💻 computer science

Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction

تقترح هذه الورقة إطار عمل للتحكم في المعاوقة بالتنبؤ بالنموذج يستخدم العمليات الغاوسية لتعلم نماذج المهام من عروض توضيحية قليلة، مما يمكّن الروبوتات من تحسين المسار والمعاوقة معاً عبر الإنترنت مع التكيف مع حالات عدم اليقين المتنوعة في أهداف البشر، وقيود التلامس، والاضطرابات البيئية من أجل تعاون آمن وفعال.

المؤلفون الأصليون: Kevin Haninger, Christian Hegeler, Luka Peternel

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kevin Haninger, Christian Hegeler, Luka Peternel

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تعلم روبوتًا كيفية المساعدة في مهمة دقيقة، مثل تلميع قطعة من الأثاث أو تجميع جزء معقد من آلة. تريد من الروبوت أن يكون قويًا بما يكفي لتثبيت الأداة، ولكن ناعمًا بما يكفي بحيث إذا دفعته، يتحرك معك بدلًا من أن يقاومك.

المشكلة هي أن الروبوتات عادة ما تكون "جاهلة" بشأن عدم اليقين. فهي لا تعرف ما إذا كان السطح الذي تلمسه صلبًا أم ناعمًا، أو ما إذا كنت متعبًا وتتحرك ببطء، أو إذا قررت فجأة تغيير الهدف. إذا أخطأ الروبوت في التقدير، فقد يكسر الشيء، أو يؤذيك، أو يتوقف تمامًا عن العمل.

تقدم هذه الورقة البحثية طريقة ذكية وجديدة للتحكم في الروبوتات تسمى التحكم في المعاوقة بالتنبؤ بالنماذج باستخدام العمليات الغاوسية (Model Predictive Impedance Control with Gaussian Processes). هذا الاسم طويل ومعقد، لذا دعونا نبسطه باستخدام تشبيه بسيط: "شريك الرقص فائق الحدس".

١. المشكلة: شريك الرقص الأخرق

تخيل أنك ترقص مع شريك لديه نص مكتوب مسبقًا وصارم.

إذا حاولت قيادته إلى حركة جديدة، فإنه يقاوم لأنها ليست في النص.
إذا كانت الأرض زلقة (عدم يقين)، فإنه لن يعدل توازنه وقد يسقط.
إذا أردت الرقص بسرعة، فقد يكون صلبًا للغاية لدرجة أنه قد يكسر ذراعك.

الروبوتات الحالية تشبه هذا الشريك. فهي إما تتبع مسارًا صارمًا (صلبة جدًا) أو تحاول تخمين حركاتك بناءً على قاعدة واحدة محددة (بسيطة جدًا). إنها لا تستطيع التعامل مع الواقع الفوضوي للعالم حيث تتغير الأشياء، وتتغير الأهداف، وتتنوع البيئات.

٢. الحل: الشريك "فائق الحدس"

يقترح المؤلفون روبوتًا يعمل كـ شريك رقص فائق الحدس يتعلم من بضع محاولات فقط ويخطط للمستقبل باستمرار. إليك كيف يعمل ذلك، خطوة بخبخوة:

أ. التعلم من بضع رقصات (العمليات الغاوسية - Gaussian Processes)

عادةً، لتعليم الروبوت، تحتاج إلى آلاف الأمثلة. هذا الروبوت مختلف. فهو يستخدم خدعة رياضية تسمى العمليات الغوسية (GPs).

التشبيه: تخيل أنك تظهر للروبوت كيفية تلميع طاولة ثلاث مرات. بدلًا من حفظ المسار الدقيق، يتعلم الروبوت شكل الحركة، والأهم من ذلك، الأماكن التي لا يشعر فيها باليقين.
السحر: إذا قمت بتلميع الطاولة في نفس المكان في كل مرة، سيعرف الروبوت: "أنا متأكد بنسبة 100% هنا". ولكن إذا قمت بتلميع زاوية جديدة لمرة واحدة، سيفكر الروبوت: "أنا مشوش قليلاً بشأن هذه المنطقة". إنه يرسم "سحابة من عدم اليقين" حول معرفته. وهذا يسم يسمح له بأن يكون لطيفًا ومرنًا حيث يكون غير متأكد، وحازمًا حيث يكون واثقًا.

ب. "البلورة السحرية" (التحكم بالتنبؤ بالنماذج - MPC)

الروبوت لا يستجيب فقط لما يحدث الآن؛ بل ينظر إلى بضع ثوانٍ في المستقبل.

التشبيه: فكر في قيادة السيارة. أنت لا تنظر فقط إلى المصد الذي أمامك؛ بل تنظر إلى 50 قدمًا للأمام لترى ما إذا كان هناك طفل يركض نحو الشارع.
كيف يعمل: يقوم الروبوت بتشغيل محاكاة في عقله آلاف المرات في الثانية. يسأل نفسه: "إذا سلكت هذا الطريق، هل سأصطدم بجدار صلب؟ إذا سلكت ذلك الطريق، هل سأؤذي شريكي البشري؟" ثم يختار المسار الأكثر أمانًا وسلاسة.

ج. "الصلابة الذكية" (التحكم في المعاوقة - Impedance Control)

هذه هي قدرة الروبوت على تغيير مدى "قساوة" أو "نعومة" ملمسه.

التشبيه: تخيل أنك تحمل صندوقًا ثقيلًا. إذا كنت تمشي على جليد ناعم، فستمسكه برفق (صلابة منخفضة) لتتمكن من الانزلاق. أما إذا كنت تتسلق منحدرًا صخريًا، فستمسكه بقوة (صلابة عالية) حتى لا ينزلق.
الابتكار: يغير هذا الروبوت "قبضته" في الوقت الفعلي.
- السيناريو 1 (هدف غير مؤكد): إذا كنت توجه الروبوت ولكن يبدو أنك غير متأكد من الاتجاه الذي تريد الذهله، يصبح الروبوت ناعمًا جدًا (صلابة منخفضة) ليسمح لك بالقيادة.
- السيناريو 2 (الاهتزاز): إذا كنت تقوم بالتلميع وكانت الأداة تهتز، سيشد الروبوت قبضته (صلابة عالية) لإلغاء الاهتزاز، بحيث يظل التلميع ناعمًا.
- السيناريو 3 (جدار صلب): إذا استشعر الروبوت أنه على وشك الاصطدام بجدار صلب، فإنه يصبح "مرنًا" فورًا لامتصاص الصدمة بأمان، بدلًا من الاصطدام العنيف.

٣. الاختبارات في العالم الحقيقي

اختبر الباحثون هذا "الشريك فائق الحدس" في ثلاثة سيناريوهات:

تجميع السكة: وضع مفتاح في سكة حيث قد يختلف المكان الدقيق. تعلم الروبوت أن اتجاه السكة ثابت، لكن المكان متغير. أصبح صلبًا على طول السكة (للبقاء على المسار) ولكنه ناعم عبر عرض السكة (ليسمح للإنسان بتحريكه إلى المكان الصحيح).
التلميع: قام إنسان بتوجيه ذراع روبوت لتلميع سطح ما. تعلم الروبوت تجاهل الاهتزازات عالية التردد لأداة التلميع (لتبقى السطح ناعمًا) ولكنه ظل حساسًا لحركات الإنسان البطيئة والمتعمدة.
تمرين الوتد في الثقب المزدوج: لغز كلاسيكي حيث يتعين عليك وضع وتدين في ثقبين. قد يريد الإنسان الذهاب إلى الثقب الأيسر أو الأيمن. راقب الروبوت قوة الإنسان، وخمن الهدف، وعدل مساره فورًا للمساعدة.

الخلاصة الكبرى

تحل هذه الورقة البحثية مشكلة رئيسية في علم الروبوتات: كيف تصنع روبوتًا آمنًا، وذكيًا، وقابلًا للتكيف دون الحاجة إلى دكتوراه في الهندسة لضبطه؟

من خلال الجمع بين التعلم من بضع أمثلة (العمليات الغاوسية) مع التخطيط المستقبلي (MPC)، يصبح الروبوت متعاونًا حقيقيًا. فهو يعرف متى يكون آلة صلبة، ومتى يكون مساعدًا ناعمًا، ومتى يتوقف ويسأل: "هل أنت متأكد من هذا؟"، كل ذلك مع الحفاظ على سلامتك وسلامة البيئة المحيطة.

إنه الفرق بين روبوت يتبع نصًا، وروبوت يفهم الرقصة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التحكم في المعاوقة بالتنبؤ بالنماذج باستخدام العمليات الغاوسية للتفاعل بين الإنسان والبيئة."

1. بيان المشكلة

تواجه المهام الروبوتية التي تتضمن اتصالاً فيزيائياً مع البشر والبيئات تحديات كبيرة بسبب عدم اليقين (Uncertainty). ينشأ عدم اليقين هذا من:

التباين في الأهداف: قد يكون لدى البشر أهداف منفصلة وغير معروفة (مثل تجميع الجزء أ مقابل الجزء ب).
تكوين البيئة: قد تختلف نقاط التلامس أو القيود بين التكرارات.
الثقة في نموذج المهمة: قد يفتقر الروبوت إلى الثقة في المهارة التي تعلمها، خاصة في المناطق غير المستكشفة.
الاضطرابات الخارجية: قوى العمليات عالية التردد (مثل اهتزازات التلميع) التي لا ينبغي أن تؤثر على المسار.

عادةً ما تعالج الطرق الحالية حالات عدم اليقين هذه بشكل منعزل (على سبيل المثال، إما تكييف المعاوقة بناءً على تباين العروض التوضيحية فقط، أو اكتشاف نية الإنسان فقط). هناك نقص في وجود إطار عمل موحد يمكنه في آن واحد تخطيط المسارات، وتكييف معاملات المعاوقة (الصلابة، التخميد، القصور الذاتي)، والتعامل مع حالات عدم اليقين المستمرة والمنفصلة، وفرض قيود السلامة في الوقت الفعلي دون الحاجة إلى مجموعات بيانات ضخمة أو نماذج تحليلية للبيئة.

2. المنهجية

يقترح المؤلفون إطار عمل للتحكم التنبئي بالنماذج (MPC) يدمج العمليات الغاوسية (GPs) لإنشاء نموذج مهمة مدرك لعدم اليقين. يعمل النظام كمتحكم في الحلقة الخارجية يقوم بتحسين كل من مسار الروبوت ومعاملات المعاوقة الخاصة به عبر الإنترنت (online).

أ. النمذجة باستخدام العمليات الغاوسية (GPs)

تراجع القوة (Force Regression): تُستخدم العمليات الغاوسية لعمل تراجع للقوى الخارجية (البشرية، التلامس، والاضطرابات) عبر وضعية الروبوت ( $x$ ).
الأنماط المنفصلة: يتم تدريب نماذج عمليات غاوسية منفصلة لأنماط مختلفة من أهداف البشر (الأنماط $n$ ).
دالة المتوسط (Mean Function): تُستخدم دالة "المفصلة" (hinge function) كدالة متوسط لقوى التلامس لنمذجة الانتقال من الفضاء الحر إلى التلامس بشكل أفضل.
تحديد كمية عدم اليقين: تلتقط مصفوفة التغاير للعملية الغاوسية ( $\Sigma_f$ $Σ_{f}$ ) عدم اليقين الناجم عن:
- تباين العروض التوضيحية البشرية.
- البعد عن بيانات التدريب (الاستكشاف).
- التباين في مواضع التلامس.
الاستدلال البايزي: يتم الحفاظ على حالة اعتقاد ( $b_t$ ) عبر الأهداف البشرية المنفصلة، ويتم تحديثها بشكل متكرر بناءً على القوى المرصودة ونماذج العمليات الغاوسية.

ب. ديناميكيات الروبوت والانتشار العشوائي

التحكم في الممانعة (Admittance Control): يستخدم الروبوت متحكم ممانعة ديكارتي. يتم تمثيل الديناميكيات المستمرة باستخدام مكامل شبه ضمني (semi-implicit integrator) لضمان الاستقرار.
الانتشار العشوائي: على عكس الـ MPC القياسي الذي يتتبع مساراً متوسطاً، يقوم هذا الإطار بنشر المتوسط ( $\mu$ ) والتغاير ( $\Sigma$ ) للحالة.
- يتأثر المسار المتوسط بمدخل التحكم (مرجع القوة) ومعاملات المعاوقة.
- يتأثر التغاير فقط بمعاملات المعاوقة وعدم يقين القوة الناتج عن العملية الغاوسية. وهذا يسمح للمتحكم بتحسين المعاوقة صراحةً لتقليل تباين المسار.

ج. مشكلة تحسين الـ MPC

يقوم المتحكم بحل مشكلة تحسين غير خطية بتردد عالٍ (10-20 هرتز) لتحديد المسار الأمثل ومعاملات المعاوقة.

1. متغيرات القرار:

مسار الروبوت (مرجع القوة $f^r$ ).
معاملات المعاوقة (التغيرات في الكتلة $M$ والتخميد $D$ ).

2. دالة التكلفة ( $c_n$ ):
تهدف الدالة إلى تقليل مجموع مرجح من:

تكلفة الحالة: تعاقب الانحراف عن متوسط العملية الغاوسية والسرعة العالية.
تكلفة القوة: تعاقب القوى التي تنحرف عن العروض التوضيحية البشرية.
الأرغونوميا البشرية (راحة الإنسان): تقلل من عزم دوران المفاصل البشرية (يتم حسابه عبر نموذج حركي مبسط بـ 4 درجات حرية) لضمان تفاعل مريح.
رفض الاضطرابات: يستخدم نموذج المجال الترددي (مرشح تمرير عالي) لمعاقبة حركة الروبوت الناتجة عن القوى الخارجية عالية التردد (مثل اهتزازات التلميع).
تنظيم المعاوقة: يمنع قيم المعاوقة المتطرفة.

3. القيود:

قيود فرصة القوة (Force Chance Constraints): تضمن أن احتمال تجاوز قوة تلامس قصوى يقل عن عتبة معينة ( $\epsilon$ ). وهذا يجعل المتحكم محافظاً عندما يكون عدم يقين العملية الغاوسية مرتفعاً.
قيود التلامس جيدة التخميد: تعدل التخميد ديناميكياً بناءً على صلابة البيئة المقدرة (المستمدة من تدرج متوسط العملية الغاوسية) لمنع عدم استقرار التلامس (الاهتزازات).

3. المساهمات الرئيسية

تصنيف موحد لعدم اليقين: إطار عمل يعالج بشكل مشترك تباين العروض التوضيحية، وثقة المهارة، وعدم يقين قيود البيئة، والاضطرابات الخارجية، وعدم يقين الهدف البشري.
العملية الغاوسية كنموذج مهمة وسيط: على عكس الأعمال السابقة التي تستخدم العمليات الغاوسية كمولدات مرجعية مباشرة، تستخدم هذه الورقة العمليات الغاوسية كنموذج احتمالي داخل حلقة MPC، مما يسمح بقيود وأهداف صريحة تعتمد على عدم يقين المسار.
تحسين المعاوقة القائم على التدرج: أول نهج يحسن معاملات المعاوقة (التخميد/الكتلة) مباشرة عبر التحسين القائم على التدرج ضمن إطار عمل MPC، مما يتيح قيوداً مثل استقرار التلامس وحدود القوة.
صياغة الـ MPC العشوائية: صياغة تحسن تباين المسار، مما يسمح للروبوت بأن يصبح "أكثر صلابة" في المناطق غير المؤكدة و"أكثر امتثالاً" في المناطق المعروفة.
التحقق التجريبي: تم إثبات ذلك في ثلاث مهام معقدة للتفاعل الفيزيائي بين الإنسان والروبوت (HRI):
- استقرار التلامس: التعامل مع مواضع التلامس وصلابة البيئة المتغيرة.
- تجميع السكة (Rail Assembly): تكييف المعاوقة للسمام بتوجيه بشري في درجات حرية (DoF) متغيرة.
- التلميع: رفض الاهتزازات عالية التردد مع الحفاظ على قدرة الإنسان على التحكم في سرعة الروبوت.
- مهمة الثقب والوتد المزدوج (Dual Peg-in-Hole): استنتاج الأهداف البشرية المنفصلة عبر الإنترنت.

4. النتائج

سلامة التلامس: في مهام التلامس، نجح قيد الفرصة في تقليل ذروة قوى التلامس عندما كان تباين البيئة مرتفعاً، بينما منع قيد التخميد الجيد الاهتزازات وعدم الاستقرار على الأسطح الصلبة.
تجميع السكة: نجح النظام في تحديد درجات الحرية القابلة للتكرار (زيادة المعاوقة) ودرجات الحرية المتغيرة (تقليل المعاوقة)، مما سمح للبشر بتصحيح موضع الروبوت بسهولة على طول السكة.
التلميع:
- قلل تكلفة الاضطراب في المجال الترددي من السرعة عالية التردد (الاهتزاز) بشكل كبير دون التضحية بالقدرة على توجيه الروبوت من قبل الإنسان.
- نجحت تكاليف الأرغونوميا في تقليل المعاوقة عندما يكون الروبوت في مواضع تتطلب عزماً عالياً في المفاصل البشرية.
استنتاج الهدف: في مهمة الثقب والوتد المزدوج، تم تحديث حالة الاعتقاد بشكل صحيح مع تطبيق الإنسان للقوى، مما سمح للروبوت بالتبديل بين المسارات عبر الإنترنت ليتناسب مع الهدف المستنتج.
الأداء: حقق النظام معدلات حلقة MPC تتراوح بين 10 هرتز و24 هرتز، مما يؤكد ملاءمته للتحكم في الوقت الفعلي.

5. الأهمية

يمثل هذا العمل خطوة كبيرة نحو التفاعل الفيزيائي العام بين الإنسان والروبوت (HRI). ومن خلال الابتعاد عن الضبط اليدوي (ad-hoc) ومعالجة عدم اليقين بشكل منعزل، يقدم إطار العمل المقترح نهجاً مبدئياً، فعالاً من حيث البيانات (يتطلب $\le$ 3 عروض توضيحية)، وآمناً للروبوتات التعاونية. إنه يسد الفجوة بين استنتاج النوايا رفيع المستوى وتحكم المعاوقة منخفض المستوى، مما يمكّن الروبوتات من تكييف سلوكها الفيزيائي ديناميكياً لضمان السلامة، والاستقرار، والراحة الأرغونومية في البيئات غير المنظمة. إن استخدام العمليات الغاوسية داخل حلقة MPC يوفر آلية قوية للتعامل مع "المجاهيل" في مهام التصنيع والتجميع في العالم الحقيقي.