⚡ electrical engineering

Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

تقدم هذه الورقة إطار تحكم هرمي للروبوتات المتنقلة ذات العجلات الثقيلة يدمج بين شبكة عصبية عميقة عالية الدقة ومتحكم تكيفي متين خالي من النموذج وطبقتين للأمان لضمان التشغيل المستقر والموثوق تحت تأثير الاضطرابات مع الالتزام بمعايير السلامة، كما تم التحقق من ذلك من خلال تجارب في الوقت الفعلي على روبوت يزن 6,000 كجم.

المؤلفون الأصليون: Mehdi Heydari Shahna, Jouni Mattila

نُشر 2026-04-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mehdi Heydari Shahna, Jouni Mattila

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

الصورة الكبيرة: تعليم روبوت ثقيل القيادة بأمان

تخيل أن لديك روبوت بناء ضخمًا يزن 6 أطنان (مثل جرافة عملاقة ذاتية القيادة) يحتاج إلى التحرك في موقع بناء. هذا الروبوت ثقيل، وقوي، ويعمل في بيئات فوضوية وغير متوقعة مليئة بالطين، والصخور، والمطبات المفاجئة.

واجه الباحثون معضلة كلاسيكية: كيف تجعل هذا الروبوت يقود بسرعة ودقة مثالية، وفي نفس الوقت تضمن عدم اصطدامه أو تحطمه إذا ساءت الأمور؟

لقد جربوا نهجين مختلفين، لكن لم يكن أي منهما مثاليًا بمفرده. لذا، قاموا ببناء نظام سلامة ثلاثي الطبقات يتنقل بينهما مثل سائق ذكي يغير تروس السرعة.

"السائقان" (سياسات التحكم)

لفهم الحل، عليك أولاً فهم "السائقين" اللذين يستخدمهما الروبوت:

1. "الطالب العبقري" (الشبكة العصبية العميقة / DNN)

ما هو: عقل كمبيوتر تدرب على ملايين نقاط البيانات. لقد "حفظ" كيفية حركة الروبوت.
التشبيه: فكر في هذا كـ طالب عبقري في القيادة تدرب على مضمار مثالي وخالٍ من العوائق لسنوات. إنه يعرف بالضبط مقدار لف المقود ليتجاوز المنعطف بدقة. إنه سريع للغاية، ودقيق، وسلس.
المشكلة: هذا الطالب هو "صندوق أسود". نحن لا نفهم تمامًا كيف يفكر. إذا واجه الطالب موقفًا لم يره من قبل (مثل صخرة ضخمة مفاجئة أو بقعة زلقة من الجليد)، فقد يصاب بالذعر أو يقوم بتخمين عشوائي لأنه لم يرَ هذا السيناريو المحدد في بيانات تدريبه. إنه بارع في اتباع القواعد، لكنه سيء في التعامل مع الفوضى.

2. "المخضرم العبوس" (التحكم التكيفي المتين / RAC)

ما هو: نظام تحكم تقليدي يعتمد على الرياضيات المكثفة، مصمم خصيصًا للتعامل مع الفوضى.
التشبيه: فكر في هذا كـ سائق مخضرم قديم الطراز وعبوس. ليس سلسًا أو سريعًا مثل الطالب، وقد يقود بخشونة، أو يتجاوز المنعطفات، أو يسلك مسارًا أوسع. ولكن، إذا طارت صخرة نحو الزجاج الأمامي أو اختفى الطريق، فإن هذا المخضرم يعرف تمامًا كيفية تثبيت المركة باستخدام الفيزياء والخبرة الصرفة. إنه بطيء وخرق، لكنه غير قابل للكسر.
المشكلة: إذا تركت المخضرم يقود طوال الوقت، فسيكون الروبوت بطيئًا جدًا وغير دقيق للمهام الدقيقة.

الحل: "فريق السلامة الهرمي"

أدرك الباحثون أنه ليس عليهم الاختيار بين الطالب العبقري والمخضرم العبوس. بدلاً من ذلك، أنشأوا سياسة تحكم هرمية تحتوي على طبقتين من السلامة (مثل مدير وحارس أمن) للتبديل بينهما تلقائيًا.

إليك كيف يعمل النظام في الوقت الفعلي:

المستوى 1: "العبقري" هو المسؤول (في الظروف العادية)

السيناريو: الروبوت يسير في مسار سلس وطبيعي.
الإجراء: الطالب العبقري (DNN) هو من يقود. يتحرك الروبوت بدقة عالية، ويتبع المسار تمامًا.
فحص السلامة: هناك مراقب سلامة منخفض المستوى يراقب أداء الطالب. الأمر يشبه مشرف يتحقق مما إذا كان الطالب يلتزم بمسارات الطريق.

المستوى 2: "التبديل" (عند بدء حدوث المشاكل)

السيناريو: فجأة، يصطدم الروبوت باضطراب شديد (مثل مطب كبير، انزلاق عجلة، أو أرض غير مستوية). يبدأ الطالب في الانحراف أو فقدان السيطرة.
الإجراء: يرى مراقب السلامة منخفض المستوى أن الخطأ أصبح كبيرًا جدًا. يقوم فورًا بإخراج الطالب من مقعد القيادة ويغلق الباب (حتى لا يتمكن الطالب من الاستيلاء على القيادة مرة أخرى).
التبديل: يسلم المقود إلى المخضرم العبوس (RAC).
النتيجة: يتغير أسلوب قيادة الروبوت. يصبح أكثر خشونة وأقل دقة، ولكنه يوقف الانحراف فورًا ويستقر. الروبوت الآن في حالة "آمن ولكنه بطيء". يمكنه الاستمرار في العمل خلال الاضطراب دون الاصطدام.

المستوى 3: "التوقف الطارئ" (عندما تسوء الأمور كثيرًا)

السيناريو: الاضطراب كبير جدًا (مثل اقتراب الروبوت من الانقلاب أو السقوط في حفرة) لدرجة أن حتى المخضرم العبوس لا يستطيع التعامل معه. الروبوت في خطر حقيقي.
الإجراء: يرى مراقب السلامة عالي المستوى (المدير الأعلى) أن المخضرم يعاني وأن الروبوت على وشك التحطم.
النتيجة: يضغط المراقب عالي المستوى على زر التوقف الطارئ. يتوقف الروبوت عن العمل فورًا لمنع إلحاق الضرر بنفسه، أو بالبيئة، أو بالأشخاص القريبين.

لماذا هذا مهم؟

هذه الورقة البحثية مهمة لأنها تحل مشكلة كبرى في علم الروبوتات: الثقة.

الطريقة القديمة: كنا نعتمد على نماذج رياضية معقدة لقيادة الروبوتات. ولكن بالنسبة للآلات الثقيلة والفوضوية، فإن الرياضيات صعبة جدًا لضبطها بدقة.
الطريقة الجديدة (DNN فقط): حاولنا استخدام الذكاء الاصطنا\ (الطالب) لأنه ذكي وسريع. لكننا كنا خائفين من استخدامه على الآلات الثقيلة لأنه إذا فشل، فقد تكون النتائج كارثية.
طريقة هذه الورقة: نحن نستخدم الذكاء الاصطناعي من أجل السرعة والدقة، ولكننا نضعه داخل "قفص سلامة" (المخضرم والمراقبون). إذا ارتبك الذكاء الاصطناعي، يتولى قفص السلامة زمام الأمور.

الاختبار الواقعي

اختبر الباحثون هذا على روبوت حقيقي يزن 6,000 كجم (13,000 رطل).

جعلوه يدور في دائرة باستخدام الذكاء الاصطنا\ فقط (الطالب). كان الأداء مثاليًا.
جعلوه يعمل باستخدام المخضرم فقط. كان آمنًا ولكنه كان متذبذبًا بعض الشيء.
الاختبار النهائي: قاموا بقيادته، ثم تعمدوا العبث بالتحكمات لمحاكاة اضطراب كبير.
- حاول الذكاء الاصطنا\ التعامل مع الأمر ولكنه بدأ في الفشل.
- انتقل النظام فورًا إلى المخضرم.
- حافظ الروبوت على القيادة بأمان، رغم أن المسار لم يكن مثاليًا.
- أثبت النظام قدرته على التبديل ذهابًا وإيابًا (أو بالأحرى التبديل مرة واحدة والبقاء آمنًا) دون أن يصطدم.

الخلاصة

يمهد هذا البحث الطريق لاستخدام الذكاء الاصطنا\ "الصندوق الأسود" في الصناعات الثقيلة. إنه يقول: "يمكننا استخدام الذكاء الاصطنا\ السريع والذكي، طالما لدينا شبكة أمان تعرف تمامًا متى تتدخل وتتولى السيطرة." الأمر يشبه امتلاك سيارة ذاتية القيادة تعرف متى تستدعي سائقًا محترفًا ليمسك بالمقود إذا أصبح الطريق خطيرًا للغاية.

ملخص تقني لورقة بحثية بعنوان: "توليف الشبكات العصبية العميقة مع التحكم التكيفي المتين الآمن للتشغيل الموثوق للروبوتات المتنقلة ذات العجلات"

1. بيان المشكلة

تتناول الورقة البحثية تحدي نشر الشبكات العصبية العميقة (DNNs) للتحكم في الروبوتات المتنقلة ذات العجلات (WMRs) ثقيلة المهام (مثل الآلات الإنشائية التي تزن حوالي 6,000 كجم). وبينما توفر الشبكات العصبية العميقة تحكماً عالي الدقة دون الحاجة إلى نمذجة ديناميكية معقدة ومكلفة حوسبياً، إلا أنها تفرض مخاطر أمنية كبيرة:

طبيعة الصندوق الأسود: تفتقر الشبكات العصبية العميقة إلى القابلية للتفسير، مما يجعل تحليل الاستقرار الرسمي أمراً صعباً.
نقص المتانة (Robustness): غالباً ما تفشل الشبكات العصبية العميقة المدربة على توزيعات بيانات محددة أو تصبح غير مستقرة عند التعرض لاضطرابات خارجية (مثل تغيرات التضاريس، أو الانزلاق) أو أعطال خارج نطاق تدريبها.
معايير السلامة: يجب أن تلتزم الروبوتات ثقيلة المهام بمعايير سلامة دولية صارمة (ISO 3691، ISO 13849، IEC 61508). وتواجه النهج القائمة على التعلم البحت صعوبة في ضمان السلامة في البيئات غير المتوقعة والقاسية.

السؤال الجوهري هو: كيف يمكن نشر تحكم قائم على التعلم عالي الأداء على الروبوتات ثقيلة المهام مع ضمان الاستقرار والسلامة تحت تأثير الاضطرابات الشديدة؟

2. المنهجية

يقترح المؤلفون إطار تحكم هرمي يجمع بين سياسة شبكة عصبية عميقة عالية الدقة وسياسة تحكم تكيفي متين (RAC) خالية من النموذج، ويتم مراقبتهما بواسطة طبقتين من طبقات السلامة ذات مستويات مختلفة من السلطة.

أ. نمذجة النظام

المنصة: روبوت متنقل ذو دفع انزلاقي (SSWMR) يعمل بمحرك متزامن مغناطيسي دائم (PMSM)، ويحتوي على سلسلة تشغيل متعددة المراحل (محرك كهربائي $\leftarrow$ مضخة هيدروليكية $\leftarrow$ محركات هيدروليكية $\leftarrow$ صندوق تروس $\leftarrow$ عجلات).
النهج الخالي من النموذج: يتم التعامل مع النظام كـ "صندوق أسود". لا يعتمد تصميم التحكم على معرفة صريحة بديناميكيات المشغلات المعقدة أو التفاعل بين العجلة والأرض، بل يفترض وجود دوال غير خطية مجهولة ومحدودة تمثل الاضطرابات.

ب. سياسات التحكم

المتحكم الأساسي (سياسة DNN مدربة بخوارزمية LM):
- التدريب: تم تدريب شبكة عصبية أمامية باستخدام خوارزمية ليفينبيرج-ماركوارت (LM) على مليون زوج من البيانات (مدخلات-مخرجات) (سرعة العجلة مقابل سرعة دوران المحرك) التي جُمعت من الروبوت.
- الوظيفة: رسم خرائط لسرعات المرجع إلى أوامر التحكم (سرعة الدوران بالدقيقة RPM) بدقة عالية في الظروف الاسمية.
- القصور: دقة عالية ولكن متانة منخفضة تجاه الاضطرابات غير المعروفة.
المتحكم الاحتياطي (التحكم التكيفي المتين الخالي من النموذج - RAC):
- التصميم: متحكم تكيفي يضمن الاستقرار بناءً على التحكم بالأداء المحدد مسبقاً (PPC) ودالة ليابونوف الحاجز اللوغاريتمي (BLF).
- الوظيفة: تعويض الاضطرابات الخارجية وعدم اليقين دون الحاجة إلى نموذج للنظام.
- المقايضة: يضمن الاستقرار والمتانة، ولكن على حساب دقة التتبع مقارنة بالشبكة العصبية العميقة.

ج. بنية السلامة الهرمية
يستخدم النظام طبقتين من السلامة لإدارة الانتقال بين المتحكمات:

طبقة السلامة من المستوى المنخفض (مراقبة الأداء):
- تراقب خطأ التتبع للمتحكم (DNN) مقابل حد زمني متغير ( $\zeta(t)$ ).
- الآلية: تستخدم منطق الإيقاف الملازم (latched-off logic). إذا تجاوز خطأ الـ DNN الحد $\zeta(t)$ ، يتم إيقاف الـ DNN نهائياً وتفعيل الـ RAC. هذا التبديل غير قابل للتراجع في الجلسة الحالية لمنع "الارتجاج" (chattering) بين المتحكمات.
طبقة السلامة من المستوى العالي (سلامة النظام):
- تراقب النظام (سواء كان تحت تحكم DNN أو RAC) مقابل حد أوسع وأكثر تساهلاً ( $o(t)$ ).
- الآلية: إذا كان الاضطراب شديداً لدرجة أن حتى الـ RAC لا يستطيع إبقاء الخطأ ضمن النطاق $o(t)$ ، يقوم النظام بتفعيل إيقاف تشغيل محكوم لمنع تلف الروبوت أو البيئة.

3. المساهمات الرئيسية

التوليف الهرمي: بنية مبتكرة تجمع بين دقة الـ DNN ومتانة الـ RAC، والتي تُدار بآلية تبديل ملازمة. يسمح هذا للنظام بالتمتع بدقة عالية أثناء التشغيل العادي مع الاحتفاظ بآلية حماية من الفشل عند حدوث اضطرابات.
المتانة الخالية من النموذج: تضمن استراتيجية RAC الاستقرار الأسي الموحد للنظام بأكمله (بما في ذلك وقت التبديل) دون الحاجة إلى نمذجة صريحة لسلاسل التشغيل الهيدروليكية/الميكانيكية المعقدة.
الامتثال لمعايير السلامة: يتوافق الإطار مع إرشادات ISO/IEC TR 5469 الخاصة بسلامة الوظائف المعتمدة على الذكاء الاصطناعي، باستخدام دوال حاجز إشرافية للكشف عن السلوك غير الآمن وبدء استراتيجيات التراجع.
حدود الأداء القابلة للضبط: يسمح النظام بضبط عتبات السلامة (تجاوز الحد والخطأ في الحالة المستقرة) في كلتا طبقتي السلامة، بما يتناسب مع متطلبات التطبيقات المحددة.

4. النتائج التجريبية

تم التحقق من صحة الإطار المقترح على روبوت SSWMR ثقيل المهام (ناشر متعدد الأغراض) بوزن 6,000 كجم من خلال ثلاث تجارب:

التجربة 1 (DNN فقط): حققت الشبكة العصبية المدربة تتبعاً دقيقاً جداً لمسار دائري بأقل قدر من الخطأ (MSE $\approx 1.5 \times 10^{-3}$ ) في الظروف الاسمية. ومع ذلك، كانت تفتقر إلى المتانة الذاتية تجاه الاضطرابات الشديدة.
التجربة 2 (RAC فقط): نجحت سياسة RAC في الحفاظ على الاستقرار تحت تأثير الاضطرابات الخارجية (المحاكاة بزيادة 8% في المدخلات) ولكنها أظهرت أخطاء تتبع أكبر وتجاوزاً عابراً (transient overshoot) مقارنة بالـ DNN، مما أكد مقايضة المتانة مقابل الدقة.
التجربة 3 (التوليف):
- اتبع الروبوت مساراً على شكل حرف S.
- عند الثانية 82، تم إدخال اضطراب خارجي بنسبة 15%.
- رصدت طبقة السلامة من المستوى المنخفض تجاوز خطأ الـ DNN للحد المسموح به.
- انتقل النظام عبر التبديل الملازم إلى سياسة الـ RAC.
- النتيجة: استمر الروبوت في العمل بأمان. ورغم انخفاض دقة التتبع قليلاً (كما هو متوقع مع RAC)، إلا أن النظام ظل مستقراً وضمن حدود السلامة العليا. كان الانتقال سلساً، ولم يتم تفعيل إيقاف التشغيل.

5. الأهمية

سد الفجوة: يوفر هذا العمل مساراً عملياً لنشر متحكمات الذكاء الاصطناعي "الصندوق الأسود" في الروبوتات الصناعية ثقيلة المهام والحساسة للسلامة، وهو مجال كان يهيمن عليه سابقاً التحكم القائم على النماذج المحافظة.
ضمان السلامة: من خلال دمج إثباتات الاستقرار الرسمية (القائمة على ليابونوف) مع التعلم القائم على البيانات، تثبت الورقة أن التحكم القائم على التعلم يمكن أن يلبي معايير السلامة الدولية الصارمة (ISO/IEC).
استمرارية التشغيل: يضمن آلية التبديل الملازم أنه بمجرد اكتشاف اضطراب، يعطي النظام الأولوية للاستقرار على الدقة، مما يسمح للروبوت بإكمال مهمة أو الوصول إلى حالة آمنة بدلاً من الفشل الفوري.
القابلية للتوسع: إن الطبيعة الخالية من النموذج لـ RAC والطبيعة القائمة على البيانات لـ DNN تجعل هذا النهج قابلاً للتطبيق على مختلف الروبوتات ثقيلة المهام ذات أنظمة التشغيل المعقدة التي يصعب نمذجتها.

في الختام، تنجح الورقة في إثبات أن استراتيجية التحكم الهجين يمكنها الاستفادة من دقة التعلم العميق مع التخفيف من مخاطره عبر نظام احتياطي متين ومضمون رياضياً، مما يتيح تشغيلاً ذاتياً موثوقاً في البيئات القاسية وغير المهيكلة.