⚡ electrical engineering

Planning Human-Robot Co-manipulation with Human Motor Control Objectives and Multi-component Reaching Strategies

تقترح هذه الورقة إطار عمل لتخطيط المناولة المشتركة بين الإنسان والروبوت يدمج نماذج التحكم الحركي البشري القائمة على المقايضات بين السرعة والدقة وبين التكلفة والمنفعة مع استراتيجيات الوصول متعددة المكونات لتوليد مسارات تكيفية شبيهة بالمسارات البشرية للمهام التعاونية ذات الأهداف غير المؤكدة.

المؤلفون الأصليون: Kevin Haninger, Luka Peternel

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kevin Haninger, 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 تحاول حمل طاولة ثقيلة وغير متوازنة مع صديق لك. أنتما لستما مجرد شخصين يسيران جنباً إلى جنب؛ أنتما فريق واحد. إذا توقف صديقك فجأة ليربط حذاءه، فأنت بحاجة لمعرفة "لماذا" حتى لا تسحب الطاولة في الاتجاه الخاطئ. وإذا زاد من سرعته ليلحق بالحافلة، فعليك أن تماثل وتيرته.

هذه الورقة البحثية تدور حول تعليم الروبوتات أن تكون ذلك الصديق المثالي والبديهي.

المشكلة: الروبوتات "جامدة" للغاية

في الوقت الحالي، الروبوتات بارعة في اتباع التعليمات الصارمة، لكنها سيئة جداً في "قراءة الأجواء".

الطريقة القديمة: حاول المهندسون تعليم الروبوتات عبر تغذيتها بآلاف الساعات من بيانات الفيديو (تعلم الآلة). الأمر يشبه محاولة تعلم القيادة من خلال مشاهدة مليون مقطع فيديو من كاميرات السيارات؛ هذا ينجح، لكنه بطيء ومكلف، وقد يرتبك الروبوت إذا تغير الموقف قليلاً.
طريقة أخرى: حاول آخرون نمذجة عضلات وعظام البشر لجعل الروبوتات "مريحة" (Ergonomic). هذا يشبه دراسة محرك السيارة لفهم كيفية قيادتها. يساعد هذا في تحقيق الراحة، لكنه لا يخبر الروبوت إلى أين يريد السائق الذهاب أو كيف يخطط للوص هناك.

الحل: "دماغ" الحركة

قرر المؤلفان، كيفن ولوكا، التوقف عن النظر إلى العضلات والبدء في النظر إلى كيف يقرر الدماغ البشري التحرك.

استخدما قاعدتين بسيطتين وعالميتين يتبعهما كل إنسان عند الوصول لشيء ما:

المقايضة بين السرعة والدقة (قانون فيتس - Fitts' Law):
- التشبيه: تخيل أنك ترمي كرة داخل دلو.
- إذا كان الدلو ضخماً (هدف سهل)، يمكنك رمي الكرة بأقصى سرعة تريدها.
- إذا كان الدلو صغيراً جداً (هدف صعب)، عليك أن تبطئ وتصوب بدقة.
- مهمة الروبوت: بدلاً من مجرد التحرك بسرعة، يقوم الروبوت بحساب: "إذا كان الإنسان يستهدف نقطة صغيرة ودقيقة، فعليّ أن أبطئ وأكون حذراً. وإذا كان يستهدف منطقة واسعة، يمكنني زيادة السرعة".
المقايضة بين الجهد والمكافأة:
- التشبيه: تخيل أنك تمشي للوصول إلى الثلاجة.
- إذا مشيت ببطء شديد، ستضيع الوقت (مكافأة منخفضة). إذا ركضت بسرعة قصوى، فستستهلك الكثير من الطاقة (تكلفة عالية).
- مهمة الروبوت: يتعلم الروبوت أن البشر يحاولون إيجاد سرعة "المنطقة الوسطى المثالية" (Goldilocks speed)—ليست بطيئة جداً ولا سريعة جداً—لإنجاز المهمة بأقل قدر من الطاقة الضائعة.

السر الصغير: "رقصة الخطوتين"

البشر لا يتحركون عادةً في خط مستقيم واحد وسلس. نحن نقوم بـ رقصة الخطوتين:

الانطلاق (الحركة الاندفاعية - Ballistic): ندفع أيدينا للأمام بسرعة للوصول بالقرب من الهدف. تكون الحركة جامحة وغير دقيقة نوعاً ما.
الهبوط (التصحيح - Corrective): بمجرد اقترابنا، نبطئ ونقوم بتعديلات صغيرة ودقيقة.

لقد علم المؤلفان الروبوت التنبؤ بدقة بـ متى سينتقل الإنسان من مرحلة "الانطلاق" إلى مرحلة "الهبوط". وهذا أمر بالغ الأهمية لأنه يخبر الروبوت متى يتولى زمام المبادرة ومتى يترك المهمة للإنسان.

كيف اختبروا ذلك (السحر في العالم الحقيقي)

قاموا ببناء ذراع روبوت واختبروها في سيناريوهين:

السيناريو الأول: "المشي المتزامن"

المهمة: إنسان وروبوت يحملان جسماً معاً. يعرف الروبوت أن الارتفاع (محور Z) ثابت، لكن على الإنسان التوجيه يميناً أو يساراً (المستوى X-Y) لأن الوجهة قد تتغير.
النتيجة: راقب الروبوت الثواني القليلة الأولى من حركة الإنسان، وتوقع وجهتهم، ثم طابق سرعتهم وإيقاعهم بشكل مثالي. لم يصارع الإنسان، بل انسجم معه، مما خلق حركة سلسة وطبيعية.

السيناريو الثاني: "التسليم"

المهمة: يحتاج الروبوت لنقل جسم بسرعة إلى منطقة عامة، ولكن يحتاج الإنسان للقيام بالوضع النهائي الدقيق.
النتيجة: حرك الروبوت الجسم بسرعة (مرحلة الانطلاق). ثم، باستخدام نموذج دماغه، أدرك: "آه، نحن نقترب من الهدف، الإنسان على وشك الإبطاء وتولي زمام الأمور". ثم سلم التحكم للإنسان بسلاسة في اللحظة المثالية تماماً، مما سمح للإنسان بالقيام بالضبط الدقيق دون أن يقف الروبوت في طريقه.

لماذا هذا مهم؟

الأمر لا يتعلق فقط بجعل الروبوتات تتحرك بشكل أفضل؛ بل يتعلق بجعل الروبوتات شركاء يمكن التنبؤ بسلوكهم.

لا مزيد من التخمين: لا يحتاج الروبوت للسؤال "ماذا تفعل؟"، فهو يفهم فيزياء النية البشرية.
لا مزيد من ضخ البيانات: بدلاً من الحاجة إلى تيرابايت من بيانات الفيديو، يستخدم الروبوت رياضيات تعتمد على كيفية عمل أدمغتنا طبيعياً.
السلامة والانسيابية: من خلال مطابقة سرعة الإنسان ومعرفة متى يتراجع، يمنع الروبوت حدوث "شد وجذب" محرج يحدث عندما يحاول الروبوت والإنسان تحريك نفس الشيء.

باختد، أعطى المؤلفون للروبوت "دماغاً بشرياً" للحركة. الآن، عندما تعمل مع روبوت، لن يكون مجرد آلة تنفذ الأوامر؛ بل سيكون شريكاً يفهم إيقاعك، وأهدافك، وحاجتك للدقة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التخطيط للتعاون بين الإنسان والروبوت باستخدام أهداف التحكم الحركي البشري واستراتيجيات الوصول متعددة المكونات" من تأليف كيفين هانينجر ولوكا بترنيل.

1. بيان المشكلة

يتطلب التعاون بين الإنسان والروبوت (HRC) أن تتكيف الروبوتات مع نوايا البشر وأفعالهم في الوقت الفعلي. تواجه النهج الحالية قيوداً كبيرة:

النماذج العضلية الهيكلية: فعالة من حيث الأرغونوميا (تقليل التعب/عزم الدوران) ولكنها محدودة في الوظائف منخفضة المستوى وتفتقر إلى القدرة على التنبؤ بالسلوك القابل للتعميم.
النماذج القائمة على البيانات/التعلم الآلي: (مثل التعلم المعزز العكسي، أو العمليات الغاوسية) تعتمد بشكل كبير على مجموعات بيانات ضخمة، والتي قد لا تتوفر، أو يصعب جمعها، أو تفتقر إلى القدرة على التعميم في سيناريوهات جديدة.
الفجوة: هناك نقص في نماذج التحكم الحركي البشري التي يمكنها توفير تقديرات سلوكية قابلة للتعميم، والاندماج في تخطيط الروبوت، ومراعاة المقايضات الأساسية مثل السرعة-الدقة والتكلفة-المنفعة.

المشكلة الجوهرية هي تطوير إطار عمل لتخطيط الروبوت يتنبأ بالمسارات والنوايا البشرية باستخدام نماذج حسابية مبدئية للتحكم الحركي البشري، مما يتيح التزامن السلس ونقل السلطة دون الحاجة إلى بيانات تدريب مكثفة.

2. المنهجية

يقترح المؤلفون إطار عمل لـ الأمثلة العددية للمسار يدمج مبادئ التحكم الحركي البشري مباشرة في دالة التكلفة الخاصة بتخطيط الروبوت.

أ. نماذج التحكم الحركي البشري

يدمج إطار العمل نموذجين نظريين رئيسيين:

مقايضات السرعة-الدقة والتكلفة-المنفعة:
- بناءً على قانون فيتس (Fitts' Law) وتقليل التكلفة الأيضية.
- المسار البشري يقلل من دالة هدف $J$ توازن بين المنفعة من الوصول إلى الهدف (مخصومة زمنياً) وبين التكلفة الأيضية (عزوم المفاصل).
- الديناميكيات العشوائية: يأخذ النموذج في الاعتبار الضوضاء العصبية ( $\epsilon$ ) التي تتضخم مع النشاط العضلي، مما يؤدي إلى توزيع من المسارات الممكنة بدلاً من مسار حتمي واحد.
- دالة الهدف:
  $J(\tau(t)) = E \int_0^\infty \left( e^{-t/\gamma} R(q, g) - \nu \|\tau(t)\|^2 \right) dt$
  حيث $R$ هي المكافأة للوصول إلى الهدف، و $\gamma$ هو عامل خصم الوقت، و $\nu$ يزن التكلفة الأيضية.
استراتيجية الوصول متعددة المكونات:
- يتم نمذجة الوصول البشري كمرحلتين: حركة باليستية أولية (سريعة، أقل دقة) وحركة تصحيحية نهائية (بطيئة، دقيقة).
- يتم التنبؤ بـ نقطة الانتقال باستخدام نموذج انحدار العمليات الغاوسية المدرب على بيانات تجريبية. تعتمد هذه النقطة على مسافة الهدف وعرضه (الصعوبة).
- يُستخدم هذا النموذج لتحديد متى سينتقل الإنسان طبيعياً من دور "القائد" إلى دور "الضبط الدقيق".

ب. صياغة الأمثلة العددية

لجعل هذه النماذج المستمرة قابلة للتطبيق في تخطيط الروبوت:

التقطيع (Discretization): يتم خطية وتجزئة الديناميكيات المستمرة باستخدام تكامل أويلر الأمامي.
تمثيل الحالة: تُعامل الحالة البشرية كتوزيع غاوسي $s \sim N(\mu, \Sigma)$ للتعامل مع الضوضاء.
تقريب المكافأة: يتم استبدال مؤشر الهدف الثنائي بدالة احتمالية سلسة وقابلة للاشتقاق (نواة غاوسية) مما يسمح بإيجاد التوقع بصيغة مغلقة فوق توزيع الحالة.
التخطيط: يحل الروبوت مشكلة التحكم الأمثل لتقليل دالة التكلفة الشبيهة بالبشر، مما يولد مسارات تحاكي سرعة البشر، وتسارعهم، وخصائص الضوضاء لديهم.

ج. التطبيقات التعاونية

يُطبق إطار العمل على سيناريوهين محددين للتعاون بين الإنسان والروبوت (HRC):

تزامن المناولة المشتركة: يتنبأ الروبوت بالمسار البشري في الوقت الفعلي (باستخدام الحركة الجزئية المرصودة) لمزامنة حركته، ومطابقة ملفات السرعة وأوقات الوصول.
نقل السلطة: يقود الروبوت المرحلة الباليستية الأولية للمهمة. وباستخدام النموذج متعدد المكونات، يتنبأ بـ نقطة الانتقال حيث سيبدأ الإنسان طبيعياً في الحركة التصحيحية. عند هذه النقطة، يحرر الروبوت التحكم (صلابة صفرية) للسماح للإنسان بالتولّي من أجل التموضع الدقيق.

3. المساهمات الرئيسية

نموذج تحكم حركي موحد: أول دمج لمقايضات السرعة-الدقة والتكلفة-المنفعة الموحدة في مخطط روبوت للحركات التعاونية.
دمج الاستراتيجية متعددة المكونات: إدراج تقسيم الحركة إلى باليستية/تصحيحية لتحديد نقاط نقل السلطة المثلى.
نظام استنتاج الهدف: طريقة لتقدير المسار المتبقي للإنسان وموقع الهدف من خلال تقييد مشكلة الأمثلة بالحركة الجزئية المرصودة.
التحقق: تم التحقق من النهج مقابل قانون فيتس، وعدم تماثل ملف السرعة، وخصائص التشتت، مما أظهر دقة عالية تجاه أدبيات التحكم الحركي البشري.

4. النتائج

تم التحقق من صحة النظام من خلال المحاكاة الحسابية والتجارب الفيزيائية باستخدام ذراع روبوتية من نوع Franka Emika في مهمة تجميع إلكترونية.

دقة النموذج (O1):
- نجحت المسارات المولدة في إعادة إنتاج مقايضة السرعة-الدقة: كانت الحركات أسرع للأهداف الأكبر/الأقصر وأبطأ للأهداف الأصغر/الأبعد.
- ملفات السرعة: أنتج النموذج قمم سرعة غير متماثلة زمنياً (قمة السرعة تحدث في وقت مبكر من الحركة)، وهي سمة ملاحظة في الحركة البشرية وغالباً ما تغفل عنها نماذج الحد الأدنى من الارتجاج (minimum-jerk).
- التكلفة-المنفعة: سمح النموذج باحتمالية صغيرة لـ "إخطاء" الهدف لتقليل الوقت/الطاقة، مما يطابق سلوك المخاطرة لدى البشر.
تزامن المناولة المشتركة (O3):
- في التجارب حيث حرك الروبوت والإنسان جسماً معاً، نجح الروبوت في مزامنة حركته مع الإنسان.
- تكيف الروبوت مع المسافات والاتجاهات المتغيرة للهدف في الوقت الفعلي.
- طابقت ملفات السرعة الخاصة بالروبوت ملفات البشر عن كثب، مما قلل من صراعات الحركة وقوى التفاعل.
نقل السلطة (O2):
- نجح الروبوت في تحديد نقطة الانتقال بين المرحلتين الباليستية والتصحيحية.
- أظهرت البيانات التجريبية أن الانتقال حدث بالقرب من نقطة أقصى تشتت للموضع (كما توقع النموذج).
- كان نقل السلطة سلساً، دون قفزات مفاجئة في السرعة، مما سمح للإنسان بالتولّي بسلاسة من أجل التموضع الدقيق.

5. الأهمية

المبدئي مقابل القائم على البيانات: يثبت هذا العمل أن الروبوتات يمكن أن تحقق قدرة على التكيف تشبه البشر دون الحاجة إلى مجموعات بيانات ضخمة من خلال الاستفادة من مبادئ علوم الأعصاب الراسخة (نظرية التحكم الحركي).
التفاعل الطبيعي: من خلال محاكاة الضوضاء البشرية، والسرعة، والاستراتيجية (باليستية مقابل تصحيحية)، يصبح سلوك الروبوت أكثر "وضوحاً" وقابلية للتنبؤ لشركائه البشر، مما يقلل العبء المعرفي.
المتانة: يتعامل النهج مع عدم اليقين في موقع الهدف وصعوبات المهام المتغيرة (المسافة/العرض) بفعالية، مما يجعله مناسباً لبيئات العمل الديناميكية مثل خطوط التجميع.
التأثير المستقبلي: يوفر هذا الإطار أساساً لأنظمة تعاون (HRC) أكثر حدسية حيث يمكن للروبوتات توقع احتياجات البشر وتكييف سلطة التحكم الخاصة بها ديناميكياً، متجاوزة مجرد المسارات المبرمجة مسبقاً أو التحكم التفاعلي في الممانعة.

القيود والعمل المستقبلي:
تقتوي النماذج الحالية في حركات الانتقال من نقطة إلى نقطة ولا تأخذ في الاعتبار بشكل كامل ديناميكيات التفاعل المعقدة. يستغرق الحل العددي غير الخطي حالياً أكثر من ثانية واحدة (على الرغم من أن النسخ الخطية أسرع)، وتتطلب المعلمات ضبطاً. يشمل العمل المستقبلي دراسات المستخدم لتقييم التصورات الذاتية وتوسيع النماذج لتشمل ديناميكيات التفاعل المستمر.