🤖 machine learning

ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks

تقترح هذه الورقة ORN-CBF، وهو إطار تعلم قائم على الشبكة الفائقة (hypernetwork) يستخدم تحليل الوصول لهاميلتون-جاكوبي لتوليد دوال حاجز عصبية مشروطة بالملاحظة، مما يضمن ضمانات سلامة صارمة وتحسيناً في التعميم في البيئات ذات الإدراك الجزئي من خلال تجارب المحاكاة والأجهزة.

المؤلفون الأصليون: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

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 تعلم روبوتًا كيف يمشي عبر غرفة مزدحمة وغير مألوفة دون الاصطدام بأي شيء. هذا هو جوهر تحدي التحكم الذاتي الآمن.

تقدم الورقة البحثية التي شاركتَها طريقة جديدة تسمى ORN-CBF. لفهم ذلك، دعنا نفكك المشكلة والحل باستخدام تشبيهات من الحياة اليومية.

المشكلة: الروبوت "الأعمى" والخريطة "المثالية"

تمتلك الروبات عادةً "متحكمًا اسميًا" (مثل سائق بشري) يخبره إلى أين يذهب. ولكن في بيئة جديدة، قد لا يرى هذا السائق الكرسي إلا بعد فوات الأوان.

لإصلاح ذلك، نستخدم مرشح سلامة (Safety Filter). فكر في هذا المرشح كأنه مساعد طيار شديد اليقظة. وظيفته الوحيدة هي مراقبة السائق والقول: "توقف! إذا ذهبت في هذا الاتجاه، ستصطدم!" ثم يقوم المساعد بتوجيه الروبوت بلطف بعيدًا عن الخطر.

الجزء الصعب هو تصميم هذا المساعد:

الطرق القديمة تشبه إعطاء الروبوت خريطة ثابتة لمدينة معروفة. إذا دخل الروبوت مدينة جديدة بمبانٍ مختلفة، تصبح الخريطة عديمة الفائدة.
طرق التعلم الأخرى تشبه طالبًا حفظ الإجابات لاختبار محدد. إذا تغيرت أسئلة الاختبار قليلًا (شكل عائق جديد)، سيفشل الطالب.
المشكلة الكبرى: العديد من مرشحات السلامة الموجودة حاليًا "متفائلة" للغاية. قد تعتقد أن مساحة ما آمنة بينما هي في الواقع فخ، أو قد تكون متحفظة للغاية وتمنع الروبوت من الحركة تمامًا.

الحل: ORN-CBF (المساعد الذكي)

يقترح المؤلفون نظامًا يتعلم كيف يكون مرشح سلامة بناءً على ما يراه الروبوت الآن (ملاحظته). إليك كيف يعمل، مقسمًا إلى ثلاث حيل ذكية:

1. حيلة "البواقي" (الشبكة الأمنية)

تخيل أنك تحاول رسم دائرة مثالية (منطقة الأمان) داخل غرفة مربعة.

الطريقة القديمة: محاولة رسم الدائرة كاملة من الصفر في كل مرة تتغير فيها الغرفة. هذا أمر صعب وعرضة للأخطاء.
طريقة ORN-CBF: ابدأ بمربع مثالي (حدود الغرفة). ثم، ارسم فقط الفرق بين المربع والدائرة.
- من الناحية الرياضية، هم يأخذون دالة المسافة الموقعة (SDF). فكر في هذا كخريطة "المسافة إلى الجدار". إنها تخبرك بالضبط كم تبعد عن الجدار.
- الشبكة العصبية لا تحاول تعلم الخريطة بأكملها. إنها تتعلم فقط البواقي (Residual) (التعديلات الصغيرة اللازمة لجعل الخريطة مثالية).
- لماذا يهم هذا: من خلال تعلم "التعديلات" فقط، يضمن النظام أن الروبوت لن يعتقد أبدًا أن الجدار مكان آمن. إنه يشبه قول: "نحن نعرف أن الجدار موجود هنا؛ نحتاج فقط لمعرفة مدى اقترابنا منه بالضبط دون لمسه." هذا يضمن رياضيًا أن الروبوت لن يصطدم بشيء يمكنه رؤيته.

2. حيلة "الشبكة الفائقة" (الطاهي الكفء)

عادةً، للتعامل مع بيئة جديدة، قد تحتاج إلى إعادة تدريب نموذج ذكاء اصطناعي ضخم في كل مرة ينعطف فيها الروبوت. هذا بطيء جدًا.

التشبيه: تخيل مطعمًا.
- الشبكة الرئيسية هي الطاهي الذي يطبخ الوجبة (يحسب مسار السلامة). الطاهي سريع وبسيط.
- الشبكة الفائقة (Hypernetwork) هي رئيس الطهاة الذي يكتب الوصفة.
- في هذا النظام، يرى الروبوت غرفة جديدة (ملاحظة جديدة). يقوم رئيس الطهاة (الشبكة الفائقة) بالنظر بسرعة إلى الغرفة ويكتب وصفة مخصصة لـ الطاهي (الشبكة الرئيسية).
- يحتاج رئيس الطهاة فقط لكتابة وصفة جديدة مرة واحدة كل بضع ثوانٍ (عندما يتغير المنظر). ثم يستخدم الطاهي تلك الوصفة لطهي آلاف قرارات السلامة في الثانية.
- النتيجة: يستجيب الروبوت فورًا للعوائق الجديدة دون الحاجة إلى سوبر كمبيوتر لإعادة تدريب نفسه كل ميلي ثانية.

3. معلم "هاميلتون-جاكوبي" (المحاكي المثالي)

كيف تعلم الروبوت أن يكون آمنًا دون أن يرتطم في الواقع؟

يستخدم المؤلفون أداة رياضية تسمى وصول هاميلتون-جاكوبي (HJ Reachability). فكر في هذا كـ محاكي فيزيائي مثالي.
قبل أن يتحرك الروبوت، يقومون بتشغيل ملايين عمليات المحاكاة في جهاز الكمبيوتر. يسألون: "إذا كان الروبوت عند النقطة (أ) وكان هناك جدار عند النقطة (ب)، فما هي أقصى منطقة آمنة مطلقة؟"
يستخدمون الإجابات من هذا المحاكي المثالي لتدريب "رئيس الطهاة" الخاص بالروبوت.
نظرًا لأن بيانات التدريب تأتي من محاكي مثالي، يتعلم الروبوت المنطقة الآمنة المثالية — أكبر مساحة ممكنة يمكنه التحرك فيها دون الاصطدام.

النتائج: هل نجح الأمر؟

اختبر الفريق هذا على روبوتين:

روبوت أرضي (مثل مكنسة رومبا ولكن أكثر ذكاءً): تم اختباره في محاكاة مستودع وعلى روبوت حقيقي في مختبر.
طائرة بدون طيار (درون): تم اختبارها في غابة محاكات وفي طائرة بدون طيار حقيقية.

كانت النتائج مبهرة:

معدل النجاح: نجحت الطريقة الجديدة (ORN-CBF) في ما يقرب من 100% من التجارب، بينما فشلت الطرق القديمة بشكل متكرر (أحيانًا بنسبة نجاح 20-40% فقط).
التعميم: عندما اختبروا الطائرة بدون طيار في غابة بها أشجار ذات أحجام مختلفة عما تدربت عليه، ظلت تعمل بشكل مثالي. لم تحفظ مجرد غابة التدريب؛ بل تعلمت مفهوم السلامة.
الواقع الحقيقي: نجحت الطريقة على أجهزة حقيقية، وليس فقط في محاكاة الكمبيوتر.

الملخص

ORN-CBF هي طريقة جديدة لتعليم الروبوتات كيف تكون آمنة في أماكن غير معروفة.

تستخدم محاكيًا مثاليًا لتعلم قواعد السلامة.
تستخدم ذكاءً اصطناعيًا ذا جزأين (رئيس طهاة + طاهٍ) للاستجابة الفورية للمناظر الجديدة.
تستخدم شبكة أمان رياضية لضمان عدم اعتقاد الروبوت أبدًا أن الجدار مكان آمن.

إنه يشبه منح الروبوت قوة خارقة: القدرة على النظر إلى غرفة جديدة وفوضوية، وحساب المسار الأكثر أمانًا عبرها فورًا، وعدم الاصطدام بجدار أبدًا.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "ORN-CBF: تعلم دوال حاجز التحكم العصبية المتبقية المشروطة بالملاحظة عبر الشبكات الفائقة (Hypernetworks)."

1. بيان المشكلة

تواجه الأنظمة ذاتية القيادة التي تعمل في بيئات غير معروفة تحديات كبيرة في الحفاظ على السلامة. وبينما تُعد دوال حاجز التحكم (Control Barrier Functions - CBFs) وسيلة قياسية للترشيح الآمن (تعديل مدخلات التحكم الاسمية لضمان السلامة)، فإن تطبيقها في البيئات ذات الإدراك الجزئي محدود بعدة عوامل:

تعقيد التصميم: يصعب تصميم دوال CBF يدوياً للأنظمة غير الخطية ذات قيود الحالة والمدخلات.
الاعتماد على الملاحظة: غالباً ما تعاني دوال CBF القائمة على التعلم من صعوبة التعميم على تكوينات العوائق الجديدة أو الفشل في استعادة المجموعة الآمنة القصوى (أكبر مجموعة ممكنة من الحالات التي يمكن للنظام منها تجنب الفشل).
ضمانات السلامة: تفتقر العديد من مناهج الـ CBF العصبية إلى ضمانات صارمة بأن المجموعة الآمنة المتوقعة لن تتقاطع مع مجموعات الفشل المرصودة (العوائق).
القيود الزمنية الحقيقية: تتطلب الأنظمة التي تعتمد على الملاحظات المحلية (مثل شبكات الإشغال/occupancy grids) توليد دوال CBF في الوقت الفعلي، مما يجعل طرق التصميم غير المعتمدة على الإنترنت (offline) غير قابلة للتطبيق.

2. المنهجية: ORN-CBF

يقترح المؤلفون ORN-CBF (دالة حاجز التحكم العصبية المتبقية المشروطة بالملاحظة)، وهو إطار عمل يعتمد على التعلم لتوليد مرشحات سلامة مشروطة بملاحظات البيئة في الوقت الفعلي.

أ. الصيغة المشروطة بالملاحظة

بدلاً من معاملة الـ CBF كدالة للحالة $x$ والملاحظة $o$ في آن واحد (مما يتطلب نمذجة ديناميكيات الملاحظة المعقدة $\dot{o}$ )، يفسر المؤلفون الـ CBF على أنه مشروط بالملاحظة: $h(x|o)$ .

الافتراض: يتم تحديث الملاحظات (مثل شبكات الإشغال) بتردد أقل من تغذية الحالة الراجعة. بين التحديثات، تُعامل الملاحظة كحالة ثابتة.
الفائدة: يسمح هذا باستخدام أدوات الوصول هاملتون-جاكوبي (HJ reachability) القياسية لحساب دالة القيمة المستهدفة لملاحظة ثابتة محددة دون الحاجة لنمذجة ديناميكيات المستشعرات.

ب. التعلم المتبقي باستخدام وصول هاملتون-جاكوبي (HJ Reachability)

لضمان أن الـ CBF المتعلم يقرب المجموعة الآمنة القصوى، يستخدم المؤلفون دالة قيمة هاملتون-جاكوبي (HJ) كحقيقة أرضية (ground truth).

النهج المتبقي (Residual Approach): بدلاً من تعلم الـ CBF بالكامل، تتعلم الشبكة المتبقي (residual) بين دالة المسافة الموقعة (SDF) للعوائق ودالة قيمة HJ.
$h(x|o) = d(x|o) - r(x|o)$
حيث $d(x|o)$ هي دالة المسافة الموقعة (SDF) (المسافة إلى أقرب عائق) و $r(x|o) \geq 0$ هو المتبقي المتعلم.
ضمان السلامة: من خلال فرض $r(x|o) \geq 0$ (عبر دالة تنشيط غير سالبة مثل Softplus)، يُضمن أن الـ CBF الناتج $h(x|o)$ سيكون دائماً أقل من أو يساوي الـ SDF. هذا يضمن رياضياً أن المجموعة الآمنة المتوقعة لا تتقاطع أبداً مع مجموعة الفشل المرصودة (العوائق).

ج. بنية الشبكة الفائقة (Hypernetwork Architecture)

للتعامل مع الكفاءة الحسابية المطلوبة للتحكم في الوقت الفعلي، يستخدم المؤلفون بنية الشبكة الفائقة (hypernetwork):

الشبكة الفائقة (Hypernetwork): شبكة عصبية ضخمة ومعقدة (CNN) تأخذ الـ SDF المقطع (المستمد من الملاحظة) كمدخل وتخرج المعلمات ( $\Theta$ ) للشبكة الرئيسية. يتم حساب هذه فقط عند وصول ملاحظة جديدة (تردد منخفض).
الشبكة الرئيسية (Main Network): شبكة MLP خفيفة الوزن ذات تنشيطات جيبية (SIREN) تأخذ حالة النظام $x$ كمدخل وتستخدم المعلمات $\Theta$ لإخراج المتبقي $r(x|o)$ . يتم استدعاؤها بشكل متكرر للقيم والتدرجات (تردد مرتفع).
التدريب: يتم تدريب النموذج بطريقة تحت الإشراف باستخدام دوال قيمة HJ المحسوبة مسبقاً (offline) عبر حلول عددية (مثل hj_reachability) كأهداف. دالة الخسارة هي متوسط مربع الخطأ الموزون شعاعياً (RWMSE) لإعطاء الأولوية للدقة بالقرب من مستوى الصفر (حد السلامة).

3. المساهمات الرئيسية

بنية مبتكرة: تصميم قائم على الشبكة الفائقة يعمل بكفاءة على جعل الـ CBF العصبي مشروطاً بملاحظات البيئة، مما يفصل معالجة الملاحظات المكلفة عن تقييم الحالة عالي التردد.
ضمان سلامة نظري: من خلال تعلم متبقي دالة قيمة HJ وفرض عدم السالبية، تضمن الطريقة أن المجموعة الآمنة لا تتداخل مع العوائق المرصودة، وهي ميزة تفتقر إليها العديد من مناهج الـ CBF العصبية الأخرى.
استعادة المجموعة الآمنة القصوى: يسمح استخدام وصول HJ كـ "مشرف" للمنهج بتقريب المجموعة المثلى (القصوى) الثابتة للتحكم، بدلاً من مجرد مجموعة فرعية متحفظة.
الكفاءة: يقلل استراتيجية التعلم المتبقي من تعقيد مهمة التعلم، كما يقلل نهج الشبكة الفائقة من وقت الاستنتاج بشكل كبير مقارنة بنماذج الشبكة الواحدة.

4. النتائج التجريبية

تم تقييم الطريقة على منصتين روبوتيتين: سيارة دوبنز (Dubins car) (روبوت أرضي) وكوادكوبتر (Quadcopter) (متحكم ثنائي التكامل في بُعدين).

المحاكاة (الروبوت الأرضي):
- تم الاختبار في بيئة مستودع مقابل النماذج المرجعية: SDF-MPC، وDCBF-MPC، وNTC-MPC.
- النتيجة: حقق ORN-CBF نسبة نجاح 100% عبر مختلف أطوال أفق التنبؤ، متفوقاً بشكل كبير على النماذج المرجعية (التي تراوحت بين 20% إلى 70%).
المحاكاة (الكوادكوبتر):
- تم الاختبار في بيئة تشبه الغابة مع تعميم خارج النطاق (out-of-domain) (تم التدريب على عوائق بنصف قطر 0.5 متر، والاختبار على 0.2م–1.0م).
- النتيجة: حافظ ORN-CBF على نسبة نجاح 90.5% في سيناريوهات خارج النطاق، مقارنة بـ 45% لـ ECBF المصمم يدوياً.
التجارب على الأجهزة (Hardware):
- تم النشر على روبوت أرضي حقيقي وكوادكوبتر Crazyflie باستخدام نماذج مدربة بالكامل على بيانات اصطناعية (Sim-to-Real).
- النتيجة: حقق الروبوت الأرضي نجاحاً بنسبة 100% في التجارب الواقعية، متجنباً الاصطدامات رغم عدم تطابق النماذج وضجيج المستشعرات. كما نجح الكوادكوبتر في التنقل عبر حقول عوائق معقدة.

5. الأهمية والأثر

الجسر بين النظرية والتطبيق: نجحت الورقة في سد الفجوة بين تحليل وصول HJ الصارم (الذي يكون غالباً بطيئاً جداً للوقت الفعلي) والتحكم العصبي العملي، مما يجعل المجموعات الآمنة القصوى متاحة لترشيح السلامة في الوقت الفعلي.
المتانة: تظهر الطريقة قدرة قوية على التعميم على أحجام وأشكال العوائق غير المرئية، بالإضافة إلى المتانة في عمليات النشر الواقعية دون الحاجة لإعادة التدريب.
القابلية للتوسع: يوفر نهج الشبكة الفائقة حلاً قابلاً للتوسع للتحكم الحرج للسلامة في البيئات الديناميكية ذات الإدراك الجزئي، مما يعالج عقبة حرجة في الملاحة الذاتية.

القيود: تفترض الطريقة الحالية بيئة ثابتة وتعتمد على حسابات HJ المسبقة (offline) للتدريب، وهو أمر محدود حالياً للأنظمة التي تمتلك أقل من 6 أبعاد للحالة. يهدف العمل المستقبلي إلى التوسع ليشمل البيئات الديناميكية والأنظمة ذات الأبعاد الأعلى.