AI-translated from English; not yet reviewed by a fluent editor.

# يعزز H-JEPA التخطيط البصري في المهام المحاكاة بنموذج عالمي هرمي

> يرفع مخطط H-JEPA المؤلف من ثلاثة مستويات النجاح في AntMaze المحاكى من 18% إلى 73% مع تقليل حسابات التخطيط. وتقيس نتائجه على فيديوهات الروبوتات الحقيقية دقة المسارات خارج الاتصال، لا إنجاز الروبوت للمهمة.

By BIG CHANGE Editorial

Published: 2026-10-12T02:56:09.290Z
Updated: 2026-10-12T02:56:09.290Z
Canonical: https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning

![A small orange sphere rests inside a raised tabletop maze, with a segmented orange route visible through the passages.](https://bigchange.ai/api/media/file/hjepa-maze-concept-hero-v2.png)
AI-generated conceptual illustration of hierarchical navigation planning by BIG CHANGE. The maze is not the AntMaze environment or a physical robot test.

يقدم الباحثون وراء [H-JEPA ](https://arxiv.org/html/2610.06805v1)طريقة تجعل النموذج العالمي البصري يخطط على مقاييس زمنية متعددة. في متاهة محاكاة، أنجز مخططهم ذو المستويات الثلاثة 73% من المهام مقابل 18% لنموذج مسطح، مع حسابات تخطيط أقل. وتختبر ورقة 5 أكتوبر أيضاً فيديوهات مسجلة لروبوتات حقيقية، لكن هذه الاختبارات تقيم المسارات المقترحة خارج الاتصال؛ ولا تعرض روبوتاً ينفذ الخطط.

السؤال المفيد لباحثي الروبوتات ومهندسيها هو ما إذا كان التحسن ناتجاً عن تقسيم خطة طويلة إلى خطوات أقصر، أو عن تعلم مقياس أفضل للتقدم نحو الهدف، أو عن الأمرين. تختبر الورقة التفسيرين كلّاً على حدة. النتائج واعدة لبحوث التخطيط البصري، لكن هناك حدوداً مهمة لما يمكن استنتاجه عن الروبوتات المادية.

## التغيير الأبرز

- **ما الذي تغير:** يدرب H-JEPA مجموعة متراكبة من النماذج التنبؤية المشروطة بالأفعال. وينظر كل مستوى إلى مدى أبعد في تمثيله المتعلم الخاص، بينما يحول المخطط الحالات المتوقعة في المستوى الأعلى إلى أهداف فرعية للمستوى الأدنى.
- **لماذا يهم ذلك:** في Visual AntMaze، أفاد المؤلفون بنجاح 73.3% للتخطيط ذي المستويات الثلاثة مقابل 18.0% لخط أساس مسطح. وتشير تجارب الإزالة إلى أن كلاً من مقاطع التخطيط الأقصر وتمثيل الهدف الأكثر فائدة في المستوى الأعلى يسهمان في النتيجة. يمكن لفريق روبوتات دراسة الآليتين منفصلتين بدلاً من التعامل مع الهرمية بوصفها تحسناً لا يتجزأ.
- **ما ينبغي متابعته:** بيئات المهام الأربع كلها محاكاة. ويقارن اختبار DROID الإضافي مسارات ذراع الروبوت المخطط لها بمسارات خبراء مسجلة؛ أما تجربة الحلقة المغلقة في بيئات مادية متنوعة فستجيب عن سؤال آخر ما زال مفتوحاً.

## خطة على مقاييس زمنية متعددة

يتنبأ النموذج العالمي بكيفية تغير البيئة بعد فعل ما. يستخدم H-JEPA بنية التنبؤ بالتضمين المشترك، أو JEPA، التي تتنبأ بتمثيلات موجزة للملاحظات المستقبلية بدلاً من إعادة بناء كل بكسل في الصورة. وتصف [الورقة ](https://arxiv.org/html/2610.06805v1) هرمية دُربت معاً على مسارات الملاحظات والأفعال. يتبع أدنى مستوى أصغر الخطوات الزمنية. ويتلقى كل مستوى أعلى تمثيلات المستوى الأدنى، ويجمع الأفعال على فترة أطول، ويتنبأ إلى مدى أبعد في فضاء كامن منفصل.

يبدأ التخطيط بملاحظة حالية وملاحظة للهدف. يبحث المستوى الأعلى عن مسار تقريبي إلى الهدف. ثم توجه حالاته المتوقعة المستوى التالي ليحسن المسار. وينتج المستوى الأدنى الأفعال. في تقييمات الحلقة المغلقة المحاكاة، ينفذ النظام جزءاً أولياً من الأفعال، ويراقب الحالة الناتجة، ثم يعيد التخطيط. ويقارنه الباحثون بـLeWM، وهو نموذج JEPA نفسه للمستوى الأول، دُرب وخطط منفرداً، وبهرمية زمنية تتشارك مستوياتها تمثيلاً واحداً.

تكتسب التمثيلات المنفصلة أهمية في المتاهة لأن الهدف قد يكون الوصول إلى موقع بينما تتغير وضعية أرجل النملة بسرعة. وأظهرت اختبارات المؤلفين أن المستويات الأعلى في H-JEPA احتفظت بموقع النملة، مع جعل تفاصيل وضع الأرجل أقل قابلية للاستعادة. وظهر نمط مشابه في FourRoom، حيث أصبح المشتت المتحرك بصورة مستقلة أقل بروزاً في المستويات الأعلى. وكان الأثر أضعف بكثير في مجموعات بيانات المناولة، حيث كان الفصل بين الحركات السريعة والبطيئة المقاسة أقل. ولا تثبت الورقة أن الاستغناء عن التفاصيل الدقيقة يفيد كل مهمة.

## ما الذي تظهره المقارنات

قيّم المؤلفون الملاحة في Visual AntMaze وFourRoom Distractors، والمناولة في Push-T وOGBench Cube. وهذه مهام محاكاة ذات كاميرات وخلفيات ثابتة. وعبر ميزانيات تخطيط مختلفة، أدى إضافة مستويات حتى ثلاثة إلى تحسين المفاضلة بين النجاح والحسابات في AntMaze وFourRoom وCube. وكان Push-T استثناءً: ساوى مستويان خط الأساس المسطح أو تجاوزاه ضمن الميزانيات المختبرة، بينما كان أداء ثلاثة مستويات ضعيفاً. ويشير المؤلفون إلى قِصر حلقاته، ما يترك مقاطع تدريب قابلة للاستخدام أقل للنماذج الأعمق.

في مجموعة مهام AntMaze منفصلة، بلغ متوسط نجاح خط الأساس المسطح LeWM **18.0%، مع خطأ معياري قدره 3.5 نقاط مئوية**، بينما بلغ متوسط التخطيط الكامل لـH-JEPA ذي المستويات الثلاثة **73.3%، مع خطأ معياري قدره 3.5 نقاط مئوية**. والقيمتان متوسطان أوردهما المؤلفون عبر ثلاث بذور عشوائية مزدوجة للنموذج والمخطط. كما تُظهر [مقارنة الورقة بين النجاح وعمليات FLOP للمخطط ](https://arxiv.org/html/2610.06805v1) أن الهرمية تحقق نجاحاً أعلى مع حسابات تخطيط مقاسة أقل. لكنها لا تقيس التكلفة الإجمالية لتدريب روبوت ونشره.

توضح تجارب الإزالة إسهام كل عنصر. فقد تفوقت هرمية زمنية بتمثيل مشترك على خط الأساس المسطح في البيئات الأربع، ما يشير إلى قيمة تقسيم الخطة. وفي AntMaze، أدى استخدام تمثيل المستوى الأعلى فقط لتقييم المسافة المتوقعة إلى الهدف لدى مخطط مسطح إلى تحسين النجاح أيضاً. لكن هذا التغيير وحده لم يبلغ متوسط 73.3% للمخطط الهرمي الكامل. وفي هذا التقييم، يكمل الأثران أحدهما الآخر. وفي Push-T وCube، حيث وجدت الورقة تجريداً انتقائياً محدوداً، لم يحقق تغيير تمثيل تكلفة الهدف وحده فائدة واضحة.

## حدود فيديوهات الروبوتات الحقيقية

استخدم الباحثون أيضاً [فيديوهات DROID لمناولة الروبوت](https://arxiv.org/html/2610.06805v1). وتتغير المشاهد والأشياء والإضاءة بين الحلقات المسجلة. وتقول الورقة إن النموذج التنبؤي البحت قد يفضل الخلفية المستقرة ويفقد معلومات عن الروبوت المتحرك في هذا السياق. وأضاف الفريق دالة خسارة للديناميكيات العكسية، ودرب مكوناً على استنتاج الفعل بين حالات متعلمة متعاقبة كي يحتفظ التمثيل بحركة الوكيل. ومع هذه الإضافة، حسنت الهرمية المتعلمة ذات المستويين مقياس دقة التخطيط خارج الاتصال في الورقة مقارنة بخط الأساس المسطح، وبحسابات أقل للمخطط.

يقارن هذا المقياس مساراً ثلاثي الأبعاد مقترحاً للمؤثر النهائي بمسار خبير في التسجيل. ووفق معايرة الورقة، تبلغ النتيجة 100% لمسار الخبير و0% لذراع ساكنة. ولا يقيس ما إذا كان الروبوت سينجز مهمة بعد تنفيذ الأفعال المقترحة. ولأن مجموعة البيانات لا تضم محاكياً للمشاهد المتغيرة، قيّم المؤلفون خطط DROID في حلقة مفتوحة. لم تدرب BIG CHANGE النموذج، ولم تشغل [الكود العام](https://github.com/kevinghst/H-JEPA)، ولم تختبر روبوتاً.

يوفر مستودع الكود نصوصاً برمجية للتدريب والتخطيط وتعليمات لإعادة إنتاج أشكال وجداول مختارة من الورقة. ويتيح للباحثين فحص الطريقة، لكن الورقة لا تزال مسودة أولية، وأدلتها من العالم المادي تظل خارج الاتصال. ويتناول تقريرنا السابق عن [GPT-Policy ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)نهجاً منفصلاً يعتمد على أمثلة سياقية وطلبات إلى أدوات الروبوت؛ ولا تثبت نتائجه صحة تخطيط H-JEPA بالنموذج العالمي.

## المصادر ومزيد من القراءة

- [Zhang وزملاؤه، “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning”، arXiv v1](https://arxiv.org/html/2610.06805v1): المسودة الأساسية المقدمة في 5 أكتوبر 2026. تصف الأقسام 2–4 وملحق التخطيط الطريقة، ومقارنات المحاكاة، وأرقام AntMaze عبر ثلاث بذور، وبروتوكول DROID خارج الاتصال. هذه نتائج المؤلفين، وليست إعادة إنتاج مستقلة أو دليلاً على نشر مادي.
- [صفحة مشروع H-JEPA](https://h-jepa.com/): شرح مرئي للمؤلفين عن التنبؤ الهرمي والتخطيط من أعلى إلى أسفل والبيئات الأربع المحاكاة واختبار دقة DROID. توضح الأمثلة التجارب المنشورة؛ والفيديوهات المختارة ليست بيانات أداء لكل تجربة.
- [مستودع كود H-JEPA العام](https://github.com/kevinghst/H-JEPA): تنفيذ المؤلفين للتدريب والتخطيط، وقائمة البيئات، وتعليمات إعادة إنتاج نتائج مختارة. راجعت BIG CHANGE وصف المستودع وتعليماته، لكنها لم تشغل الكود.
- [BIG CHANGE، “GPT-Policy يختبر السياق في مهام ذراع الروبوت والاستكشاف المتنقل”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): تغطية سابقة لطريقة بحثية مختلفة في الروبوتات. تقدم سياقاً، لا دليلاً على نتائج H-JEPA.

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning، arXiv v1](https://arxiv.org/html/2610.06805v1) — المسودة الأساسية عن الطريقة وتقييم أربع مهام محاكاة ونتائج AntMaze وتجارب الإزالة وبروتوكول فريشيه لدقة DROID خارج الاتصال. نتائج أجراها المؤلفون؛ ليست إعادة إنتاج مستقلة أو نشراً مادياً.
- [صفحة مشروع مؤلفي H-JEPA](https://h-jepa.com/) — صفحة تفسيرية للمؤلفين وأمثلة مرئية على الهرمية والتجارب. توضح الفيديوهات المختارة النتائج لكنها لا توفر بيانات لكل تجربة.
- [مستودع كود H-JEPA العام](https://github.com/kevinghst/H-JEPA) — تنفيذ المؤلفين للتدريب والتخطيط وتعليمات إعادة إنتاج أشكال وجداول مختارة. راجعته BIG CHANGE بوصفه توثيقاً، ولم تشغل الكود.
- [BIG CHANGE، GPT-Policy يختبر السياق في مهام ذراع الروبوت والاستكشاف المتنقل](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — تغطية سابقة ذات صلة بطريقة وتجربة روبوتية مختلفتين. للسياق فقط؛ لا توجد علاقة followUpTo.