🤖 machine learning

Cross-embodied Co-design for Dexterous Hands

تقدم هذه الورقة إطار عمل للتصميم المشترك يعمل على تحسين مورفولوجيا اليد الروبوتية وسياسات التحكم في آن واحد لتمكين التصميم والتصنيع والنشر النهائي للأيدي الماهرة المخصصة لمهام معينة في أقل من 24 ساعة.

المؤلفون الأصليون: Kehlani Fay, Darin Anthony Djapri, Anya Zorin, James Clinton, Ali El Lahib, Hao Su, Michael T. Tolley, Sha Yi, Xiaolong Wang

نُشر 2026-03-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kehlani Fay, Darin Anthony Djapri, Anya Zorin, James Clinton, Ali El Lahib, Hao Su, Michael T. Tolley, Sha Yi, Xiaolong Wang

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 روبوت كيف يلعب بالكرات (الجوغليج) في الهواء، أو كيف يدير كرة سلة على إصبعه، أو كيف يلتقط بيضة هشة دون تحطيمها. يُسمى هذا "التحكم الماهر" (Dexterous Manipulation).

لعقود من الزمن، ارتكب المهندسون خطأً: فقد قاموا ببناء يد الروبوت أولاً (الأجهزة/Hardware)، ثم حاولوا بعد ذلك كتابة البرمجيات (الدماغ) للتحكم بها. الأمر يشبه شراء حذاء، ثم تجربته، ثم تدرك أنك بحاجة إلى كتابة دليل تعليمات جديد لقدميك لكي تمشيا به. وغالباً ما تكون الأحذية غير مناسبة للأقدام، مهما كانت التعليمات جيدة.

"House of Dextra" هو مشروع جديد يقلب هذه العملية رأساً على عقب. فبدلاً من بناء يد ثم تدريب دماغها، قاموا ببناء نظام يصمم اليد ويدرب الدماغ في الوقت نفسه تماماً.

إليك كيف يعمل ذلك، مشروحاً عبر تشبيهات بسيية:

1. "خبير الليغو" مقابل "المهندس المعماري"

الروبوتات التقليدية تشبه قلعة "ليغو" جاهزة البناء. لا يمكنك تغيير شكل القلعة؛ يمكنك فقط محاولة معرفة كيفية تحريك القطع الموجودة.

House of Dextra يشبه امتلاك خبير "ليغو" سحري يمكنه تركيب أي شكل يد يتخيله فوراً.

يمكنه صنع يد بـ 3 أصابع، أو 5 أصابع، أو حتى 7 أصابع.
يمكنه جعل الأصابع طويلة ونحيفة، أو قصيرة وسميكة.
يمكنه جعل راحة اليد عريضة أو ضيقة.

النظام لا يخمن فحسب؛ بل يستخدم "قواعد لغوية" (Grammar) (وهي مجموعة من القواعد، مثل كتاب الوصفات) لتوليد الآلاف من هذه التصاميم الفريدة لليد فورياً.

2. "السائق العالمي" (التعلم عبر الأجساد المتعددة)

هذا هو الجزء الصعب: إذا صنعت يداً جديدة، فعادة ما يتعين عليك قضاء شهور في تعليم الروبوت كيفية استخدامها. وهذا بطيء جداً.

يقدم هذا البحث "سائقاً عالمياً" (Universal Driver). تخيل سائقاً تعلم قيادة سيارة سيدان، وشاحنة، ودراجة نارية، وعربة "جو كارت" في آن واحد. هو لا يحتاج لإعادة تعلم كيفية التوجيه في كل مرة يغير فيها السيارة؛ بل ينظر فقط إلى لوحة القيادة (شكل اليد) ويعدل قبضته.

الحيلة: يتم تدريب الذكاء الاصطناعي على العديد من أشكال الأيدي المختلفة في وقت واحد. إنه يتعلم "مهارة عليا" (Meta-skill) للمهارة اليدوية.
النتيجة: عندما يولد النظام يداً جديدة تماماً ذات شكل غريب (ربما بـ 4 أصابع وأطراف نحيفة)، يمكن لـ "السائق العالمي" أن يعرف فوراً كيفية التحكم بها دون الحاجة للبدء من الصفر.

3. "مصنع الـ 24 ساعة"

الجزء الأكثر إثارة للإعجاب في هذا البحث هو السرعة.

الطريقة القديمة: صمم يداً $\leftarrow$ ابنِها $\leftarrow$ درب الذكاء الاصطناعي لشهور $\leftarrow$ اختبرها. (يستغرق سنوات).
طريقة House of Dextra:
1. يولد الذكاء الاصطنا ألف تصميم لليد داخل الكمبيوتر.
2. يقوم "السائق العالمي" باختبارها جميعاً في لعبة فيديو (محاكاة) في بضع ساعات.
3. يختار التصميم الفائز.
4. يُرسل التصميم إلى طابعة ثلاثية الأبعاد.
5. الوقت الإجمالي: أقل من 24 ساعة من "الفكرة" إلى "يد روبوت حقيقية تدير كرة".

4. "الأكروبات معصوب العينين"

لإثبات نجاح ذلك في العالم الحقيقي، قام الباحثون بشيء جريء. لقد أخذوا أفضل تصميم يد من الكمبيوتر وطبعوه. ثم أطفأوا "عيون" الروبوت (الكاميرات) و"مستشعرات اللمس".

كان على الروبوت تدوير الأشياء (مثل كرة التنس، أو ثمرة صنوبر، أو مكعب روبيك) باستخدام الإحساس فقط بمحركاته (Proprioception). كان الأمر يشبه أكروبات معصوب العينين يحاول تدوير طبق على عصا.

المفاجأة: الأيدي التي صممها الذكاء الاصطناعي (تحديداً تلك التي تتكون من 3 أصابع وغير بشرية الشكل) كانت أفضل بكثير في القيام بهذه المهمة من اليد البشرية القياسية.
لماذا؟ الأيدي البشرية مصممة للإمساك بالأدوات والمصافحة، وليس بالضرورة لتدوير الأشياء بطرق معقدة. أدرك الذكاء الاصطناعي: "مهلاً، إذا جعلت الأصابع أقصر وراحة اليد أعرض، يمكنني تدوير هذه الكرة بشكل أسرع!"

الخلاصة الكبرى

يثبت هذا البحث أن الشكل يتبع الوظيفة. إذا تركت الكمبيوتر يصمم شكل اليد خصيصاً لمهمة معينة (مثل تدوير كرة)، فإنه سيبتكر أشكالاً لم يفكر فيها البشر، وستؤدي تلك الأشكال المهمة بشكل أفضل بكثير.

باختاً مختصراً:

المشكلة: كنا نبني الأيدي والأدمغة بشكل منفصل، ولم تكن متوافقة مع بعضها البعض.
الحل: بنينا نظاماً يصمم اليد ويدرب الدماغ معاً، مثل شريك رقص يتعلم الخطوات مع شريك جديد فوراً.
النتيجة: في أقل من يوم، يمكننا ابتكار، وطباعة، ونشر يد روبوت أكثر ذكاءً ومهارة من أي شيء يمكننا تصميمه يدوياً.

إنه يشبه الانتقال من رسم سيارة على الورق إلى امتلاك طابعة ثلاثية الأبعاد تطبع السيارة، وتعلّمها القيادة بنفسها، وتنطلق على الطريق قبل أن تنهي قهوتك.

إليك ملخص تقني مفصل لورقة البحث بعنوان "House of Dextra: التصميم المشترك عبر الأجساد لليدين الماهرة".

1. بيان المشكلة

تواجه عملية التحكم في التلاعب الروبوتي الماهر حالياً عقبة تتمثل في الفصل التقليدي بين التصميم الميكانيكي والتحكم.

القصور: تعتمد النهج القياسية على تثبيت البنية الهاردوير (الأجهزة) أولاً، ثم تحسين سياسات التحكم (مثل التعلم المعزز - Reinforcement Learning) بناءً على ذلك الهيكل الثابت. هذا يحد من المهارة لأن سياسات التحكم المثالية غالباً ما تكون مقيدة بشكل جوهري بمورفولوجيا (شكل) اليد، ودرجات الحرية (DoF)، وقدرات الاستشعار.
التحدي: يواجه التصميم المشترك (Co-Design) - الذي يهدف لتحسين المورفولوجيا والتحكم معاً - "لعنة الأبعاد المزدوجة"؛ حيث أن مساحة البحث ضخمة بسبب تعقيد تصميم الهاردوير وصعوبة التحكم الدقيق.
الفجوات الحالية: تعتمد معظم أعمال التصميم المشترك السابقة على متحكمات سريعة تعتمد على أخذ العينات (sampling-based)، والتي تعاني مع المكافآت الشحيحة والمهام طويلة المدى (مثل تدوير الأشياء داخل اليد). علاوة على ذلك، تظل العديد من الطرق الحالية محصورة في المحاكاة بسبب "فجوة الواقع الافتراضي والواقع الحقيقي" (sim-to-real gap) الناتجة عن تبسيط قيود التصنيع ونمذجة الديناميكيات.

2. المنهجية: إطار عمل House of Dextra

يقترح المؤلفون إطار عمل للتصميم المشترك عبر الأجساد (cross-embodied co-design) يعمل على تحسين مورفولوجيا اليد وسياسات التحكم معاً، مما يتيح مساراً كاملاً من التصميم إلى النشر في العالم الحقيقي في أقل من 24 ساعة.

أ. تمثيل وتوليد المورفولوجيا

التمثيل القائم على الرسوم البيانية (Graph-Based): تُنمذج أيدي الروبوت كرسوم بيانية $G = (V, E, X_v, X_e)$ ، حيث تمثل العقد (nodes) قطع الأصابع وتمثل الحواف (edges) المفاصل الحركية.
القواعد الإجرائية (Procedural Grammar): نظام قواعد معياري يولد أيدي متنوعة وصالحة فيزيائياً. يقوم النظام بأخذ عينات من:
- هندسة راحة اليد: تخطيطات متماثلة، غير متماثلة، أو بشرية الشكل (anthropomorphic).
- تكوين الأصابع: عدد متغير للأصابع (3-5)، تكوينات المفاصل (2-3 محركات لكل إصبع)، أطوال الوصلات، وأشكال أطراف الأصابع.
- القيود الفيزيائية: يتم توليد التصاميم مع هندسة تصادم محسوبة مسبقاً، وحدود مفصل واقعية، ومواصفات مكونات قابلة للتصنيع (مثل الأجزاء القابلة للطباعة ثلاثية الأبعاد، ومحركات Dynamixel).

ب. سياسة التحكم عبر الأجساد (Cross-Embodiment Control Policy)

بدلاً من تدريب سياسة منفصلة لكل تصميم يد، يستخدم إطار العمل سياسة عابرة للأجساد مشروطة بالمورفولوجيا.

مشفر الشبكة العصبية الرسومية (GNN Encoder): يتم تشفير رسم اليد البياني $G$ إلى تضمين (embedding) ثابت الأبعاد $y(G)$ باستخدام شبكة GNN تمرير الرسائل.
الاشتراط بالسياسة (Policy Conditioning): تأخذ سياسة التحكم $\pi_\theta$ الحالة $s$ وتضمين المورفولوجيا $g$ كمدخلات: $\pi_\theta(a|s, g)$ . وهذا يسمح لسياسة واحدة بالتعميم عبر هياكل حركية مختلفة ضمن "عائلة" واحدة (مثل التصميم الشعاعي المتماثل أو التصميم البشري).
قناع العمل (Action Masking): يتم تطبيق قناع عمل $m(G)$ لضمان أن السياسة تخرج فقط الأوامر الصالحة للمشغلات (actuators) الموجودة في التصميم الحالي.

ج. حلقة التحسين (التحسين ثنائي المستوى)

يحل إطار العمل مشكلة التصميم المشترك عبر عملية تحسين ثنائية المستوى:

الحلقة الداخلية (التحكم): تدريب مسبق لسياسة التحكم عبر الأجساد على مجموعة متنوعة من المورفولوجيات المختارة باستخدام خوارزمية (PPO).
الحلقة الخارجية (البحث عن التصميم): استخدام البحث الاستدلالي الرسومي (Graph Heuristic Search) لاستكشاف مساحة التصميم.
- تتنبأ شبكة قيمة التصميم ( $V_{design}$ ) بأداء المهمة لتضمين مورفولوجي معين دون الحاجة إلى تشغيل كامل للمحاكاة، مما يوجه عملية البحث.
- يستخدم البحث استراتيجية $\epsilon$ -greedy لتحقيق التوازن بين الاستكشاف (قواعد القواعد العشوائية) والاستغلال (توسيع التصاميم الجزئية الواعدة).
- يتم تقييم التصاميم المرشحة بالتوازي باستخدام السياسة المدربة مسبقاً.

د. الانتقال من المحاكاة إلى الواقع (Sim-to-Real Transfer)

السياسة العمياء (Blind Policy): يتم نشر السياسة النهائية كمتحكم "أعمى"، يعتمد فقط على حالات المفاصل وتضمين المورفोलॉजी، مما يلغي الحاجة إلى تغذية راجعة لحالة الجسم (الرؤية/اللمس) لمطابقة قيود المستشعرات الموجودة على متن الروبوت.
عشوائية النطاق (Domain Randomization): العشوائية المكثفة لخصائص المشغلات، الاحتكاك، ووضعيات الأشياء أثناء التدريب تضمن المتانة.
التصنيع: يتم تحويل أفضل رسم بياني للتصميم مباشرة إلى مواصفات هاردوير. تُطبع المكونات ثلاثية الأبعاد وتُجمع مع محركات Dynamixel الجاهزة، مما يضمن مطابقة الروبوت الفيزيائي لقواعد المحاكاة.

3. المساهمات الرئيسية

مسار تصميم مشترك متكامل (End-to-End): إطار عمل يصمم، يدرب، يصنع، وينشر يداً روبوتية جديدة في أقل من 24 ساعة.
التعلم عبر الأجساد (Cross-Embodiment Learning): نهج مبتكر باستخدام سياسات مشروطة بـ GNN يسمح بتقييم آلاف التصاميم بكفاءة دون الحاجة لتدريب سياسات فردية لكل منها، مما يحل مشكلة القابلية للتوسع في التصميم المشترك.
الانتقال من المحاكة إلى الواقع بنجال (Zero-shot): النشر الناجح للأيدي المصممة مشتركاً على أجهزة فيزيائية لمهام معقدة (التدوير داخل اليد) دون الحاجة لضبط دقيق (fine-tuning) على الروبوت الحقيقي.
منصة هاردوير معيارية: منصة يد روبوتية واقعية ومعيارية تدعم تغير الكينماتيكا ودرجات الحرية، مما يسمح بتوليد تصاميم غير بشرية الشكل تتفوق على الأيدي القياسية الشبيهة بالإنسان.

4. النتائج التجريبية

تم تقييم إطار العمل في ثلاث مهام: القبض، التدوير داخل اليد، وقلب الأشياء.

الأداء مقابل النماذج المرجعية:
- التدوير داخل اليد: حققت اليد ذات الـ 3 أصابع المصممة مشتركاً 3.3 راديان/ثانية (مع الضبط الدقيق) و 1.85 راديان/ثانية (بدون ضبط دقيق).
- المقارنة: تفوق هذا بشكل كبير على النماذج التالية:
  - RoboGrammar: 0.26 راديان/ثانية.
  - Monte Carlo Search: 0.20 راديان/ثانية.
  - يد LEAP القياسية (بشرية الشكل): 0.47 راديان/ثانية (مع الرؤية) أو 0.0 راديان/ثانية (السياسة العمياء).
- وقت التشغيل: قيمت طريقة التصميم المشترك 2,000 تصميم في حوالي 5.2 ساعة، بينما استغرق تدريب سياسات PPO فردية لـ 20 تصميماً حوالي 26 ساعة (تسريع بمقدار 400 ضعف).
النشر في العالم الحقيقي:
- تم نشر ثلاث أيدي مصممة مشتركاً (3 أصابع، 4 أصابع، 5 أصابع) ويد بشرية واحدة كمرجع على أجهزة حقيقية.
- نجحت اليد ذات الـ 3 أصابع في تدوير 15 من أصل 17 جسماً غير مرئي (بما في ذلك أشكال غير منتظمة مثل كرات الصنوبر والكرات اللينة) في إعداد "أعمى".
- فشلت الأيدي البشرية الشكل والـ 4 أصابع في معظم الأجسام، وغالباً ما كانت تتعثر بسبب سوء التكيف مع حركة المشية (gait adaptation).
- تنبأ النظام بدقة بترتيب التصاميم في المحاك، وهو ما ثبت صحته في العالم الحقيقي.
رؤى التصميم:
- هيمنة المورفولوجيا: كشف تحليل المعاملات أن الخيارات المورفولوجية (طول الإصبع، عرض راحة اليد) كانت لها التأثير الأعلى على الأداء، متجاوزة بكثير خصائص المواد أو تخميد المشغلات.
- تفوق التصاميم غير البشرية: بالنسبة لتدوير الأشياء داخل اليد، تفوق تصميم شعاعي بـ 3 أصابع مع حركات (gaits) محددة على اليد البشرية القياسية ذات الـ 5 أصابع.

5. الأهمية

كسر الانحياز للبشرية (Anthropomorphic Bias): يوضح هذا العمل أنه بالنسبة لمهام معينة، يمكن للمورفولوجيا غير البشرية أن تكون متفوقة، مما يتحدى الافتراض بأن الروبوتات يجب أن تحاكي الأيدي البشرية.
القابلية للتوسع: من خلال الاستفادة من التعلم عبر الأجساد، يحل البحث مشكلة الاختناق الحسابي التي منعت تاريخياً التصميم المشترك المعقد من تجاوز مهام الحركة البسيطة.
سهولة الوصول: إطار العمل مفتوح المصدر، ويعتمد الهاردوير على مكونات رخيصة قابلة للطباعة ثلاثية الأبعاد ومشغلات قياسية، مما يجعل أبحاث التلاعب الماهر المتقدمة متاحة للمختبرات على نطاق واسع.
الأثر العملي: القدرة على تصميم ونشر يد روبوتية مخصصة في أقل من 24 ساعة تفتح آفاقاً جديدة للنماذج الأولية السريعة في مجالات الأطراف الصناعية، الأتمتة المتخصصة، والروبوتات التكيفية.