ملخص تقني: UNCLE-Grasp

بيان المشكلة

تواجه عملية حصاد الفراولة الروبوتية في البيئات الزراعية غير المهيكلة تحديات كبيرة بسبب الحجب الجزئي، حيث تحجب الأوراق هندسة الثمار. يؤدي هذا الحجب إلى ملاحظات ناقصة للسحابة النقطية (point cloud)، مما يسبب تشوهات هندسية تؤدي إلى إزاحة المراكز التقديرية وتنتج قبضات غير مستقرة أو لا يمكن الوصول إليها. تفشل طرق القبض الحالية الواعية باليقين (uncertainty-aware) — والتي تقدر اليقين بالنسبة للوضعية أو الشكل أو مرشحات القبض الفردية — في تجميع جدوى القبض بشكل صريح عبر نماذج متعددة للأجسام المكتملة. وبناءً على ذلك، فهي تفتقر إلى آلية لدعم قرار "المحاولة أو الامتناع" على مستوى الجسم. علاوة على على ذلك، غالبًا ما تنتج نماذج التنبؤ بالقبض الحتمية درجات ثقة ضعيفة المعايرة تحت ظروف تغير التوزيع، مما يؤدي إلى اتخاذ قرارات هشة في المشاهد شديدة الحجب.

المنهجية

يقترح البحث إطار عمل UNCLE-Grasp (القبض الواعي باليقين لثمار الفراولة المحجوبة بالأوراق)، وهو إطار عمل متكيف مع المهام يدمج إكمال الشكل المتعلم، وتقدير التباين القائم على إسقاط مونت كارلو (MC dropout)، وتقييم القبض القائم على الأسس الفيزيائية، واتخاذ القرار الواعي بالمخاطر.

1. نظرة عامة على خط الإنتاج (Pipeline)

يعالج إطار العمل ملاحظات RGB-D للفراولة المحجوبة جزئيًا من خلال أربع مراحل رئيسية:

1. الإدراك والمعالجة المسبقة: يتم إزالة الضجيج من صور RGB-D وتجزئتها لاستخراج السحب النقطية الجزئية الفردية للفراولة المكتشفة.
2. إكمال الشكل باستخدام MC-Dropout وتقدير اليقين: تقوم شبكة إكمال السحابة النقطية القائمة على المحولات (PointAttN) بإعادة بناء الهندسة المفقودة. ومن خلال الاحتفاظ بطبقات الإسقاط (dropout layers) أثناء الاستدلال، يولد النظام $K$ من عينات الإكمال العشوائية. يعمل التباين عبر هذه العينات كوكيل لليقين المعرفي (epistemic uncertainty).
   • التصفية العالمية: يتم رفض الفراولة التي يتجاوز متوسط تباين نقاطها حدًا معينًا ($\delta_{global}$) فورًا.
3. توليد القبض والتصفية: لكل عينة إكمال متبقية، تقوم شبكة توليد القبض (CGNet) بإنتاج قبضات مرشحة. تخضع هذه المرشحات لعملية تصفية مكونة من ثلاث مراحل:
   • مرشح اليقين المحلي: يزيل المرشحات حيث تحتوي منطقة إغلاق القابض على نقاط ذات اختلاف عالٍ عبر الإكمالات العشوائية.
   • المرشحات الهندسية: تفرض قيودًا خاصة بالمهمة، بما في ذلك اتجاه الاقتراب (الوصول الأمامي)، واتجاه القبض الرأسي، والخلوص بين الفك والجسم لمنع الاصطدامات.
4. القرار الواعي بالمخاطر (LCB): لكل عينة إكمال $k$، يتم دمج مرشحات القبض المتبقية في مساحة واحدة لتدفق العزم (wrench space) لحساب درجة إغلاق القوة $\epsilon_k$.
   • يحسب النظام المتوسط ($\bar{\epsilon}$) والانحراف المعياري ($\sigma_\epsilon$) لهذه الدرجات عبر جميع الإكمالات $K$.
   • يتم حساب الحد الأدنى لثقة التقدير (LCB): $LCB = \bar{\epsilon} - z_\alpha \sigma_\epsilon$.
   • يتغير المعامل $z_\alpha$ خطيًا مع مستوى الحجب المقدر $\alpha$، ليصبح أكثر صرامة مع زيادة الحجب.
   • قاعدة القرار: يحاول النظام القبض على الفراولة فقط إذا كان $LCB > 0$؛ وإلا فإنه يمتنع عن ذلك.

2. المكونات التقنية الرئيسية

• نمذجة اليقين: يقرب إطار العمل اليقين المعرفي باستخدام تباين إسقاط مونت كارلو بدلاً من نمذجة اليقين العرضي (aleatoric uncertainty) بشكل صريح. وهو لا يفصل بين هذين المصدرين.
• مقياس إغلاق القوة (Force-Closure): يتم تقييم جدوى القبض باستخدام مقياس $\epsilon$، المعرف بنصف قطر أكبر كرة متمركزة عند الأصل داخل الغلاف المحدب لمساحة تدفق العزم للقبض.
• الامتناع الانتقائي: تعطي منطق القرار الأساسي الأولوية للموثوقية على المحصول. من خلال الامتناع عن الأهداف ذات الجدوى غير المتسقة عبر الإكمالات المحتملة، يتجنب النظام المحاولات المحفوفة بالمخاطر التي قد تتلف الثمار أو تفشل.

المساهمات الرئيسية

1. إطار عمل لاتخاذ القرار على مستوى الجسم: خط إنتاج مبتكر ينقل اليقين من عمليات إكمال الشكل العشوائية عبر تصفية القبض وتقييم إغلاق القوة لتحديد ما إذا كان سيتم محاولة القبض أو تأجيله.
2. التكامل المتكيف مع المهمة: طريقة تجمع بين التصفية العالمية/المحلية لليقين، والقيود الهندسية الخاصة بالفراولة، ودرجة الجدوى بأسلوب LCB باستخدام نماذج إكمال السحابة النقطية وتوليد القبض الموجودة دون إعادة تدريبها.
3. التقييم المنضبط: تقييم شامل في كل من المحاكاة وعلى روبوت حقيقي تحت مستويات متزايدة من حجب الأوراق الاصطناعي والحقيقي، بما في ذلك دراسات الاستئصال (ablation studies) حول إكمال الشكل، والتصفية الهندسية، والتصفية الواعية باليقين، والامتناع على مستوى الجسم.

النتائج التجريبية

تم تقييم إطار العمل على ذراع روبوتية من نوع Unit ही Tree Z1 مع كاميرا Intel RealSense D435i، باستخدام فراولة بلاستيكية عالية الدقة لضمان السلامة والتكرار. غطت التجارب مستويات حجب من 0% إلى حوالي 87.45%.

• أداء المحاكاة: عند أعلى مستوى حجب محاكى (87.45%)، حسن UNCLE-Grasp معدل النجاح بالنسبة للمحاولات من 0.780 (أقوى خط أساس: CGNet+Geom Completed) إلى 0.870. وبينما كان معدل المحاولة أقل قليلاً (0.860 مقابل 0.880)، إلا أن معدل النجاح الإجمالي (النجاح مقابل إجمالي الفراولة) ارتفع من 0.680 إلى 0.740.
• أداء الروبوت الحقيقي: تحت حجب اصطناعي بنسبة 87% تقريبًا، حقق UNCLE-Grasp معدل نجاح بالنسبة للمحاولات قدره 0.800، متفوقًا بشكل كبير على أقوى خط أساس (0.483). ومع ذلك، جاء ذلك مع معدل محاولة أقل، مما يعكس التحفظ الواعي بالمخاطر للنظام.
• حجب الأوراق الحقيقية: تحت حجب الأوراق الحقيقية (~70%)، حسن UNCLE-Grasp نجاح القبض من 0.367 (الخط الأساسي) إلى 0.517.
• دراسات الاستئصال: أكدت النتائج أن إكمال الشكل يوفر أكبر المكاسب تحت الحجب الشديد، وأن توليد القبض المتعلم (CGNet) يتفوق على وضع المركز، وأن التصفية الهندسية تزيل المرشحات غير الممكنة فيزيائيًا. ومع ذلك، فإن خط إنتاج UNCLE-Grasp الكامل فقط، الذي يدمكن اختيار اليقين، هو الذي حقق باستمرار أعلى معدلات نجاح مشروطة.

الأهمية والادعاءات

يزعم البحث أن الفائدة الرئيسية لـ UNCLE-Grasp هي التنفيذ الأكثر موثوقية ووعيًا بالمخاطر من خلال الامتناع الانتقائي. وتوضح النتائج وجود مقايضة بين موثوقية القبض والمحصول: فمن خلال تأجيل الأهداف غير المؤكدة، يقلل النظام بشكل كبير من معدل القبض الفاشل أو المسبب للتلف، حتى لو قلل ذلك من إجمالي المحاولات.

يؤكد المؤلفون أن هذا العمل يسلط الض الضوء على مبدأ أوسع للأتمتة الواعية بالمخاطر: عندما يكون الإدراك غامضًا، يمكن أن يكون الامتناع الانتقائي أكثر رغبة من العمل الدائم. وتؤكد الدراسة أن اليقين يكون أكثر فائدة عندما يرتبط بقرار صريح في مرحلة لاحقة (محاولة مقابل امتناع) بدلاً من مجرد كونه درجة إدراكية.

يقر البحث بالقيود، مشيرًا إلى أن خط الإنتاج الحالي هو نموذج بحثي بتكاليف حوسبة عالية (حوالي 57.53 ثانية لكل حبة فراولة في النسخة المحسنة) ولا يعالج الكشوفات المفقودة أو التخطيط للوصول الواعي بالاصطدام. كما يذكر صراحة أن النظام لا يضمن نجاح أي قبضة معينة ولكنه يشير بثقة عالية إلى وجود قبضة واحدة قابلة للتنفيذ على الأقل رغم عدم اليقين الهندسي. لا يدعي المؤلفون جاهزية النظام للنشر التجاري في الوقت الفعلي، بل يستعرضون جدوى التنفيذ الانتقائي الواعي باليقين في الروبوتات الزراعية.