⚡ electrical engineering

Floating-Base Deep Lagrangian Networks

تقدم هذه الورقة شبكات لاغرانج العميقة ذات القاعدة العائمة (FeLaN)، وهي طريقة لتحديد هوية الأنظمة من النوع "الرمادي" (grey-box) تفرض قيوداً فيزيائية محددة على مصفوفات القصور الذاتي لتحسين أداء ونماذج التعلم العميق وقابليتها للتفسير للروبوتات ذات القاعدة العائمة مثل الروبوتات البشرية والروبوتات رباعية الأرجل.

المؤلفون الأصليون: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

نُشر 2026-03-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lucas Schulze, Juliano Decico Negri, Victor Barasuol, Vivian Suzano Medeiros, Marcelo Becker, Jan Peters, Oleg Arenz

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 تحاول تعليم كلب آلي أو إنسان آلي كيف يتحرك. للقيام بذلك، أنت بحاجة إلى "دماغ" يفهم الفيزياء: كيف يزن الروبوت، وكيف تنثني مفاصله، وكيف تسحبه الجاذبية للأسفل.

لفترة طويلة، كان لدى العلماء طريقتان رئيسيتان لبناء هذا الدماغ:

طريقة "البرمجة المباشرة" (الصندوق الأبيض - White-Box): تقوم بكتابة كل قانون من قوانين الفيزياء يدوياً. هي دقيقة جداً إذا كنت تعرف الروبوت تماماً، ولكن إذا تغير الروبوت قليلاً (مثل إضافة حقيبة ظهر)، فسيتعين عليك إعادة كتابة كل العمليات الحسابية.
طريقة "الصندوق الأسود" (التعلم العميق - Deep Learning): تقوم بإلقاء كمية هائلة من البيانات على الكمبيوتر وتتركه يخمن القواعد. هي مرنة، لكنها غالباً ما ترتكب أخطاءً سخيفة لأنها لا تفهم الفيزياء فعلياً. قد تعتقد أن الروبوت يمكنه الطيران أو أن جسماً ثقيلاً لا يزن شيئاً.

المشكلة مع الروبوتات العائمة
معظم الروبوتات في هذه الدراسات هي أنظمة "قاعدة عائمة" (Floating-base). فكر في كلب آلي أو إنسان. هم ليسوا مثبتين في الأرض؛ بل يقفون على أرجل ويمكنهم التحرك في أي مكان. وهذا يجعل الفيزياء معقدة للغاية.

عندما يركض الكلب الآلي، تتحرك أرجله بشكل مستقل، لكنها جميعاً متصلة بالجسم الرئيسي (الجذع). تطلق الورقة على هذا اسم "التشتت الناجم عن التفرع" (Branch-induced sparsity).

تشبيه: تخيل شجرة. الجذع هو جسم الروبوت. والأغصان هي الأرجل. إذا هززت غصناً واحداً (رجلاً)، فسيؤثر ذلك على الشجرة بأكملة، لكنه لن يغير شكل غصن آخر في الجانب الآخر.
المشكلة: كانت نماذج الذكاء الاصطناعي القديمة تعامل الروبوت ككتلة صلبة من الطين. لم يدركوا أن تحريك الرجل اليسرى لا يغير فيزياء الرجل اليمنى. هذا جعل توقعاتهم فوضوية وغير دقيقة.

أيضاً، هناك قاعدة في الفيزياء تسمى "متباينة المثلث" (Triangle Inequality) لكيفية توزيع الكتلة.

تشبيه: تخيل "نحلة" (Spinning top). إذا كانت ثقيلة جداً من جانب واحد، فستترنح وتسقط. الفيزياء لها قواعد صارمة حول مدى ثقل الأجزاء المختلفة بالنسبة لبعضها البعض للحفاظ على استقرار الجسم. نماذج الذكاء الاصطناعي القديمة غالباً ما تجاهلت هذه القواعد، مما خلق "روبوتات شبحية" مستحيلة فيزيائياً (مثل روبوت برأس أثقل من جسمه بالكامل).

الحل: FeLaN (شبكات لاغرانج العميقة للقواعد العائمة)
ابتكر المؤلفون طريقة جديدة تسمى FeLaN. فكر فيها كـ "هجين ذكي".

استراتيجية "الصندوق الرمادي" (Grey-Box): بدلاً من مجرد التخمين (الصندوق الأسود) أو البرمجة المباشرة فقط (الصندوق الأبيض)، قاموا ببناء نموذج "يعرف" قواعد اللعبة ولكنه يتعلم التفاصيل المحددة من البيانات.
المخطط الخاص: ابتكروا طريقة جديدة لوصف وزن وتوازن الروبوت ("مصفوفة القصور الذاتي" - Inertia Matrix).
- تشبيه: تخيل أنك تجهز حقيبة سفر.
  - الذكاء الاصطناعي القديم: يرمي الملابس عشوائياً. أحياناً تكون الحقيبة ثقيلة من جانب واحد فتتقلب.
  - FeLaN: يستخدم نظام ترتيب وتعبئة خاص ومنظم مسبقاً. هو يعرف بالضبط كيف يرتب الملابس بحيث تكون الحقيبة متوازنة، والسحاب يغلق، والوزن موزع بشكل مثالي. إنه يجبر الذكاء الاصطناعي على تعلم ترتيبات التعبئة "الصحيحة" فقط.
النتيجة: يتعلم الذكاء الاصطناعي بشكل أسرع، ويرتكب أخطاء أقل، ويعمل على روبوتات مختلفة دون الحاجة لإعادة التدريب من الصفر.

ماذا فعلوا
اختبروا ذلك على روبوتات حقيقية، بما في ذلك:

Unitree Go2: كلب آلي.
Boston Dynamics Spot: كلب آلي مشهور آخر.
Talos: روبوت بشري (يشبه الإنسان).
HyQReal: كلب آلي شديد التحمل.

أجروا محاكاة واختبارات في العالم الحقيقي. وأظهرت النتائج أن FeLaN كان هو "البطل". فقد توقع مقدار القوة التي تحتاجها المحركات لتحريك الروبوتات بدقة أكبر من أي طريقة أخرى، حتى عندما كانت الروبوتات تتحرك على أرض حقيقية غير مستوية ومع وجود ضجيج واحتكاك.

لماذا هذا مهم
هذا أمر بالغ الأهمية لمستقبل الروبوتات.

السلامة: إذا فهم الروبوت الفيزياء بشكل أفضل، فلن يسقط أو يكسر أرجله.
الكفاءة: يتعلم بشكل أسرع، مما يعني أننا لا نحتاج إلى كمية كبيرة من البيانات لتدريب روبوتات جديدة.
تعدد الاستخدامات: يمكنك أخذ نموذج تم تدريبه على كلب آلي وتكييفه مع إنسان آلي بسهçولة أكبر مما سبق.

باخت_صار
تتحدث الورقة عن تعليم الذكاء الاصطناعي احترام قوانين الفيزياء عند التعامل مع الروبوتات التي تمشي على أرجل. من خلال إجبار الذكاء الاصطناعي على استخدام "قائمة تعبئة ذكية" للوزن والتوازن، أنشأوا دماغاً روبوتياً أكثر ذكاءً، وأماناً، وقدرة على التكيف من أي شيء امتلكناه من قبل.

إليك ملخص تقني مفصل لورقة البحث "Floating-Base Deep Lagrangian Networks" (FeLaN).

1. بيان المشكلة

تعد النماذج الديناميكية الدقيقة أمراً بالغ الأهمية للتحكم والمحاكاة في الروبوتات، لا سيما بالنسبة لـ الأنظمة ذات القاعدة العائمة (floating-base systems) مثل الروبوتات رباعية الأرجل والبشرية (humanoids). وبينما أظهرت طرق "الصندوق الرمادي" (التي تجمع بين التعلم العميق والفيزياء) نجاحاً في الأنظمة ذات القاعدة الثابتة والأجسام الصلبة المفردة، إلا أنها تواجه صعوبات مع الأنظمة ذات القاعدة العائمة بسبب إهمال قيود فيزيائية محددة.

غالباً ما تفشل النهج الحالية في مراعاة ما يلي:

الندرة الناجمة عن التفرع (Branch-induced sparsity): مصفوفة القصور الذاتي لروبوت ذي سلاسل كينماتيكية متعددة (أرجل، أذرع) هي مصفوفة نادرة (sparse)، حيث تعتمد الكتل فيها فقط على مدخلات المفاصل الخاصة بها. عمليات تحليل "تشوليسكي" (Cholesky factorizations) القياسية المستخدمة في الطرق الحالية (مثل Deep Lagrangian Networks، DeLaN) تدمر هذه الندرة.
قيود القصور الذاتي المكاني المركب (Composite Spatial Inertia Constraints): يجب أن تحقق مصفوفة القصور الذاتي $6\times6$ للقاعدة العائمة متباينة المثلث على قيمها الذاتية (وهي خاصية للأجسام الصلبة المفردة) وتحافظ على موجبية التحديد (positive definiteness).
استقلالية المدخلات (Input Independence): يجب ألا يعتمد القصور الذاتي لفرع كينماتيكي معين على تكوين الفروع الأخرى.

إن التطبيق الساذج للنماذج "الرمادية" الحالية على هذه الأنظمة يؤدي إلى نماذج غير متسقة فيزيائياً، وضعف في التعميم خارج نطاق التوزيع (out-of-distribution generalization)، وافتقار إلى القابلية للتفسير.

2. المنهجية

يقترح المؤلفون Floating-Base Deep Lagrangian Networks (FeLaN)، وهو بنية "صندوق رمادي" مبتكرة تدمج تمثيلاً فيزيائياً متسقاً لمصفوفة القصور الذاتي ضمن إطار عمل التعلم العميق.

أ. التمثيل البارامتري المتسق فيزيائياً

الابتكار الجوهري هو تمثيل جديد لمصفوفة القصور الذاتي $H(\nu)$ يعتمد على إعادة ترتيب تحليل تشوليسكي ( $H = L^T L$ ). بخلاف تحليل تشوليسكي القياسي، يحافظ الإصدار المعاد ترتيبه على نمط الندرة الناتج عن الشجرة الكينماتيكية للروبوت.

يقوم المؤلفون بتفكيك المصفوفة المثلثية الدنيا $L$ إلى كتل محددة لفرض القوانين الفيزيائية:

موجبية التحديد (Positive Definiteness): يتم ضمانها من خلال فرض عناصر قطرية موجبة في العامل $L$ .
متباينة المثلث (Triangle Inequality): يجب أن تحقق مصفوفة الدوران المركبة $I_B$ متباينة المثلث ( $I_x + I_y \geq I_z$ ، إلخ). وقد اشتق المؤلفون تمثيلاً يتم فيه بناء $I_B$ من مصفوفة تغاير (covariance matrix) $\Sigma_R$ موجبة شبه محددة، مما يضمن تحقق المتباينة بالتعريف.
عزم الكتلة الأول والكتلة (First Mass Moment & Mass): يتم تمثيل القصور الذاتي الخطي وعزم الكتلة الأول (الاقتران بين الحركة الخطية والزاوية) لضمان أن الكتلة الإجمالية $m$ موجبة وأن مركز كتلة النظام متسق.
الندرة الناجمة عن التفرع (Branch-Induced Sparsity): تم هيكلة المصفوفة $L$ بحيث تعتمد المصفوفات الفرعية المقابلة لفروع كينماتيكية محددة فقط على مفاصل ذلك الفرع، مما يحافظ على الفصل الفيزيائي.

ب. بنية التعلم العميق

التنبؤ بالقصور الذاتي: بدلاً من التنبؤ بالمصفوفة الكثيفة الكاملة، تتنبأ الشبكة بالبارامترات غير المقيدة لعامل تشوليسكي المعاد ترتيبه $L$ $L$ .
- تتنبأ شبكات عصبية منفصلة ( $NN_k$ ) بالكتل المقابلة لكل فرع كينماتيكي $k$ ، مما يضمن استقلالية المدخلات.
- تتنبأ شبكة عالمية ( $NN_R$ ) بالكتل المتعلقة بالقاعدة.
طاقة الوضع (Potential Energy): لا يتم تعلم طاقة الوضع $P$ بواسطة شبكة منفصلة، بل يتم حسابها تحليلياً من تقديرات الكتلة ومركز الكتلة المستمدة من مصفوفة القصور الذاتي، مما يضمن الاتساق بين حدود الطاقة الحركية وطاقة الوضع.
دالة الخسارة (Loss Function): يتم تدريب النموذج لتقليل خطأ الديناميكا العكسية (الفرق بين عزوم المفاصل المتوقعة والحقيقية). تتضمن الخسارة حدوداً إضافية لمعاقبة انتهاكات موجبية التحديد أثناء التدريب، رغم أن التمثيل الهيكلي يعمل كقيد "صلب" للاتساق الفيزيائي.

3. المساهمات الرئيسية

توسيع الاتساق الفيزيائي: توسع الورقة شروط الاتساق الفيزيائي الكامل (تحديداً متباينة المثلث على القيم الذاتية) من الأجسام الصلبة المفردة إلى القصور الذاتي المكاني المركب للأنظمة ذات القاعدة العائمة.
تمثيل بارامتري جديد: تقديم تمثيل لمصفوفة القصور الذاتي يضمن في آن واحد:
- موجبية التحديد.
- الندرة الناجمة عن التفرع.
- استقلالية المدخلات للفروع الكينماتيكية.
- متباينة المثلث للقصور الذاتي الدوراني المركب.
بنية FeLaN: بنية تعلم عميق تجمع بين ميكانيكا لاغرانج والتمثيل البارامتري المقترح، والتي لا تتطلب سوى طوبولوجيا السلسلة الكينماتيكية (بدون بارامترات ديناميكية مسبقة).
مجموعة بيانات ومعيار شامل: جمع المؤلفون ونشروا مجموعة بيانات تغطي روبوتات متعددة مثل (Unitree Go2, Boston Dynamics Spot, HyQReal2) والروبوتات البشرية (Talos) في بيئات المحاكاة والواقع الحقيقي.

4. النتائج التجريبية

تم تقييم الطريقة باستخدام بيانات محاكاة وواقعية لـ Unitree Go2، وBoston Dynamics Spot، وTalos، وHyQReal2.

أداء المحاكاة:
- حققت FeLaN أدنى متوسط خطأ تربيعي معياري (NMSE) على كل من Go2 وTalos.
- تفوقت على DeLaN القياسي ونماذج MLP (الشبكات العصبية متعددة الطبقات) ذات الصندوق الأسود، مما يثر أن فرض القيود الفيزيائية يحسن القدرة على التعميم.
- حققت FeLaN-BS (نسخة بـ "الندرة" و"موجبية التحديد" فقط، دون متباينة المثلث الكاملة) أداءً جيداً ولكنها كانت أقل قليلاً من FeLaN الكاملة، مما يبرز أهمية قيد متباينة المثلث.
الأداء في العالم الحقيقي:
- في الروبوتات الحقيقية، حققت FeLaN أفضل متوسط خطأ تربيعي معياري نسبي (rNMSE) عبر جميع الروبوتات، مما يشير إلى قوة فائقة في التعميم مقارنة بالنماذج المرجعية.
- طرق الصندوق الأبيض (DNEA): واجهت صعوبات مع الروبوتات الأثقل (Talos, HyQReal2) بسبب ديناميكيات المشغلات/التلامس غير المنمذجة، حيث أظهرت أخطاء أعلى بنحو 3 أضعاف من أفضل طرق الصندوق الرمادي.
- الصندوق الأسود/الصندوق الرمادي القياسي: بينما حققت نماذج MLP وDeLaN القياسية أحياناً خطأً منخفضاً في روبوتات معينة، إلا أنها كانت حساسة للغاية للقيم الأولية والبارامترات الفائقة وفشلت في التعميم باستمرار عبر أشكال الروبوتات المختلفة.
- القابلية للتفسير: قدمت FeLaN تنبؤات أفضل للمكونات الديناميكية الفردية (الجاذبية، كوريوليس، الحدود العطالية) مقارنة بالطرق الأخرى، خاصة في تقدير مكون الجاذبية الثابت.

5. الأهمية

يسد هذا العمل فجوة حرجة في تعلم الروبوتات من خلال تمكين تحديد هوية الأنظمة المتسقة فيزيائياً للروبوتات المعقدة، متعددة الأرجل، والبشرية.

التعميم: من خلال دمج القوانين الفيزيائية الأساسية (متباينة المثلث، الندرة) مباشرة في بنية الشبكة، تتعلم FeLaN نماذج تتعمم بشكل أفضل على التكوينات غير المرئية وأشكال الروبوتات المختلفة.
كفاءة البيانات: تتطلب الطريقة بيانات أقل للوصول إلى نموذج معقول فيزيائياً مقارنة بنهج الصندوق الأسود.
القابلية للتفسير: على عكس نماذج الصندوق الأسود، توفر FeLaN تقديرات صريحة للكتلة، ومركز الكتلة، والقصور الذاتي، وهي أمور حاسمة لمهام التحكم والتقدير المستقبلي.
التأثير المستقبلي: يشير المؤلفون إلى أن FeLaN يمكن أن تعمل كنموذج ديناميكي مُتعلم لمهام التنقل والتحكم في الأشياء (loco-manipulation) المتقدمة، مما قد يحل محل أو يعزز المتحكمات التقليدية القائمة على النماذج.