🤖 machine learning

High-Level Multi-Robot Trajectory Planning And Spurious Behavior Detection

تقترح هذه الورقة إطار عمل يجمع بين نموذج توليد بيانات "الشبكات داخل الشبكات" (Nets-within-Nets) ومسار كشف عن الشذوذ قائم على تقنية "المحول" (Transformer) لتحديد السلوكيات الزائفة وضمان التنفيذ الموثوق للمهمات عالية المستوى المحددة بمنطق الزمن الخطي (LTL) في الأنظمة متعددة الروبوتات غير المتجانسة.

المؤلفون الأصليون: Fernando Salanova, Jesús Roche, Cristian Mahulea, Eduardo Montijano

نُشر 2026-04-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fernando Salanova, Jesús Roche, Cristian Mahulea, Eduardo Montijano

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 مخرج لفيلم سرقة ضخم وعالي المخاطر، لديك فريق من خمسة روبوتات مختلفة (بعضها سريع، وبعضها قوي، وبعضها متسلل) وسيناريو محدد للغاية يجب عليهم اتباعه لإتمام المهمة.

السيناريو (المهمة)
سيناريو الخاص بك ليس مجرد قائمة من التعليمات؛ بل هو مجموعة معقدة من القواعد المكتوبة بلغة خاصة تسمى المنطق الزمني الخطي (LTL). فكر في هذا كـ "كتاب القواعد الذهبي". إنه يقول أشياء مثل:

"أولاً، يجب على الروبوت (أ) فتح الخزنة."
"بعد ذلك، يجب على الروبوت (ب) أخذ الذهب، ولكن فقط إذا كان الروبوت (ج) يقف في وضع الحراسة."
"لا يُسمح لأي شخص بدخول المنطقة الحمراء."
"يجب أن يجتمع جميع الروبوتات عند المخرج في نفس الثانية تماماً."

المشكلة: خلل "زائف" (Spurious Glitch)
في العالم الحقيقي، تسوء الأمور. قد يعلق روبوت ما، أو يتحرك ببطء شديد، أو يتجاهل قاعدة ما. في بعض الأحيان، يقوم الروبوت بكل شيء بشكل صحيح "محلياً" (أي أنه ينتقل من النقطة أ إلى النقطة ب دون الاصطدام بشيء)، ولكن الفريق يفشل في المهمة لأنهم فعلوا الأشياء بالترتيب الخاطئ أو في الوقت الخاط الخطأ.

يسمي المؤلفون هذه الأخطاء "السلوكيات الزائفة" (Spurious Behaviors). الأمر يشبه عازف موسيقى يعزف النوتات الصحيحة ولكن بإيقاع خاطئ، مما يفسد الأغنية بأكملها. اكتشاف مثل هذه الإخفاقات الدقيقة للفريق أمر صعب للغاية لأنك لا تكتفي بمراقبة عازف كمان واحد، بل يجب عليك مراقبة الأوركسترا بأكملها.

الحل: نظام استقصائي مكون من جزأين

يقترح البحث نظاماً ذكياً من خطوتين للإمساك بهذه الأخطاء قبل أن تفسد المهمة.

الخطوة 1: مصنع "التوأم الرقمي" (توليد البيانات)

قبل أن تتمكن من تعليم الكمبيوتر كيفية رصد الأخطاء، تحتاج إلى مكتبة ضخمة من الأمثلة التي تعرض "الأفلام المثالية" و"الأفلام الفاشلة".

بنى المؤلفون مصنعاً افتراضياً باستخدام مفهوم الشبكات داخل الشبكات (NWN).

التشبيه: تخيل مخططاً انسيابياً ضخماً (شبكة المهمة) يقع فوق ثلاث مخططات انسيابية أصغر (شبكات الروبوتات). المخطط الكبير يملي القصة، والمخطات الصغيرة تملي كيفية حركة كل روبوت.
السحر: استخدموا برنامج محاكاة لتشغيل آلاف السيناريوهات. في بعض الأحيان، جعلوا الروبوتات تتبع السيناريو بدقة. وفي أحيان أخرى، تعمدوا "إحداث خلل" في النظام — بجعل روبوت يدخل منطقة محظورة، أو يغير ترتيب المهام، أو يصل متأخراً.
النتيجة: أنشأوا مجموعة بيانات ضخمة من "سجلات النصوص" التي تصف كل حركة قام بها الروبوت، مصنفة إما كـ "طبيعية" أو "زائفة".

الخطوة 2: "المترجم الخارق" (عقل الذكاء الاصطناعي)

سجلات النصوص الخام مملة وصعبة الفهم بالنسبة للكمبيوتر. لا يمكنك مجرد تغذية قائمة من الكلمات في دماغ وتوقع أن يفهم "الشعور" بالخطأ.

لذلك، بنى المؤلفون ذكاءً اصطناعياً قائماً على تقنية المحولات (Transformer-based AI) (وهي نفس التكنولوجيا الموجودة خلف برامج الدردشة الحديثة). ولكن أولاً، كان عليهم ترجمة سجلات الروبوت إلى لغة يفهمها الذكاء الاصطناعي.

الترجمة (التضمين/Embedding): حولوا كل حركة للروبوت إلى "بطاقة هوية" ملونة (متجه/vector).
- من فعلها؟ (معرف الروبوت)
- إلى أين ذهبوا؟ (نقطة البداية والنهاية)
- كم استغرق الأمر؟ (المدة الزمنية، محولة إلى زاوية خاصة)
- ما هو السياق؟ (تسميات مثل "فتح الخزنة" أو "منطقة الحراسة")
- متى حدث ذلك؟ (الموقع في التسلسل)
المحقق (المحول/Transformer): يقرأ هذا الذكاء الاصطناعي تسلسل "بطاقات الهوية". إنه يشبه محرراً ذكياً يشاهد الفيلم. هو لا ينظر فقط إلى مشهد واحد؛ بل ينظر إلى العلاقة بين المشاهد.
- يسأل: "مهلاً، هل فتح الروبوت (أ) الخزنة قبل وصول الروبوت (ب)؟ هذا ينتهك السيناريو!"
- يسأل: "هل دخل الروبوت (ج) المنطقة الحمراء؟ هذا خرق للمنطقة المحظورة!"

النتائج: ما مدى جودة المحقق؟
اختبروا نظامهم على أنواع مختلفة من "إخفاقات السرقة":

المناطق المحظورة: مشت الروبوتات في منطقة "ممنوع الدخول". رصد الذكاء الاصطناعي هذا بدقة شبه مثالية (99.6%).
الترتيب الخاطئ: قامت الروبوتات بتبديل تسلسل المهام. كان الذكاء الاصطناعي جيداً جداً في رصد هذا (88.3%).
مشكلات التوقيت: كان من المفترض أن يلتقوا في وقت واحد، لكنهم وصلوا واحداً تلو الآخر. رصد الذكاء الاصطناعي ذلك بشكل جيد (82.6%).
المنطق المعقد: بعض القواعد كانت صعبة (مثلاً: "ادخل فقط إذا حدث (س) أولاً"). عانى الذكاء الاصطناعي قليلاً هنا (66.8%)، مما يظهر أن السبب والنتيجة المعقدة لا تزال صعبة على الآلات.

لماذا هذا مهم؟
معظم الأنظمة السابقة كانت تنظر فقط إلى الروبوتات الفردية (مثل: "هل يصطدم الروبوت (أ)؟"). أما هذا النظام فينظر إلى قصة الفريق بأكمله.

الخلاصة
بنى المؤلفون نظاماً يمكنه مراقبة فريق من الروبوتات، وفهم سيناريوهم المعقد والحساس للوقت، والصراخ فوراً: "مهلاً! أنتم تفعلون ذلك بشكل خاطئ!" حتى لو كان الخطأ دقيقاً. إنه يشبه وجود مخرج يمكنه رصد ممثل واحد يخرج عن شخصيته في فيلم مدته 3 ساعات، مما يضمن نجاح المهمة بأمان وكفاءة.

ما التالي؟
يعترف المؤلفون بأن النظام ليس مثالياً بعد. فهو يحتاج حالياً إلى إعادة تدريب لكل نوع جديد من الأخطاء (إنه متخصص وليس عاماً)، ولا يمكنه دائماً تحديد اللحظة التي وقع فيها الخطأ بالضبط. لكنه خطوة كبيرة نحو جعل فرق الروبوتات متعددة المهام موثوقة بما يكفي لمهمات الإنقاذ في العالم الحقيقي، واستكشاف الفضاء، ولوجستيات المستودعات.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تخطيط مسارات متعددة الروبوتات عالي المستوى وكشف السلوكيات الزائفة".

1. بيان المشكلة

تُستخدم أنظمة الروبوتات المتعددة (MRS) بشكل متزايد في المهام المعقدة (المراقبة، الإنقاذ، التغطية) نظرًا لكفاءتها وقدرتها على تحمل الأخطاء. ومع ذلك، فإن تنسيق الوكلاء غير المتجانسين يفرض تحديات كبيرة في ضمان التزام سلوك الفريق الجماعي بمواصفات المهمة عالية المستوى.

تتمثل المشكلة الجوهرية التي تعالجها الورقة في كشف السلوكيات الزائفة (Spurious Behaviors) — وهي التنفيذات التي تبدو صحيحة محليًا لكل وكيل على حدة، ولكنها تنتهك قيود المهمة العالمية. يمكن أن تظهر هذه الانحرافات في شكل:

تسلسلات مهام غير صحيحة: انتهاك الترتيب المنطقي للمهام.
انتهاكات القيود المكانية: دخول مناطق محظورة أو الفشل في قيود الاستبعاد المتبادل.
تناقضات زمنية: الفشل في تلبية متطلبات التزامن أو تأخيرات التنفيذ منخفضة المستوى.
انحرافات دلالية (سيمانتية): انتهاك قواعد الوصول الشرطية أو دلالات المهمة المحددة بواسطة المنطق الزمني الخطي (LTL).

تركز الطرق الحالية غالبًا على الأعطال منخفضة المستوى أو الشذوذ في الوكيل الواحد، وتفتقر إلى القدرة على تحليل مسارات الفريق بأكملها مقابل المواصفات الرسمية عالية المستوى.

2. المنهجية

يقترح المؤلفون خط معالجة مهيكل يدمج الأساليب الرسمية لتوليد البيانات والتعلم العميق لكشف الشذوذ. تتكون المنهجية من خمس مراحل:

أ. المواصفات الرسمية عبر الشبكات داخل الشبكات (NWN)

لتوليد بيانات الحقيقة الأرضية (Ground-truth)، يستخدم المؤلفون نموذج الشبكات داخل الشبكات (Nets-within-Nets)، وهو نموذج شكلي لشبكات بيتري الهرمية.

شبكة المواصفات (Specification Net): تمثل المهمة العالمية كصيغة LTL آمنة للسلامة (co-safe) (على سبيل المثال: $\diamond(y_1 \land \diamond(y_2 \land \diamond y_3))$ ).
شبكات الروبوتات (Robot Nets): شبكات بيتري فردية لنمذجة البيئة المنفصلة لكل روبوت وقدرات حركته.
شبكة النظام (System Net): تقوم بمزامنة تطور شبكات الروبوتات مع مواصفات المهمة باستخدام دالة تمكين عالمية (GEF).
الفائدة: يسمح هذا الإطار بتوليد مسارات صالحة ومسارات "زائفة" خاضعة للتحكم بشكل منهجي عن طريق تعديل الشبكات لإدخال انتهاكات محددة.

ب. توليد مجموعة البيانات (محاكي Renew)

باستخدام محاكي Renew، يقوم نموذج NWN بتوليد سجلات مسارات رمزية.

العملية: يمر النظام عبر الانتقالات الممكنة، ويختار الانتقالات الكلية (مجموعات من حركات الروبوت) عبر سياسة عشوائية لضمان التنوع.
المخرجات: تُسجل المسارات كملفات نصية حيث يمثل كل سطر خطوة زمنية تحتوي على صفوف (tuples) تتضمن: معرف الروبوت، المدة، أماكن البداية/النهاية، وعلامات القضايا الذرية.
حقن الشذوذ: يتم إنشاء مجموعات بيانات زائفة عن طريق تغيير شبكات الروبوتات (لمحاكاة عدم تطابق التوقيت أو انتهاكات السعة) أو تعديل شبكة المواصفات (لإحداث انحرافات منطقية).

ج. المحاكاة منخفضة المستوى (VMAS)

لسد الفجوة بين المنطق الرمزي والواقع الفيزيائي، يستخدم المؤلفون VMAS (محاكي متعدد الروبوتات منخفض المستوى ذو ديناميكيات مستمرة).

الغرض: استخراج أوقات الانتقال الواقعية ( $t_i$ ) بين مناطق الاهتمام، والتي لا يستطيع النموذج الرمزي عالي المستوى التنبؤ بها بدقة.
الآلية: يحاكي الروبوتات الهولونومية باستخدام RRT* لتخطيط المسار وحقول الجهد لتجنب الاصطدام، مما يوفر بيانات زمنية تجريبية للسجلات الرمزية.

د. ترميز المسارات (Trajectory Encoding)

يتم تحويل السجلات الرمزية إلى تنسورات عددية ثابتة الحجم للتعلم الآلي باستخدام ترميز رمز الإجراء (Action-Token Encoding) المخصص:

معرف الروبوت والأماكن: يتم تعيينها لمصفوفات تضمين قابلة للتدريب ( $W_{ID}, W_{place}$ ).
المدة ( $t_i$ ): يتم ترميزها باستخدام تضمين زاوية ثنائي الأبعاد بعد التطبيع اللوغاريتمي للتعامل مع المقاييس الزمنية المتغيرة: $V_t = [\sin \theta, \cos \theta]^T$ .
العلامات (Labels): تُرمز كمتجهات تشير إلى الأصل (-1)، الوجهة (1)، أو الحالة المحايدة (0) للقضايا الذرية.
الترميز الموضعي: يستخدم تضمينات جيبية ثابتة (مشابهة لـ Transformers) لالتقاط مؤشر الخطوة $k$ دون بارامترات قابلة للتعلم.
النتيجة: يصبح كل إجراء متجهًا كثيفًا (على سبيل المثال، 140 بُعدًا) يمثل السياق الكامل لحركة الروبوت.

هـ. بنية التعلم الآلي

يتم استخدام شبكة عصبية قائمة على Transformer للتصنيف:

الإسقاط الخطي (Linear Projection): يربط رموز الإدخال بفضاء كامن مكون من 256 بُعدًا.
مشفر Transformer: طبقات انتباه ذاتي مكدسة (4 رؤوس) مع شبكات تغذية أمامية (تنشيط GELU) لالتقاط التبعيات داخل الروبوت وبين الروبوتات المختلفة.
التجميع الأقصى (Max Pooling): يجمع المخرجات التسلسلية في متجه ثابت الحجم.
رأس التصنيف (Classifier Head): عبارة عن مدرج متعدد الطبقات (MLP) مع تنشيط sigmoid لإخراج احتمالية كون المسار زائفًا.

3. المساهمات الرئيسية

إطار عمل مهيكل لتوليد البيانات: نهج مبتكر باستخدام NWN وRenew لتوليد مجموعات بيانات متنوعة ومصنفة لمسارات الروبوتات المتعددة مع حقيقة أرضية متأصلة لكل من السلوكيات الطبيعية والسلوكيات الزائفة المختلفة.
خط معالجة قائم على التعلم لكشف الشذوذ: نظام يصنف مسارات الفريق بأكملها كطبيعية أو شاذة، وقادر على كشف التناقضات الدقيقة عبر القيود منخفضة المستوى (التوقيت، الاصطادات) وعالية المستوى (دلالات LTL).
استراتيجية تضمين مبتكرة: مخطط ترميز متخصص يترجم بفعالية سجلات الروبوتات المتعددة الرمزية ومتغيرة الطول إلى تمثيلات كثيفة وثابتة الحجم مناسبة لبنيات Transformer.
تقييم شامل: تجارب مكثفة تثبت قدرة النموذج على كشف انتهاكات المهمة المحددة (مثل المناطق المحظورة، أخطاء التسلسل) وعدم كفاءة التنفيذ منخفضة المستوى.

4. النتائج التجريبية

تم تقييم النموذج على سبع حالات شذوذ متميزة باستخدام 2,000 مسار لكل حالة (تقسيم 80/10/10).

الأداء العام: حقق النظام دقة عالية في تحديد عدم كفاءة التنفيذ (91.3%) وانتهاكات المهمة الأساسية (88.3%).
نتائج الحالات المحددة:
- اختراق المنطقة المحظورة: كشف شبه مثالي (الدقة: 0.996، F1: 0.994).
- انتهاك التسلسل: أداء عالٍ (F1: 0.906)، مما يشير إلى قدرة قوية على الاستدلال الزمني.
- التزامن والتكرار: كشف قوي (F1 > 0.82).
- الوصول الشرطي والاستبعاد المتبادل: أداء أقل (F1: 0.647 و 0.815 على التوالي)، ويعزى ذلك إلى تعقيد العلاقات السببية وتبعيات المسار.
- التنفيذ منخفض المستوى: دقة عالية (F1: 0.923) في كشف شذوذ التوقيت والسعة.
دراسة الاستئصال (Ablation Study):
- استبدال التضمينات المعقدة المقترحة بترميز One-Hot بسيط أدى إلى انخفاض كبير في الأداء (انخفاض F1 من 0.829 إلى 0.593).
- تغذية البيانات الخام مباشرة في الـ Transformer أدت إلى أسوأ أداء، مما يبرز ضرية خط الترميز.
- تقليل رؤوس الانتباه قلل من الاستدعاء (Recall)، بينما أدت زيادة الرؤوس إلى إضعاف الأداء، مما يؤكد الحاجة إلى تصميم متوازن للبنية.

5. الأهمية والقيود

الأهمية:
يجسر هذا العمل الفجوة بين التحقق الرسمي (LTL/شبكات بيتري) وكشف الشذوذ القائم على البيانات. من خلال توليد بيانات اصطناعية بضمانات رسمية واستخدام Transformer لتعلم الأنماط الزمانية والمكانية المعقدة، يقدم النظام حلاً قويًا لضمان سلامة المهمة في فرق الروبوتات المتعددة، متجاوزًا مجرد الكشف المحلي عن الأعطال إلى تحليل سلوك الفريق الشامل.

القيود والعمل المستقبلي:

التعميم: يتطلب النموذج الحالي إعادة التدريب لكل نوع من أنواع الشذوذ ولا يعمم عبر جميع مواصفات LTL. يهدف العمل المستقبلي إلى جعل النموذج مشروطًا بصيغة LFT نفسها.
التحديد الموضعي (Localization): يصنف النظام المسار بأكمله كمسار زائف ولكنه لا يستطيع بعد تحديد الجزء الزمني الدقيق أو الروبوت المحدد المسؤول عن الفشل. تهدف الأبحاث المستقبلية إلى دمج الإشراف دقيق التفاصيل لتحديد موقع الشذوذ.