An Active Perception Game for Robust Exploration

تخيل روبوتاً أُرسل إلى مبنى مظلم وغير مألوف للبحث عن شخص في حالة استغاثة. تعتمد مهمته كلياً على مدى قدرته على رؤية وفهم محيطه. وللقيام بذلك، يجب على الروبوت أن يقرر أين سينتقل تالياً. لا يمكنه ببساطة التجول بشكل عشوائي؛ بل يحتاج إلى اختيار الأماكن المحددة التي ستعلمه أكثر عن البيئة. تُسمى هذه العملية "الإدراك النشط". يسأل الروبوت نفسه باستمرار: "إذا انتقلت إلى هذا الركن، فما هي المعلومات الجديدة التي سأتعلمها؟". إنه يحاول التنبؤ بقيمة الرؤية المستقبلية قبل أن يراها بالفعل. هذا التنبؤ أمر بالغ الأهمية لأن التخمين الخاطئ قد يرسل الروبوت إلى طريق مسدود، مما يهدر وقتاً ثميناً أو يتسبب في تفويت دليل حاسم تماماً. التحدي يكمكم في أن القيمة الحقيقية لأي مشهد لا تُعرف إلا بعد أن يلتقط الروبوت الصورة ويعالجها. وحتى تلك اللحظة، يعمل الروبوت بناءً على تقدير، وفي البيئات المعقدة والواقعية، غالباً ما تكون هذه التقديرات معيبة.

لقد طور فريق من الباحثين في جامعة بنسلفانيا طريقة جديدة لمساعدة الروبوتات على تقديم تخمينات أفضل. أدركوا أن الطريقة القياسية للتنبؤ بكسب المعلومات غالباً ما تفشل لأنها تعامل كل رؤية جديدة كما لو كانت مستقلة، متجاهلة حقيقة أن الرؤى القريبة غالباً ما تتداخل وتتشارك المعلومات. علاوة على ذلك، فإن خريطة العالم الداخلية للروبوت ليست مثالية أبداً، والمستشعرات التي يستخدمها قد تكون مليئة بالضجيج. هذه العوامل تجعل الروبوت يبالغ في تقدير أو يقلل من تقدير مقدار ما سيتعلمه من مسار معين. اقترب الباحثون من هذه المشكلة عبر معاملة الفرق بين تخمين الروبوت والواقع كنوع من "الخصم" في لعبة. في هذا السيناريو، يحاول الروبوت التنقل إلى أكثر الأماكن غزارة في المعلومات، بينما يمثل "الخصم" الأخطاء وعدم اليقين التي تحاول تضليله. ومن خلال تحليل هذا التفاعل، ابتكر الفريق نظام تعلم آني يسمح للروبوت بتصحيح أخطائه في الوقت الفعلي.

جوهر طريقتهم هو حلقة تغذية راجعة بسيطة ولكنها قوية. فبينما يتحرك الروبوت ويجمع البيانات، يقارن بين ما ظن أنه سيتعلمه وبين ما تعلمه بالفعل. إذا ظن الروبوت أن مساراً معيناً سيكشف الكثير من التفاصيل الجديدة ولكنه تبين أنه مكرر، يقوم النظام بتسجيل هذا التباين. ثم يستخدم هذه التجربة لتعديل تنبؤاته المستقبلية. بدلاً من الاعتماد على معادلة ثابتة، يبني الروبوت نموذجاً ديناميكياً لعدم اليقين الخاص به. يتعلم كيف يتعرف على الأنماط حيث كانت تقديراته السابقة مرتفعة جداً أو منخفضة جداً، مثل النظر إلى مروحة دوارة حيث لا يختفي عدم اليقين تماماً، أو عند مشاهدة غرفة مزدحمة توفر فيها الزوايا المتداخلة بيانات أقل مما هو متوقع. ومن خلال صقل فهمه لهذه الأخطاء باستمرار، يصبح الروبوت أكثر دقة في اختيار أفضل نقاط الرؤية.

اختبر الباحثون هذا النهج في مجموعة متنوعة من الإعدادات لمعرفة مدى صموده تحت الضغط. أجروا عمليات محاكاة باستخدام طائرة بدون طيار (درون) تطير عبر غرف افتراضية واقعية للغاية، حيث كان الهدف هو بناء خريطة ثلاثية الأبعاد كاملة للمساحة وتحديد أشياء مثل الكراسي والمراحيض. كما اختبروا النظام باستخدام بيانات من العالم الحقيقي لروبوت أرضي يتنقل في ممرات داخلية ومشاهد حضرية خارجية. في هذه التجارماعت، كان على الروبوت التعامل مع مستشعرات صاخبة وبيئات معقدة حيث تكون أجزاء من المشهد مخفية خلف العوائق. أظهرت النتائج تحسناً واضحاً مقارنة بالطرق القياسية؛ حيث قلل النهج الجديد من الخطأ في تقدير كسب المعلومات بنسبة 42 بالمائة في المتوسط. أدى هذا التقدير الأكثر دقة إلى نتائج أفضل: جمعت الروبوتات معلومات مفيدة أكثر بنسبة 7 بالمائة، وأعادت بناء البيئة بوضوح بصري أعلى، وحددت الأشياء في المشهد بنسبة 6 بالمائة أكثر بنجاح.

في الاختبارات الواقعية مع الروبوت الأرضي، كان الفرق جلياً بشكل خاص في كيفية تعامل الروبوت مع المناطق الصعبة. فبينما قد يبقى الروبوت التقليدي في المناطق المفتوحة وسهلة الرؤية، سعى الروبوت الذي يستخدم الطريقة الجديدة بنشاط إلى البحث عن المساحات المخفية. لقد نجح في التنقل إلى المناطق المحجوبة بالحواجز أو السيارات المركونة، حيث استطاع بفعالية استطلاع ما وراء الزوايا لرسم خرائط للأجزاء غير المرئية من البيئة. لاحظ الباحثون أن هذه القدرة على تصحيح توقعاته سمحت للروبوت بتجنب الوقوع في حلقات من الملاحظة المكررة والتركيز بدلاً من ذلك على المناطق التي تحتاج حقاً إلى الاستكشاف. عملت الطريقة عبر أنواع مختلفة من الخرائط والبيانات، مما أثبت أن المنطق الأساسي للتعلم من أخطاء التقدير السابقة هو منطق قوي وقابل للتعميم.

يسلط هذا العمل الضوء على تحول في كيفية تصميم الروبوتات لتتعلم من قيودها. فبدلاً من افتراض أن الروبوت يمكنه التنبؤ بالمستقبل بشكل مثالي، أظهر الباحثون أن الروبوت يمكنه تعلم التنبؤ بأخطاء تنبؤاته الخاصة. وهذا يسمح للآلة بالتكيف مع الطبيعة الفوضوية وغير المتوقعة للعالم الحقيقي. تشير النتائج إلى أنه من خلال معاملة الفجوة بين التوقع والواقع كمصدر للبيانات وليس مجرد فشل، يمكن للروبوتات أن تصبح أكثر فعالية في الاستكشاف. لقد أثبت الفريق أنه باستخدام هذا النهج، يمكن للروبوتات بناء خرائط أكثر دقة وإيجاد المزيد من الأشياء، سواء كانت تطير عبر مبنى محاكى أو تقود في شارع مزدحم بالمدينة. توفر الدراسة ضماناً رياضياً بأن هذه التحسينات ستستمر في النمو مع اكتساب الروبوت لمزيد من الخبرة، مما يضمن أن النظام سيصبح أفضل كلما زادت مدة تشغيله.