MoDeSuite: Robot Learning Task Suite for Benchmarking Mobile Manipulation with Deformable Objects

تخيل عالماً لا تكون فيه الروبوتات مجرد صناديق خرقاء لا تستطيع سوى دفع الصناديق الثقيلة والجامدة. تخيلها كمساعدين بارعين في استخدام أيديهم لربط أربطة الأحذية، أو طي الملابس، أو التنقل في غرفة مليئة بالستائر المتدلية. هذا هو أفق المناورة المتنقلة (mobile manipulation)، وهو مجال في الروبوتات يجمع بين مهارتين صعبتين: التحرك حول المكان (مثل الكلب أو السيارة) واستخدام الأذرع للإمساك بالأشياء (مثل الإنسان). وبينما أصبحت الروبوتات جيدة جداً في تحريك الأشياء الصلبة مثل الصناديق أو الأبواب، إلا أنها لا تزال تعاني بشدة مع الأجسام القابلة للتشكل (deformable objects). هذه هي الأشياء التي تنضغط، أو تتمدد، أو تنحني، أو تترهل، مثل الرباط المطاطي، أو المنشفة المبللة، أو قطعة من الحبال. ولأن هذه الأشياء تغير شكلها في كل مرة تلمسها، فإنها تمثل كابوساً لبرامج الكمبيوتر التي تحاول التنبؤ بما سيحدث بعد ذلك. إذا لم يستطع الروبوت التعامل مع بطانية رخوة، فلن يتمكن حقاً من مساعدتنا في منازلنا الفوضوية.

هنا يأتي دور مشروع جديد يسمى MoDeSuite. فكر فيه كأنه "لعبة فيديو" عالية التقنية مصممة خصيصاً لتدريب الروبوتات على التعامل مع الأشياء الرخوة. لقد أنشأ الباحثون ساحة لعب رقمية مليئة بثمانية تحديات مختلفة، تتراوح من سحب حزام مرن فوق حاجز إلى سحب مفرش طاولة عن الطاولة دون إسقاط الأطباء. وقد اختبروا ساحة اللعب هذه مع نوعين من الروبوتات: واحد يعمل بالعجلات (مثل مكنسة كهربائية ذكية مزودة بأذرع) وآخر يمشي على أرجل (روبوت رباعي الأرجل يشبه الكلب). وكان الهدف هو معرفة ما إذا كان بإمكان الروبوتات تعلم كيفية تنسيق حركة أجسامها وأذرعها معاً لحل هذه الألغاز "الرخوة". وتظهر النتائج أنه بينما يمكن للروبوتات تعلم القيام بذلك في لعبة الكمبيوتر، فإن نقلها إلى العالم الحقيقي لا يزال أمراً صعباً، خاصة عندما يتعلق الأمر برؤية والتفاعل مع التغيرات البصرية.

قصة الورقة البحثية: تعليم الروبوتات "الرقص" مع الأشياء الرخوة

تقدم الورقة البحثية MoDeSuite، وهي أول "مجموعة مهام" معيارية (مجموعة من التحديات) مصممة لقياس مدى قدرة الروبوتات على التحرك أثناء التعامل مع أشياء تنحني وتتمدد. قبل ذلك، كان على الباحثين بناء محاكاة خاصة بهم لكل تجربة جديدة، مما جعل من الصعب مقارنة الروبوتات أو طرق التعلم المختلفة. ويعالج MoDeSuite هذا الأمر من خلال توفير بيئة رقمية عالية الجودة يمكن لأي شخص من خلالها اختبار خوارزميات تعلم الروبوتات الخاصة به.

تتضمن مجموعة المهام ثماني مهام متميزة تغطي نوعين رئيسيين من المواد "الرخوة":

1. الأجسام المرنة (Elastic objects): الأشياء التي تتمدد وتعود لشكلها الأصلي، مثل الأربطة المطاطية أو أعواد الفوم.
2. الأجسام اللدنة (Plastic objects): الأشياء التي تتدلى وتطوى ولكنها لا تعود لشكلها الأصدي، مثل الستائر، أو مفارش الطاولة، أو الحبال.

لقد صُممت المهام لتكون صعبة. فعلى سبيل المثال، في مهمة "الانحناء" (Bend)، يجب على الروبوت حمل قضيب طويل ومطاطي عبر ممر على شكل حرف L. إذا تحرك الروبوت بسرعة كبيرة أو أمسك القضيب بشكل خاطئ، فقد يصطدم القضيب بالجدران. وفي مهمة "السحب" (Drag)، يتعين على الروبوت رفع حزام مطاطي فوق عائق ووضعه على الجانب الآخر، مع الحفاظ على توازن جسمه. وفي مهمة "الستارة" (Curtain)، يجب على الروبوت سحب ستارة متدلية جانباً والمشي عبر الفتحة دون الاصطدام بها. تجبر هذه المهام الروبوت على تنسيق قاعدته (العجلات أو الأرجل) مع ذراعه، مستفيداً من مرونة الجسم بدلاً من محاربتها.

لاختبار مدى نجاح هذا النظام، قام المؤلفون بتدريب أربعة "أدمغة تعلم" (خوارزميات) مختلفة داخل المحاكاة. اثنتان منها كانت خوارزميات التعلم التعزيزي (Reinforcement Learning - RL)، والتي تتعلم من خلال التجربة والخطأ، محاولة الحصول على درجة عالية. والاثنتان الأخريان كانتا خوارزميات التعلم بالتقليد (Imitation Learning - IL)، والتي تتعلم من خلال مراقبة إنسان (أو متحكم لوحة المفاتيح) يؤدي المهمة ومحاولة تقليد الحركات.

ما وجدوه في المحاكاة:
كانت الروبوتات ناجحة بشكل مدهش في العالم الرقمي. أداء خوارزمية PPO (نوع من أنواع التعلم التعزيزي) كان أفضل بشكل عام من خوارزمية SAC عبر معظم المهام. ومع ذلك، كان نوع الروبوت يلعب دوراً كبيراً؛ فقد وجدت الروبوتات ذات العجلات (Franka على قاعدة Ridgeback) المهام أسهل، بينما عانى الروبوت ذو الأرجل (Spot من شركة Boston Dynamics) أكثر، حيث فقد توازنه غالباً أو اصطدم بالجدران في المساحات الضيقة. وهذا يشير إلى أن موازنة الروبوت أثناء معالجة جسم مرن هو تحدٍ هائل، خاصة بالنسبة للآلات ذات الأرجل.

اختبار العالم الحقيقي (Sim-to-Real):
الجزء الأكثر إثارة في الورقة البحثية هو ما حدث عندما أخذوا الروبوتات المدربة من الكمبيوتر إلى الأرض الحقيقية. لقد قاموا بنشر السياسات (policies) على روبوت Spot الحقيقي دون أي ضبط دقيق إضافي.

• النجاح باستخدام بيانات "الحالة" (State data): عندما استخدم الروبوت بيانات استشعار مباشرة (معرفة المواقع الدقيقة لنقاط الجسم في الفضاء ثلاثي الأبعاد)، كان الانتقال مبهراً. ففي مهمتي "الوضع" (Place) و"السحب" (Drag)، حقق الروبوت الحقيقي معدلات نجاح تتراوح بين 90% إلى 100%، وهي قريبة جداً من أدائه في المحاكاة. لقد تمكن بنجاح من سحب حزام مطاطي فوق عائق في العالم الحقيقي.
• الفشل باستخدام بيانات "الصورة" (Image data): عندما حاول الروبوت التعلم باستخدام صور الكاميرا فقط (مثل رؤية الإنسان للعالم)، فقد واجه صعوبة. ففي مهمة "الستارة"، فشل الروبوت تماماً في العالم الحقيقي، رغم أنه أدى جيداً في المحاكاة. وجد الباحثون أن "عيون" الروبوت رأت المحاكاة والعالم الحقيقي كشيئين مختلفين تماماً. كانت الفجوة البصرية واسعة جداً بحيث لا يستطيع الروبوت جسرها دون تدريب إضافي.

ما يعنيه هذا:
لا تدعي الورقة البحثية أنها حلت مشكلة المناورة المتنقلة مع الأجسام القابلة للتشكل. بدلاً من ذلك، فهي توفر أداة جديدة حاسمة: معياراً قياسياً مليئاً بالتحديات يكشف بالضبط أين تنجح الروبوتات الحالية وأين تفشل. إنها تثبت أن الروبوتات يمكنها تعلم التعامل مع الأجسام المرنة في المحاكاة، وأن هذه المعرفة يمكن أن تنتقل إلى العالم الحقيقي، ولكن فقط إذا كان لدى الروبوت معلومات دقيقة عن شكل الجسم. إذا اعتمد الروبوت فقط على ما يراه من خلال الكاميرا، فإن "الوادي غير المريح" (uncanny valley) بين المحاكاة والواقع لا يزال عميقاً جداً بحيث لا يمكن عبوره.

يقترح المؤلفون أن العمل المستقبلي يجب أن يركز على مساعدة الروبوتات على فهم البيانات البصرية بشكل أفضل، وعلى جعل الروبوتات ذات الأرجل أكثر استقراراً عند التعامل مع أحمال ثقيلة أو رخوة. ومن خلال فتح باب الوصول إلى "MoDeSuite" للجمهور، يأملون في تسريع الأبحاث، وتحويل حلم امتلاك روبوت يمكنه طي ملابسك أو فك تشابك سماعات الرأس إلى واقع ملموس.