازل جديدة وعلى منصات مختلفة من الروبوتات الشبيهة بالبشر.
أداء معلن بلغ 81.8%
في 11 مهمة حقيقية للمناولة أثناء الحركة داخل المنزل، أبلغ مؤلفو الدراسة عن معدل نجاح متوسط قدره 81.8% لـ Omega-0، باستخدام نموذج واحد بدل سياسات منفصلة لكل مهمة أو رؤوس أفعال مختلفة أو وحدات مستقلة للمشي والتعامل مع الأشياء. 1
شملت الاختبارات مهام مثل التعامل مع الأشياء فوق الطاولات، والتنظيف، وغسل الملابس، ونقل الأشياء، والتفاعل مع الأجهزة، والمناولة أثناء الحركة. كما ذكرت الدراسة أن Omega-0 تفوق على النماذج الأساسية المقارنة π-0.5 وEgoVLA وGR00T-N1.7 وψ-0 ضمن مجموعة الاختبار نفسها. 1
لكن المواد المتاحة لا تعرض بوضوح كافيًا النسب الإجمالية الدقيقة لكل نموذج أساسي. لذلك، فإن الاستنتاج الأكثر أمانًا هو الإشارة إلى ترتيب النماذج الذي أوردته الدراسة وإلى نسبة 81.8% الخاصة بـOmega-0، لا إلى مقارنة رقمية تفصيلية غير متاحة هنا.
ماذا تعني النتيجة للذكاء الاصطناعي المتجسّد؟
تكمن أهمية Omega-0 الأساسية في بنيته المعمارية. فهو يقدّم اتجاهًا تتعامل فيه التنبؤات البصرية المستقبلية مع حلقة وصل بين العروض البشرية واللغة والرؤية وحالة الروبوت الداخلية والتحكم في الجسم بالكامل. 1
وبدل أن يتعلم الروبوت فقط «أي حركة تناسب هذه الصورة»، يحاول النموذج ربط الحركة بالحالة التي ستنتج عنها. ويكتسب ذلك أهمية خاصة عندما يتعين على الروبوت أن يقرر في الوقت نفسه أين يقف، وما الذي ينظر إليه، وكيف يستخدم يديه.
لكن نسبة 81.8% لا تعني أن الروبوتات الشبيهة بالبشر أصبحت جاهزة للعمل العام بلا إشراف داخل المنازل. فما زالت هناك تحديات أساسية:
- الاعتمادية على مدى زمني طويل: النجاح في 11 مهمة لا يثبت قدرة الروبوت على العمل لساعات، أو التعافي من أخطاء متراكمة، أو تنفيذ سلاسل طويلة من الأهداف الفرعية المترابطة.
- السلامة: يتطلب التعامل مع البشر والأشياء القابلة للكسر والسلالم والفوضى المنزلية والحيوانات الأليفة والحركات المفاجئة وسائل حماية صريحة، وإدارة لعدم اليقين، والتحقق من السلامة على مستوى العتاد.
- التعميم: تمثل الأشياء والمشاهد المحجوبة عن التدريب مؤشرًا مشجعًا، لكنها لا تحسم قدرة النموذج على الانتقال إلى منازل وإضاءات وتوزيعات مختلفة، أو إلى روبوتات ذات أشكال ومواصفات مغايرة.
- التكيف: يتغير المنزل باستمرار. ولذلك يحتاج النظام العملي إلى اكتشاف الإخفاقات، وطلب المساعدة عند الحاجة، والتعلم بأمان، والتكيف من دون إعادة تدريب مكلفة.
الخلاصة الأدق هي أن Omega-0 يمثل خطوة مهمة نحو تنسيق المشي والتعامل مع الأشياء في نموذج موحّد للروبوتات الشبيهة بالبشر. أما نسبة 81.8% فهي نتيجة بحثية قوية ضمن معيار الاختبار المحدد، وليست دليلًا على أن روبوتًا منزليًا يستطيع بالفعل تنفيذ كل مهمة منزلية بصورة موثوقة ومن دون إشراف.
Studio Global AI
مواصلة البحث الخاص بك
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "Omega-0 ينسّق بين المشي والرؤية واستخدام اليدين في الروبوتات الشبيهة بالبشر"؟
Omega 0 هو نموذج واحد لأفعال الجسم بالكامل في الروبوتات الشبيهة بالبشر، ويهدف إلى تنسيق حركة الساقين والجذع والكاميرا والذراعين واليدين ضمن المهمة نفسها.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
Omega 0 هو نموذج واحد لأفعال الجسم بالكامل في الروبوتات الشبيهة بالبشر، ويهدف إلى تنسيق حركة الساقين والجذع والكاميرا والذراعين واليدين ضمن المهمة نفسها. يتنبأ النموذج بالسمات البصرية المستقبلية اعتمادًا على الرؤية واللغة وإحساس الروبوت بحالته الداخلية، ثم يولّد مقاطع قصيرة من الأفعال القابلة للتنفيذ.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
تضم قاعدة بيانات Omega HOME نحو 40.3 ساعة من البيانات، و4,827 تجربة يتحكم فيها مشغّلون عن بُعد، و24 مهمة منزلية، بينما أبلغ الباحثون عن نجاح متوسط قدره 81.8% في 11 مهمة واقعية.