Lies We Can Trust: Quantifying Action Uncertainty with Inaccurate Stochastic Dynamics through Conformalized Nonholonomic Lie groups
تقدم هذه الورقة البحثية مجموعات تنبؤ فعل زمرة لي (CLAPS)، وهي خوارزمية تنبؤ تطابقي واعية للتماثل توفر ضمانات احتمالية غير تقاربية وخالية من التوزيع لتكوينات الأنظمة على زمر لي غير الإقليدية مثل SE(2)، متفوقة بذلك على الطرق الحالية القائمة على الفضاء الإقليدي في كفاءة الحجم وتمثيل عدم اليقين.
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
تعتمد الروبوتات التي تتحرك عبر العالم، من روبوتات التوصيل التي تتنقل في الأرصفة إلى الطائرات بدون طيار التي تنساب عبر الغابات، على نماذج رياضية لتخمين أين ستكون بعد لحظة وجيزة من حركتها. وهذه النماذج ليست مثالية أبداً؛ فالعالم الحقيقي فوضوي: العجلات تنزلق على الرصيف المبلل، والبطاريات تفقد طاقتها، وهبات الرياح غير المتوقعة تدفع المركبة بعيداً عن مسارها. وبسبب هذه العيوب، فإن توقع الروبوت لموقعه المستقبلي هو دائماً مجرد تخمين وليس يقيناً. ولكي يعمل بأمان، يحتاج الروبوت ليس فقط إلى معرفة أين يعتقد أنه سيذهب، بل أيضاً إلى معرفة مدى اتساع هامش الخطأ المتوقع. فإذا كان الروبوت واثقاً أكثر من اللازم، فقد يصطدم بجدار ظن أنه سيتجنبه، وإذا كان حذراً أكثر من اللازم، فقد يرفض التحرك تماماً، مشلولاً بفعل الخوف من خطأ مستبعد. ويكمثل التحدي للمهندسين في رسم حدود حول ذلك التخمين—منطقة تكون ضيقة بما يكفي لتكون مفيدة للتخطيط، وواسعة بما يكفي لضمان بقاء الروبوت داخلها بالفعل، حتى عندما تسوء الأمور.
قام فريق من الباحثين في جامعة ميشيغان بتطوير طريقة جديدة لرسم حدود السلامة هذه، وتحديداً للروبوتات التي تتحرك وفق قيود الفيزياء الواقعية، مثل السيارات التي لا يمكنها الانزلاق جانباً أو الروبوتات التي يجب أن تستدير لتغيء اتجاهها. طريقتهم، التي أطلقوا عليها اسم CLAPS، تستخدم تقنية إحصائية تسمى "التنبؤ المطابق" (conformal prediction) لمعايرة عدم اليقين لدى الروبوت. وبدلاً من افتراض أن الأخطاء تتبع نمطاً بسيطاً يمكن التنبؤ به مثل منحنى الجرس، يتعلم هذا النهج من مجموعة بيانات لحركات سابقة لتحديد مدى انحراف الروبوت بدقة. ووجد الباحثون أنه من خلال احترام الهندسة المحددة لكيفية حركة هذه الروبوتات، استطاعوا إنشاء مناطق سلامة أصغر بكثير وأكثر دقة مما تنتجه الطرق الحالية. وفي الاختبارات مع كل من الروبوتات المحاكية والروبوت الفيزيائي الذي يتحرك عبر الأرضية، نجح نهجهم في احتواء الموقع الحقيقي للروبوت ضمن المنطقة المتوقعة بالمعدل المطلوب، مع استخدام مساحة أقل من التقنيات السابقة.
يكمن جوهر المشكلة في كيفية تمثيل الروبوت لموقعه. تعامل العديد من الطرق القياسية موقع الروبوت كنقطة بسيطة على شبكة مسطحة، مثل نقطة على ورقة رسم بياني. وهذا يعمل جيداً للحركات البسيطة، لكنه يفشل في استيعاب واقع الروبوتات التي تمتلك سلوكيات دوران وانزلاق معقدة. فعندما يستدير الروبوت، ينحني مساره بطريقة لا يمكن للشبكة المسطحة وصفها بسهولة دون إنشاء مناطق سلامة ضخمة ومبددة. وقد أدرك الباحثون أن هذه الروبوتات تتحرك على سطح رياضي منحني، تماماً كما يتحرك نقطة على كرة بشكل مختلف عن تحرك نقطة على مستوى مسطح. ومن خلال معاملة حركة الروبوت على أنها تحدث على هذا السطح المنحني، تمكنوا من تحديد عدم اليقين بطريقة تناسب حركة الروبوت بشكل طبيعي.
لاختبار هذه الفكرة، قام الفريق أولاً ببناء مجموعة بيانات لآلاف حركات الروبوت. فقد أخذوا روبوتاً محاكياً، وهو JetBot، وروبوتاً حقيقياً، وهو MBot، وأمروهما بالتحرك بطرق متنوعة. ومع كل أمر يُعطى، سجلوا أين انتهى مطاف الروبوت فعلياً مقارنة بالمكان الذي توقع نموذجه الداخلي أنه سيذهب إليه. عملت هذه المجموعة من الاختلافات كطقم معايرة. ثم طبق الباحثون خوارزميتهم الجديدة على هذه البيانات؛ حيث حسبت الخوارزمية درجة محددة لكل حركة تقيس مدى ابتعاد التوقع، مع مراعاة قيود الدوران والانزلاق الخاصة بالروبوت. ومن خلال تحليل توزيع هذه الدرجات، حددت الخوارزمية عامل قياس يقوم بتعديل حجم منطقة السلامة بما يكفي لضمان التقاط الموقع الحقيقي للروبوت باحتمالية عالية.
أظهرت النتائج ميزة واضحة للطريقة الجديدة. ففي عمليات المحاكاة، قارن الباحثون نهجهم بسبع تقنيات شائعة أخرى. كانت الطرق القديمة غالباً ما تنتج مناطق سلامة إما كبيرة جداً بحيث لا تكون مفيدة، أو صغيرة جداً بحيث لا تكون آمنة. على سبيل المثال، أنشأت بعض الطرق مناطق سلامة تبدو كدوائر مثالية أو أشكال بيضاوية، وهي سهلة الحساب ولكنها لا تطابق الشكل الفعلي لأخطاء الروبوت المحتملة. هذه الأشكال غالباً ما تضمنت مناطق لا يمكن للروبوت الذهاب إليها أبداً، مما يهدر المساحة، أو أغفلت مناطق كان من الممكن أن ينتهي به المطاف فيها بالفعل، مما يهدر المساحة. في المقابل، أنتجت الطريقة الجديدة مناطق سلامة تبدو كأشكال منحنية تشبه الموز. تبعت هذه الأشكال المسار الطبيعي لعدم اليقين لدى الروبوت، ملتفة بإحكام حول النتائج الأكثر احتمالاً دون تضمين النتائج المستحيلة.
وعندما قاس الباحثون حجم هذه المناطق، كان الفرق كبيراً. فقد أنتجت الطريقة الجديدة مناطق سلامة كانت، في المتوسط، أصغر من تلك الناتجة عن أفضل طريقة معايرة تالية لها. وفي التجارب العتادية مع الروبوت الحقيقي MBot، أنشأت الطريقة الجديدة مناطق أصغر بنسبة 23 بالمئة في المتوسط، وفي بعض الحالات وصلت إلى 75 بالمئة أصغر. وبالرغم من كونها أصغر، إلا أن المناطق الجديدة نجحت في احتواء الموقع الفعلي للروبوت بالمعدل الذي حدده الباحثون كهدف. وهذا يعني أن الروبوت يمكنه أن يكون أكثر دقة في تخطيطه، مما يسمح له بالتنقل في المساحات الضيقة أو التحرك بسرعة أكبر دون زيادة خطر الاصطدام. كما تحقق الباحثون من أن طريقتهم تعمل بشكل صحيح حتى عندما يكون النموذج الداخلي للروبوت غير كامل أو عندما تتدخل اضطرابات غير متوقعة في البيئة.
تسلط الدراسة الضوء على تحول في كيفية مقاربة المهندسين لمسألة سلامة الروبوتات. فبدلاً من الاعتماد على افتراضات جامدة حول كيفية سلوك الأخطاء، أو استخدام تقديرات متحفظة للغاية تحد من قدرات الروبوت، يستخدم هذا النهج البيانات لتعلم الشكل الحقيقي لعدم اليقين. إنه يقر بأن العالم معقد، وأن حركة الروبوت مقيدة بالفيزياء بطرق لا تستطيع الشبكات البسيطة استيعابها. ومن خلال احترام هذه القيود، تمكن الباحثون من إنشاء أداة هي في آن واحد صارمة رياضياً وفعالة عملياً. ويشير هذا العمل إلى أن الروبوتات المستقبلية قد تتنقل بثقة أكبر في البيئات الديناميكية، وهي تعرف بالضبط مقدار المساحة التي تحتاجها للعمل بأمان. وقد أتاح الباحثون الكود والبيانات الخاصة بهم للآخرين، داعين المجتمع العلمي الأوسع للبناء على هذه الطريقة لمجموعة واسعة من الأنظمة الروبوتية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.