Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation
تقترح هذه الورقة مرشح كالمان المعزز عصبياً القائم على الانتباه (AttenNKF) الذي يعزز تقدير حالة الروبوتات ذات الأرجل من خلال تدريب معوض عصبي في فضاء كامن للكشف عن الانحيازات الناجمة عن الانزلاق وتصحيحها، مما يجعله يتفوق على المقدرات الحالية في الظروف المعرضة للانزلاق.
تخيل روبوتًا بأربع أرجل يحاول السير عبر حديقة خلفية فوضوية مليئة بالحصى السائب، والجليد المنزلق، والسلالم شديدة الانحدار. لكي يمشي دون أن يسقط، يحتاج الروبوت إلى معرفة مكان جسمه بدقة، ومدى سرعة حركته، وأي من أقدامه تلامس الأرض بالفعل.
المشكلة هي أن "عيون" الروبوت (مستشعراته الداخلية) يمكن أن ترتبك. فعندما تنزلق قدمه على بقعة من الجليد أو تغوص في طين ناعم، يظن "عقل" الروبوت (نظام الملاحة القائم على الرياضيات) أن القدم ثابتة بإحكام. ولكن لأن القدم تنزلق في الواقع، يبدأ مخطط الروبوت الداخلي في الانحراف، تمامًا مثل نظام GPS يعتقد أنك لا تزال على الطريق بينما قد انحرفت بالفعل إلى خندق.
تقدم هذه الورقة البحثية "ترقية للعقل" لهذه الروبوتات تسمى AttenNKF. وإليك كيف تعمل، باستخدام تشبيهات بسيطة:
1. الطريقة القديمة: الحاسبة "العمياء"
تستخدم عقول الروبوتات التقليدية صيغة رياضية (تسمى مرشح كالمان - Kalman Filter) لتخمين موقعها. وهي تفترض: "إذا كانت قدمي على الأرض، فهي لا تتحرك".
العيب: عندما تنزلق القدم، تنهار هذه الفرضية. يستمر الروبوت في الحساب كما لو كانت القدم ثابتة، مما يؤدي إلى تراكم الخطأ مثل كرات الثلج التي تتدحرج من فوق تلة.
الحل القديم: حاولت الطرق السابقة تجاهل القدم المنزلقة تمامًا أو مجرد إضافة قدر قليل من "الضجيج" إلى الرياضيات على أمل تحقيق أفضل نتيجة. الأمر يشبه محاولة قيادة سيارة عن طريق إغلاق عينيك كلما اصطدمت بحفرة.
2. الطة الجديدة: المساعد "المدرك للانزلاق"
ابتكر المؤلفون نظامًا جديدًا يعمل مثل مساعد طيار ذكي. فبدلاً من مجرد تجاهل الانزلاق، يقوم هذا المساعد بمراقبة الانزلاق بنشاط وتصحيح رياضيات الروبوت في الوقت الفعلي.
إليك العملية خطوة بخطوة:
الخطوة 1: كاشف الانزلاق (الميزان الحراري) أولاً، يقيس النظام مدى سوء انزلاق الأقدام. هو لا يكتفي بالقول "انزلاق: نعم/لا"، بل يعطي درجة مستمرة من 0 (ثبات مثالي) إلى 1 (انزلاق كامل)، تمامًا مثل الميزان الحراري الذي يقيس مدى حرارة الوضع.
الخطوة 2: آلية "الانتباه" (تسليط الضوء) هذا هو الابتكار الجوهى. يستخدم النظام شبكة عصبية ذات آلية انتباه (Attention Mechanism).
التشبيه: تخيل أنك تحاول إصلاح ساعة مكسورة. إذا كانت الساعة تسير ببطء، فأنت تنظر إلى التروس؛ وإذا كانت تسير بسرعة، فأنت تنظر إلى الزنبركات. أنت لا تنظر إلى كل شيء بنفس الطريقة.
في الروبوت: يعمل "درجة الانزلاق" كـ تسليط ضوء. فهو يخبر الكمبيوتر: "مهلًا، القدم تنزلق بهذا القدر، لذا ركز اهتمامك بشكل إضافي على هذه الأجزاء المحددة من تاريخ الروبوت وتجاهل الباقي". إنه يغير تركيزه ديناميكيًا بناءً على مدى سوء الانزلاق.
الخطوة 3: التصحيح (الملاحظة اللاصقة) يقوم المحرك الرياضي الرئيسي (InEKF) بعمل أفضل تخمين أولاً. ثم ينظر "مساعد الطيار الذكي" (المعوض العصبي - Neural Compensator) إلى ذلك التخمين ودرجة الانزلاق. يقوم بحساب مقدار الخطأ في موقع الروبوت بالضبط ويضيف "ملاحظة تصحيحية" إلى النتيجة النهائية.
تفصيل هام: مساعد الطيار لا يعيد كتابة المحرك الرياضي الداخلي للروبوت؛ بل يقوم فقط بتصحيح الإجابة النهائية قبل أن يستخدمها الروبوت للمشي. هذا يحافظ على سرعة واستقرار النظام.
3. كيف اختبروا ذلك؟
اختبر الباحثون هذا النظام على روبوت حقيقي (روبوت يشبه الكلب من نوع Unitree Go1) في ثلاث بيئات صعبة:
الحصى: صخور سائبة تجعل الأقدام تنزلق.
ورقة تيفلون: سطح شديد الانزلاق كأنه جليد.
السلالم: حيث تهبط الأقدام في أماكن غير متوقعة.
كما اختبروه في الهواء الطلق على مسار بطول 100 متر عبر حقل عشبي.
4. النتائج
على الأرض المنزلقة: ارتبكت الطرق القديمة كثيرًا وانحرف موقع الروبوت المقدر بعيدًا عن الواقع. أما نظام AttenNKF الجديد فقد ظل دقيقًا، حيث قلل أخطاء الموقع بنسبة تصل إلى 93% مقارنة بأفضل الطرق السابقة على الحصى.
على السلالم: تعامل مع تغير مواضع الأقدام بشكل أفضل بكثير من غيره.
في الهواء الطلق: خلال مشية طويلة لمسافة 100 متر، حافظ النظام الجديد على استقرار الموقع الرأسي للروبوت (للأعلى وللأسفل)، بينما انحرفت الأنظمة القديمة ما يصل إلى 10 أمتار عن المسار.
الخلاصة
اعتبر هذه الورقة البحثية بمثابة تعليم الروبوت كيفية الاعتراف عند انزلاقه وتعديل مخططه الذهني فورًا بناءً على مدى سوء ذلك الانزلاق بالضبط. من خلال استخدام نظام "انتباه" يركز على البيانات الصحيحة في الوقت المناسب، يمكن للروبوت المشي بثقة فوق الجليد والحصى والسلالم دون أن يفقد طريقه.
ملخص تقني: مرشح كالمان المعزز عصبياً القائم على الانتباه لتقدير حالة الروبوتات ذات الأرجل
بيان المشكلة تتطلب الروبوتات ذات الأرجل تقديراً دقيقاً للحالة في الوقت الفعلي (الوضعية، السرعة، حالة التلامس) لتحقيق حركة رشيقة عبر تضاريس متنوعة. وبينما تُعد المستشعرات الخاصة (وحدة القياس بالقصور الذاتي IMU، وأجهزة تشفير المفاصل) قوية تجاه الظروف الجوية القاسية مقارنة بالمستشعرات الخارجية (الليدار، الكاميرات)، إلا أنها تعاني من أخطاء تقدير كبيرة عند حدوث انزلاق القدم. تعتمد المقدرات القياسية القائمة على الكينماتيكا، مثل مرشح كالمان الموسع الثابت (InEKF)، على افتراض عدم الانزلاق حيث يتم نمذجة نقاط التلامس كنقاط ثابتة شبه استاتيكية. عندما يحدث الانزلاق، يتم انتهاك هذا الافتراض، مما يؤدي إلى حقن انحياز (bias) في خطوة تحديث الحالة. تفشل الطرق الحالية التي تعالج الانزلاق بشكل غير مباشر عبر تضخيم تغاير القياس، أو استبعاد التحديثات، أو معاملة الانزلاق كضجيج عملية، في معالجة الانزلاق صراحةً وتعويض الانحياز الناتج عنه مباشرة، مما يؤدي إلى تراكم الانحراف (drift)، لا سيما في الاتجاه الرأسي (z). علاوة على ذلك، فإن الطرق العصبية السابقة التي تعزز المرشحات غالباً ما تدمج إشارات متباينة (الانزلاق، الحالة، القياسات) دون نمذجة الانزلاق صراحةً كـ "سياق شرطي"، مما ينتقل بمقدرات يصعب تفسيرها وضبطها عبر أنظمة الانزلاق المتغيرة.
المنهجية يقترح المؤلفون مرشح كالمان المعزز عصبياً القائم على الانتباه (AttenNKF)، وهو مقدر هجين يعزز مرشح InEKF القياسي بمقدر عصبي مصمم خصيصاً لمعالجة الأخطاء الناتجة عن الانزلاق.
تعريف مستمر لمستوى انزلاق القدم: تحدد الطريقة مؤشراً مستمراً لشدة انزلاق القدم (lvi) لكل قدم بناءً على مقدار سرعة القدم المستندة إلى الكينماتيكا في إطار العالم أثناء مرحلة الارتكاز. يتم رسم هذه القيمة عبر دالة (sigmoid) لإنتاج درجة مستمرة في النطاق [0,1]. يعمل مستوى الانزلاق هذا كمتغير سياقي بدلاً من كونه قياساً مباشراً، مما يعكس انتهاك افتراض السرعة الصفرية عند التلامس.
بنية المقدر العصبي (AttenNC): على عكس الأعمال السابقة التي تعامل الانزلاق كميزة إدخال بسيطة، يعامل AttenNKF الانزلاق كـ سياق يعدل كيفية استخدام تاريخ InEKF للتعويض.
الترميز الكامن (Latent Encoding): يتم ترميز تاريخ اللاحقة (posterior history) لمرشح InEKF (الحالة والتصحيحات الداخلية) وتاريخ الانزلاق بشكل منفصل باستخدام وحدات (GRUs) إلى تمثيلات كامنة.
آلية الانتباه المتقاطع (Cross-Attention Mechanism): الابتكار الجوهري هو وحدة الانتباه المتقاطع حيث يعمل التمثيل الكامن للانزلاق كاستعلام (Query)، ويعمل التمثيل الكامن لـ InEKF كمفتاح (Key) وقيمة (Value). يسمح هذا للشبكة بإعادة وزن ميزات تاريخ InEKF ديناميكياً بناءً على نظام الانزلاق الحالي. فعلى سبيل المثال، في حالات الانزلاق العالي، يمكن لآلية الانتباه التركيز انتقائياً أو كبح عناصر محددة من تاريخ InEKF لتوليد تعويض أكثر ملاءمة.
استراتيجية التدريب: يتم تدريب المقدر في خطوتين:
الخطوة 1: يتم تدريب مشفر تلقائي (autoencoder) قائم على GRU لترجمة المدخلات إلى فضاء كامن، مما يقلل الحساسية لمقاييس المدخلات الخام.
الخطوة 2: يتم تدريب آلية الانتباه في الفضاء الكامن باستخدام إطار عمل "المعلم والطالب" (teacher-student). يقوم "مشفر الخطأ" (المعلم) بتوليد متجه كامن مستهدف من الأخطاء الحقيقية، بينما يقوم "مشفر InEKF والانزلاق" (الطالب) بتوليد التعويض الكامن عبر الانتباه المتقاطع. يتم الإشراف على الطالب ليتطابق مع التمثيل الكامن للمعلم ومع خطأ الحالة النهائي.
التكامل مع InEKF: يعمل AttenNKF كخطوة معالجة لاحقة. يقوم InEKF بخطوات التنبؤ والتحديث القياسية على زمرة Lie SEN+2(3). ثم يأخذ المقدر العصبي اللاحقة (posterior) لـ InEKF وسياق الانزلاق للتنبؤ بـ "بواقي التعويض" (eˉt). يتم تطبيق هذا الباقي على التوجه (عبر الخريطة الأسية على SO(3)) وعلى السرعة/الموقع (عبر التصحيح الجمعي) لإنتاج الحالة المقدرة النهائية. لا يقوم المقدر بتعديل مصفوفة تغاير (covariance) InEKF أو التغذية الراجعة في تكرار المرشح.
المساهمات الرئيسية
التعويض المشروط بالانزلاق: يحدد البحث مستوى انزلاق القدم المستمر ويظهر ارتباطاً إيجابياً متوسطاً إلى قوي بين شدة الانزلاق وخطأ تقدير الحالة، مما يبرر استخدام الانزلاق كمتغير سياقي صريح.
بنية قائمة على الانتباه: يقترح المؤلفون مقدراً عصبياً يستخدم الانتباه المتقاطع لمعاملة الانزلاق كسياق معدل وليس كميزة مدمجة. يتيح هذا للمقدر تعلم بنى تعتمد على نظام الانزلاق لتقليل الخطأ.
تقييم شامل: تم تقييم الطريقة على روبوت Unitree Go1 عبر تضاريس داخلية متنوعة (أرض مسطحة، حصى، تيفلون منخفض الاحتكاك، سلالم) وتضاريس خارجية (مسار بطول ~100 متر على عشب رخو).
النتائج التجريبية تتم مقارنة AttenNKF بثلاثة نماذج مرجعية: رفض الانزلاق (SR)، التعلم بالاتصال (LC)، و InNKF (مرشح InEKF المعزز عصبياً).
الأداء الداخلي: في التضاريس منخفضة الانزلاق، تؤدي جميع الطرق أداءً متشابهاً. ومع ذلك، في التضاربات عالية الانزلاق (الحصى والتيفلون)، يتفوق AttenNKF بشكل كبير على النماذج المرجعية. تحديداً، في الحصى، قلل AttenNKF الخطأ النسبي للموقع (REpos) بنسبة 93.1% مقارنة بأقوى نموذج مرجعي. وعلى شريحة التيفلون، قلل REpos بنسبة 48.6%.
الأداء الخارجي: في مسار خارجي بطول ~100 متر فوق عشب ناعم، قلل AttenNKF الخطأ النسبي للموقع بنسبة تتراوح بين 55-73% مقارنة بـ SR و LC و InNKF. وبينما تراكمت لدى الطرق الأخرى انحرافات رأسية تصل إلى 10 أمتار، حافظ AttenNKF على الانحراف ضمن نطاق ±2–3 أمتار.
دراسات الاستئصال (Ablation Studies):
أدى إزالة آلية الانتباه المتقاطع (استبدالها بالدمج/concatenation) إلى زيادة كبيرة في أخطاء الموقع، مما يؤكد فائدة إعادة الوزن المشروط بالانزلاق.
استخدام الانتباه الذاتي بدون شرط الانزلاق أدى أيضاً إلى تدهور الأداء، مما يسلط الضوء على ضرية سياق الانزلاق الصريح.
حققت خطة التدريب المكونة من مرحلتين (التدريب المسبق للمشفر التلقائي متبوعاً بتدريب الانتباه) نتائج متفوقة مقارنة بالتدريب المتكامل (end-to-end).
أثبت استخدام ترميز الانزماط الضمني المقترح (المتعلم من السرعة الخام) متانة أكبر في التضاريس خارج نطاق التوزيع (out-of-distribution) مقارلة باستخدام السرعة الخام للقدم أو مستويات الانزلاق المصنوعة يدوياً.
الأهمية والادعاءات يدعي البحث أن AttenNKF يقدم حلاً قوياً لتقدير حالة الروبوتات ذات الأرجل في البيئات المعرضة للانزلاق من خلال نمذجة العلاقة بين شدة الانزلاق وخطأ التقدير صراحةً. من خلال استخدام آلية الانتباه لربط المقدر العصبي بسياق الانزلاق، يحقق الأسلوب تحسينات متسقة في الخطأ النسبي عبر مختلف التضاريس دون الحاجة إلى مستشعرات خارجية. يشير المؤلفون إلى أن النظام يعمل بتردد 580 هرتز، مما يؤكد ملاءمته للتحكم في الوقت الفعلي. يشير العمل إلى أن معاملة الانزلاق كمتغير سياقي بدلاً من ميزة تسمح بتفسير أكثر فعالية، خاصة في السيناريوهات التي تفشل فيها ضبط التغاير التقليدي أو رفض القيم المتطرفة في تصحيح الانحياز. ويقترح العمل مستقبلاً تطبيق هذه الحالات على التحكم الذاتي، وتوسيع الإطار ليشمل منصات روبوتية أخرى (جوية، عجلية)، واستكشاف تقدير التغاير وصيغ الربط الوثيق.