← أحدث الأبحاث
⚡ electrical engineering

Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration

تقدم هذه الورقة البحثية طريقة المعايرة المحلية لعدم اليقين (LUCCa)، وهي طريقة تعتمد على التنبؤ المطابق (conformal prediction) وغير تقاربية، تعمل على معايرة تقديرات عدم اليقين العشوائي (aleatoric uncertainty) محلياً لتوليد مناطق تنبؤ صالحة احتماليًا تأخذ في الاعتبار كلاً من عدم اليقين العشوائي وعدم اليقين المعرفي (epistemic uncertainty) في ديناميكيات الروبوت، مما يتيح التخطيط الآمن في البيئات الجديدة.

المؤلفون الأصليون: Luís Marques, Dmitry Berenson

نُشر 2026-09-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Luís Marques, Dmitry Berenson

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

تتحرك الروبوتات عبر العالم من خلال التنبؤ بما سيحدث لاحقاً. فإذا عرف الروبوت بدقة كيف تتماسك عجلاته مع الأرض أو كيف تدفع مراوحه الهواء، يمكنه حساب مسار مثالي للوصول إلى وجهة ما. لكن العالم الحقيقي فوضوي؛ فالأسطح تصبح زلقة، والرياح تتغير، وفيزياء الآلة يمكن أن تتغير بطرق لم يتوقعها مصمموها. عندما يواجه الروبوت موقفاً لم يره من قبل، يصبح تنبؤه الداخلي بالمستقبل مجرد تخمين. وللتحرك بأمان، يجب على الروبوت ألا يفهم فقط أين يعتقد أنه سيكون، بل مدى عدم اليقين في هذا التخمين. عليه أن يميز بين نوعين من الشك: النوع الأول هو الضجيج العشوائي، مثل انزلاق عجلة على بقعة من الجليد؛ وهو أمر غير قابل للتنبؤ ولكنه يحدث ضمن حدود معروفة. أما النوع الآخر فهو الجهل، مثل محاولة روبوت القيادة على سطح لم يلمسه من قبل؛ هنا، يفتقر الروبوت ببساطة إلى المعلومات اللازمة لمعرفة ما سيحدث. لسنوات، كافح المهندسون لقياس هذا النوع الثاني من عدم اليقين بطريقة تضمن السلامة، معتمدين غالباً على افتراضات تنهار عندما تتغير البيئة.

لقد طور فريق من الباحثين في جامعة ميشيغان طريقة جديدة لحل هذه المشكلة، مما يسمح للروبوتات ببناء شبكة أمان حول تنبؤاتها حتى عندما تكون في مناطق غير مألوفة تماماً. وقد أطلقوا على نهجهم اسم "المعايرة المتوافقة الموضعية لعدم اليقين" (Local Uncertainty Conformal Calibration). الفكرة الجوية هي أخذ أفضل تخمين للروبوت حول حركته المستقبلية، ثم تعديل حجم "فقاعة الأمان" الخاصة به بناءً على بيانات العالم الحقيقي. تخيل روبوتاً لديه نموذج لكيفية حركته، ولكن هذا النموذج قد يكون خاطئاً في مناطق معينة. قبل أن يبدأ الروبوت مهمة جديدة، جعل الباحثين يمر بمرحلة معايرة قصيرة. خلال هذه المرحلة، يختبر الروبوت نموذجه مقابل مجموعة صغيرة من الحركات الفعلية التي يؤديها على الأرض. ومن خلال مقارنة ما تنبأ به النموذج مع ما حدث بالفعل، يتعلم النظام مقدار توسيع فقاعة الأمان الخاصة به في أجزاء مختلفة من الغرفة. إذا كان النموذج دقيقاً عادةً في زاوية معينة، تظل الفقاعة ضيقة. وإذا كان النموذج مهتزاً في زاوية أخرى، ربما بسبب انزلاق الأرض، تتوسع الفقاعة بشكل كبير لتغطي جميع النت possible الممكنة.

اختبر الباحثون هذه الطريقة على روبوت محاكى يتحرك مثل السيارة، وقادر على التسارع والدوران. وضعوا هذا الروبوت في بيئات تتغير فيها الفيزياء فجأة، مثل قسم من الأرض ذو احتكاك أقل بكثير من بقية الأرض. في هذه المناطق الصعبة، سيفترض نموذج الروبوت القياسي أنه يستطيع التوقف أو الدوران بسهولة، مما يؤدي به إلى تخطيط مسارات تنتهي بالاصطدام. ومع ذلك، أدرك الأسلوب الجديد أن النموذج غير موثوق في تلك البقع المحددة؛ حيث استخدم بيانات المعايرة لتضخيم عدم اليقين لتلك المناطق، مما أجبر خوارزمية التخطيط على اختيار طرق أبطأ وأكثر أماناً تتجنب المناطق الخطرة تماماً. في سلسلة من الاختبارات عبر أربع بيئات مختلفة، وصل الروبوت الذي يستخدم طريقة المعايرة الجديدة إلى هدفه دون الاصطدام بالعوائق في معظم التجارب، رغم أنه تعرض لعدد قليل من الاصطدامات في سيناريوهات أكثر تعقيداً مثل المنعطفات الحادة. في المقابل، اصطدم الروبوت الذي يستخدم النموذج القياسي غير المعاير في ما يصل إلى 80 بالمائة من المحاولات، لأنه فشل في مراعاة حقيقة أن فهمه للعالم كان ناقصاً.

ما يجعل هذا النهج قوياً بشكل خاص هو أنه لا يتطلب من الروبوت معرفة كيفية تغير الفيزياء بدقة. فهو لا يحتاج إلى تحديد ما إذا كانت الأرض مبللة أو أن الهواء كثيف؛ بل يكتفي بمراقبة عدم التطابق بين تنبؤه والواقع ويعدل ثقته وفقاً لذلك. لقد أثبت الباحثون رياضياً أن هذه الطريقة تضمن أن فقاعة أمان الروبوت ستحتوي على الموضع المستقبلي الحقيقي للروبوت بنسبة 90 بالمائة على الأقل للخطوة الأولى من الخطة، حتى مع وجود كمية صغيرة جداً من بيانات المعايرة. وهذا الضمان يظل قائماً بغض النظر عما إذا كان الروبوت يتحرك عبر ممر مألوف أو مساحة فوضوية وغير متوقعة. ومن خلال تقسيم المشكلة إلى مناطق صغيرة ومحلية، يتجنب النظام الوقوع في الفخ الشائع المتمثل في الحذر المفرط في كل مكان؛ فبدلاً من افتراض السيناريو الأسوأ للرحلة بأكملها، فإنه يوسع هامش الأمان فقط حيث تظهر البيانات أن ذلك ضروري حقاً.

كما بحثت الدراسة أيضاً في كيفية أداء هذه الطريقة بمرور الوقت بينما يخطط الروبوت لسلسلة من التحركات. وبينما يظل الإثبات الرياضي أقوى للخطوة الأولى من الخطة، أظهرت التجارب أن الطريقة ظلت فعالة حتى عندما نظر الروبوت إلى المستقبل البعيد. نجح النظام في إدارة عدم اليقين التراكمي الذي عادة ما يعيق التخطيط طويل الأمد. وفي عمليات المحاكاة، استغرق الروبوت الذي يستخدم هذه الطريقة وقتاً أطول قليلاً للوصول إلى وجهته مقارنة بالروبوت الذي يتجاهل عدم اليقين والذي كان يصطدم، لكنه وصل بأمان. كانت التكلفة الحسابية لإضافة فحص السلامة هذا ضئيلة، حيث استغرقت أقل من مللي ثانية لكل خطوة تخطيط على معالج كمبيوتر قياسي. وهذا يشير إلى إمكانية تنفيذ الطريقة على روبوتات حقيقية دون إبطائها. إن هذا العمل يثبت أنه من خلال الجمع بين النموذج الداخلي للروبوت وفحص بسيط يعتمد على البيانات، يمكننا منح الآلات القدرة على إدراك جهلها والتصرف بحذر مناسب، مما يحول التخمين الذي قد يكون خطيراً إلى خطة آمنة ومثبتة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →