Trajectory Prediction via Bayesian Intention Inference under Unknown Goals and Kinematics

تخيل أنك تقف في حديقة مزدحمة، تراقب صديقاً لك وهو يحاول الوصول إلى مكان ما. تريد أن تخمن إلى أين هو ذاهب وكيف سيصل إلى هناك. هذا هو التحدي اليومي للروبوتات، والسيارات ذاتية القيادة، والطائرون بدون طيار (الدرونز): يتعين عليهم التنبؤ بما ستفعله الأشياء المتحركة الأخرى تالياً. لكن الجزء الصعب هنا هو أن الشخص الذي تراقبه قد يقرر فجأة تغيير رأيه، أو قد يسير بطريقة غريبة وغير متوقعة. هو لا يخبرك بخطته، وأنت لا تعرف أسلوب مشيه. في عالم الروبوتات، يسمى هذا "استنتاج النية". الأمر يشبه محاولة قراءة عقل شخص ما بينما يسير عبر متاهة، وتخمين كل من وجهته وطريقة حركته، وكل ذلك بينما قد يغير خططه في أي لحظة. إذا أخطأ الروبوت في التخمين، فقد يصطدم أو يعترض طريقه. لذا، يبحث العلماء دائماً عن طرق أفضل للقيç القيام بهذه التخمينات بسرعة ودقة، خاصة عندما لا يملكون قاعدة بيانات كبيرة للسلوكيات السابقة لدراستها.

تقدم هذه الورقة البحثية طريقة ذكية وجديدة للروبوتات للقيام بهذه اللعبة التخمينية. ابتكر المؤلفون، شونان ين، وزيهوي لو، وشاوشواي مو، خوارزمية "بايزية" (Bayesian). فكر في هذا كأنه محقق فائق الذكاء يحدث معتقداته في كل ثانية. بدلاً من مجرد تخمين وجهة ما والتمسك بها، أو افتراض أن الهدف يتحرك في خط مستقيم مثالي ومتوقع، يقوم "المحقق الروبوتي" بشيئين في آن واحد. أولاً، يخمن أين يريد الهدف الذهاب (الهدف). ثانياً، يخمن كيف يتحرك الهدف (هل هو عداء سريع ومباشر، أم متجول بطيء وهائم؟). والأفضل من ذلك، أن المحقق يتعلم هذين الأمرين معاً. إذا غير الهدف اتجاهه فجأة، يدرك المحقق: "أوه، هم ليسوا مجرد متجولين؛ لقد غيروا رأيهم بالفعل!" ويقوم بتحديث تخمينه فوراً.

تظهر الورقة أن هذه الطريقة سريعة ودقيقة للغاية. في المحاكاة الحاسوبية، استطاع الروبوت إجراء هذه التخمينات حوالي 547 مرة في الثانية. هذا أسرع من رمشة عين الإنسان! لقد اختبروا الطريقة مع أهداف افتراضية تغير أهدافها عشوائياً ومع روبوتات حقيقية، بما في ذلك طائرة بدون طيار (درون) وروبوت رباعي الأرجل (مثل الكلب). وفي هذه الاختبارات، كانت الطريقة الجديدة أفضل بكثير في التنبؤ بمكان ذهاب الروبوتات تالياً مقارنة بالطرق القديمة التي إما لم تكن قادرة على تغيير رأيها أو لم تكن تفهم كيفية تحرك الهدف. وجد المؤلفون أنه من خلال التحديث المستمر لكل من "أين" و"كيف"، يمكن للروبوت التعامل مع المفاجآت بشكل أفضل بكثير، حتى عندما يتحرك الهدف بطريقة صاخبة أو غير متوقعة. لقد أثبتوا ذلك من خلال آلاف التجارب الحاسوبية واختبارات الأجهزة الواقعية، مما أظهر أن نهجهم يعمل دون الحاجة إلى التدريب على كميات هائلة من البيانات مسبقاً.

التحقق المزدوج للمحقق

لفهم كيف يعمل هذا، دعونا ننظر إلى المشكلتين الرئيسيتين اللتين تحلهما الورقة. المشكلة الأولى هي أن الأهداف (مثل البشر أو الروبوتات الأخرى) غالباً ما تغير آراءها. تخيل كلباً يطارد كرة؛ قد يركض مباشرة نحو الكرة، ولكن فجأة يلمح سنجاباً ويغير اتجاهه. الطرق القديمة تفترض غالباً أن للكلب هدفاً واحداً ثابتاً وتتمسك به، حتى عندما يغير الكلب مساره بوضوح. تجادل هذه الورقة بأن الأهداف ليست ثابتة؛ بل يمكن أن تتغير مثل الضوء الذي يتم تشغيله وإطفاؤه. وقد صاغ المؤلفون هذا باستخدام عملية "ماركوفية" (Markovian)، وهي مجرد طريقة منمقة للقول إن الهدف يمكن أن يتغير في أي لحظة بناءً على مجموعة من الاحتمالات.

المشكلة الثانية هي أننا لا نعرف كيف يتحرك الهدف. هل الهدف روبوت يتبع أقصر مسار بدقة؟ أم هو إنسان يتجول قليلاً؟ تقدم الورقة رقماً خاصاً، يسمى $\alpha$ (ألفا)، لوصف هذا. تعني قيمة $\alpha$ العالية أن الهدف مصمم جداً ويتبع خطاً مستقيماً وفعالاً. أما القيمة المنخفضة لـ $\alpha$ فتعني أن الهدف "صاخب" أو عشوائي، وربما يتعرج أو يتوقف. الابتكار الكبير هنا هو أن الورقة تتعامل مع $\alpha$ كشيء مجهول يجب على الروبوت اكتشافه أثناء العمل. فبدلاً من تخمين رقم ثابت لـ $\alpha$ والتمسك به، تقوم الخوارزمية بتحديث تخمينها لـ $\alpha$ في كل مرة ترى فيها حركة جديدة.

سحر القيام بشيئين في آن واحد

جوهر اكتشاف الورقة هو أنه لا ينبغي لك تخمين الهدف وأسلوب الحركة بشكل منفصل. إذا أخطأت في تخمين الهدف، فقد تعتقد أن الهدف يتحرك عشوائياً بينما هو في الواقع يحاول الوصول إلى مكان محدد. إذا أخطأت في تخمين أسلوب الحركة، فقد تعتقد أن الهدف يغير أهدافه بينما هو فقط يسلك مساراً غريباً.

بنى المؤلفون خوارزمية تحدّث كلا التخمينين في وقت واحد. الأمر يشبه محققاً، عند رؤيته لمشتبه به ينعطف عند زاوية، يسأل فوراً سؤالين: "هل غير وجهته للتو؟" و "هل هذا الشخص عداء سريع أم ماشي بطيء؟". ومن خلال الإجابة على كليهما في نفس الوقت، يحصل المحقق على صورة أوضح بكثير. تظهر الورقة أنه إذا قمت بتحديث الهدف فقط مع إبقاء أسلوب الحركة ثابتاً (أو العكس)، فإن توقعاتك ستصبح مشوشة وغير دقيقة، خاصة عندما يغير الهدف خططه فجأة. ولكن عندما تقوم بتحديث كليهما، يظل الروبوت هادئاً ودقيقاً، حتى عندما يكون الهدف مراوغاً.

اختبار النظرية

لم يكتف المؤلفون بكتابة نظرية فحسب؛ بل وضعوها قيد الاختبار بثلاث طرق مختلفة.

أولاً، أجروا آلاف عمليات المحاكاة الحاسوبية. أنشأوا أهدافاً افتراضية تغير أهدافها عشوائياً وتتحرك بمستويات مختلفة من "الضجيج". وقارنوا طريقتهم الجديدة بثلاث طرق أخرى: إحداها تفترض هدفاً ثابتاً وحركة ثابتة، والثانية يمكنها تغيير الهدف ولكن ليس أسلوب الحركة، والثالثة يمكنها تغيير أسلوب الحركة ولكن ليس الهدف. كانت النتائج واضحة: الطريقة الجديدة، التي غيرت كليهما، كانت الأفضل في تخمين الهدف الصحيح والتنبؤ بالمسار المستقبلي. لقد كانت جيدة بشكل خاص في التعافي بسرعة بعد أن يغير الهدف رأيه.

ثانياً، اختبر المؤلفون كيفية تعامل الخوارزمية مع مستويات الصعوبة المختلفة. زادوا عدد الأهداف المحتملة، وطول فترة التنبؤ، وتعقيد الخريطة. وحتى عندما أصبحت الأمور معقدة، ظلت الخوارزمية سريعة، حيث تعمل بسرعة تقارب 547 هرتز (مما يعني أن الخوارزمية تجري الحسابات 547 مرة في الثانية). هذا سريع بما يكفي للاستخدام في الوقت الفعلي في الروبوتات التي تحتاج إلى الاستجابة فوراً.

ثالثاً، نقلوا الخوارزمية إلى العالم الحقيقي. وضعوها على طائرة بدون طيار (quadrotor) وروبوت رباعي الأرجل (quadrupedal). في هذه التجارب، قام مشغل بشري بتحريك الروبوت وتغيير وجهته فجأة. كان على الروبوت تخمين المكان الذي سيذهب إليه تالياً. تظهر الورقة أن الخوارزمية حددت الهدف الجديد بشكل صحيح وتنبأت بالمسار بدقة، حتى عندما كان الروبوت يتحرك بسرعة أو يغير اتجاهه فجأة. اتبت كل من الطائرة بدون طيار والروبوت رباعي الأرجل التوقعات جيداً، مما أثبت أن الطريقة تعمل خارج نطاق الكمبيوتر.

لماذا يهم هذا؟

تخلص الورقة إلى أن هذا النهج "التكيفي" يعد خطوة مهمة للأمام. فهو لا يتطلب من الروبوت أن يكون قد رأى الهدف من قبل أو أن يمتلك مكتبة ضخمة من بيانات التدريب. يحتاج فقط إلى مراقبة الهدف وتحديث معتقداته في الوقت الفعلي. يشير المؤلفون إلى أن هذا يجعل الطريقة مفيدة جداً لطائرات الأمن بدون طيار، والسيارات ذاتية القيادة، وأي روبوت يحتاج إلى العمل جنباً إلى جنب مع البشر أو الوكلاء غير المتوقعين الآخرين. من خلال القدرة على التعامل مع التغييرات المفاجئة في كل من إلى أين يذهب الهدف وكيف يتحرك، يصبح الروبوت أكثر أماناً وموثوقية. لا تدعي الورقة أنها حلت كل مشاكل العالم، لكنها تظهر أنه من خلال السماح للروبوت بتعلم الوجهة وأسلوب الحركة في آن واحد، يمكننا تقديم تنبؤات أفضل بكثير في عالم مليء بالمفاجآت.