💻 computer science

TriPilot-FF: Coordinated Whole-Body Teleoperation with Force Feedback

يُعد TriPilot-FF نظاماً مفتوح المصدر للتحكم عن بُعد بكامل الجسم للمناولات المتنقلة ثنائية اليد، والذي يستخدم دواسة يتم تشغيلها بالقدم مع تقنيات لمسية مدفوعة بالليدار (lidar) للتحكم في القاعدة لتجنب الاصطدام، إلى جانب التغذية الراجعة للقوة من جانب الذراع وتوجيه القدرة على المناورة لتعزيز التنسيق بين المشغل وأداء المهام.

المؤلفون الأصليون: Zihao Li, Yanan Zhou, Ranpeng Qiu, Hangyu Wu, Guoqiang Ren, Weiming Zhi

نُشر 2026-02-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zihao Li, Yanan Zhou, Ranpeng Qiu, Hangyu Wu, Guoqiang Ren, Weiming Zhi

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 قيادة روبوت بناء ضخم، ذي ذراعين، عبر ممر ضيق ومزدحم، بينما تحاول في الوقت ذاته التقاط بيضة رقيقة بكلتا يديك.

إذا استخدمت عصا تحكم (Joystick) قياسية، فستقوم إبهاميك بكل العمل الشاق. أنت تحاول توجيه القاعدة الثقيلة، وتجنب الاصطدام بالجدران، وتحريك أصابعك بدقة—كل ذلك في آن واحد. الأمر يشبه محاولة لعب لعبة فيديو عالية المخاطر حيث تشعر بالإرهاق في يديك، وتصطدم بالأشياء باستمرار لأنك لا تستطيع "الشعور" بالبيئة المحيطة.

قرر الباحثون وراء TriPilot-FF حل هذه المشكلة من خلال منح الروبوت واجهة "كاملة الجسم" تعمل بشكل يشبه جسم الإنسان.

الفكرة الجوهرية: "التحكم ثلاثي النقاط"

بدلاً من حشر جميع عناصر التحكم في يديك، قاموا بتوزيع العمل على أطرافك، تماماً كما تقود سيارة أو تركب دراجة:

القدمان (عجلة القيادة): ابتكروا دواسة قدم خاصة للتحكم في عجلات الروبوت. فبدلاً من استخدام يديك للتوجيه، تستخدم قدميك. لكنها ليست مجرد دواسة عادية؛ فهي تحتوي على "تغذية راجعة لمسية" (Haptic Feedback).
- التشبيه: تخيل أنك تقود سيارة، ومع اقترابك من الرصيف، تصبح عجلة القيادة فجأة ثقيلة جداً ويصعب لفها في ذلك الاتجاه. أنت لا تصطدم بالرصيف لأن السيارة "دفعت للخلف" ضدك. هذا بالضبط ما تفعله الدواسة باستخدام الليزر (Lidar) لاستشعار العوائق؛ فهي تقاوم قدمك جسدياً إذا حاولت القيادة نحو جدار.
اليدان (أدوات الدقة): تستخدم يداك أذرعاً بنظام "القائد والتابع" (Leader-Follower). عندما تحرك يديك، تحاكي أذرع الروبوت حركتك بدقة تامة.
- التشبيه: الأمر يشبه ارتداء زوج من القفازات عالية التقنية التي توفر "تغذية راجعة للقوة". إذا لمست يد الروبوت طاولة، ستشعر بهذا المقاومة في يديك فعلياً. هذا يمنع الروبوت من سحق الأشياء بالخطأ أو الضغط بقوة زائدة.
"المساعد الطيار" (الدليل الحدسي): يعمل النظام كالملاح الذكي. إذا كانت أذرع الروبوت تمتد بعيداً جداً (مثلما تمد ذراعيك لالتقاط شيء من رف عالٍ)، فستعطيك دواسة القدم "دفعة" بسيطة أو اهتزازاً، لتخبرك: "مهلاً، حرك القاعدة لتكون أقرب حتى لا تجهد نفسك!"

لماذا يهم هذا مجال الذكاء الاصطناعي؟

لم يكن هدف الباحثين هو جعل الأمر أسهل للبشر فحسب، بل أرادوا جعله أفضل لـ "تعلم الروبوتات" (Robot Learning).

حالياً، نحن نعلم الروبوتات من خلال جعل البشر "يظهرون" لها ما يجب القيام به (التعلم بالتقليد). إذا كان الإنسان غير متزن أو يصطدم بالأشياء، فسيتعلم الروبوت أن يكون غير متزن أيضاً. ومن خلال استخدام نظام "TriPilot" هذا، يقدم الإنسان نماذج توضيحية أكثر "نقاءً".

لقد علموا حتى "عقل" الروبوت (ذكاء اصطناعي يسمى ACT) أن ينتبه إلى القوة والضغط المحسوس أثناء المهمة.

التشبيه: إنه الفرق بين تعليم طفل كيفية التقاط كوب من خلال عرض فيديو له (بصري فقط) وبين الإمساك بيده فعلياً وتركه يشعر بالوزن والملمس (بصري + لمسي). الطريقة الثانية تجعلهم أفضل بكثير في ذلك.

النتيجة

في اختباراتهم، استطاع الروبوت القيام بما يلي:

حمل أشياء ضخمة عبر أبواب ضيقة دون الاصطدام.
تنفيذ عمليات "تسليم واستلام" معقدة (تمرير جسم من يد إلى أخرى).
التنقل في مطبخ كامل، وفتح الثلاجات ونقل العناصر من مكان لآخر.

باخت مختص، يحول TriPilot-FF عملية التحكم عن بُعد في الروبوت من صراع "بيد واحدة" مرهق إلى رقصة متناغمة بكامل الجسم.

ملخص تقني: TriPilot-FF: التحكم عن بُعد للجسم بالكامل بالتنسيق مع التغذية الراجعة للقوة

1. بيان المشكلة

توفر الروبوتات المتنقلة ذات الأذرع (الروبوتات التي تحمل أذرعاً مثبتة على قواعد متحركة) نطاقات تشغيل واسعة، لكنها تفرض تحدياً كبيراً في التحكم وهو: التنسيق بين كامل أعضاء الجسم. يتعين على المشغلين إدارة الملاحة بالقاعدة، وتجنب الاصطدفت، والتحكم المعقد باليدين في آن واحد.

تعتمد واجهات التحكم عن بُعد الحالية بشكل أساسي على "مركزية اليد" (باستخدام وحدات تحكم الواقع الافتراضي أو عصا التحكم)، مما يثقل كاهل يدي المشغل ويترك القدمين —وهما قناة تحكم قوية ومنخفضة زمن الاستجابة— غير مستغلة. علاوة على ذلك، فإن الاعتماد فقط على التغذية الراجعة البصرية (الكاميرات) يجبر المشغلين على المحاكاة الذهنية للقيود الفيزيائية مثل القدرة على الوصول، وقوى التلامس، وقرب العوائق، مما يؤدي إلى عبء معرفي مرتفع وفشل متكرر في المهام.

2. المنهجية

يقترح المؤلفون نظام TriPilot-FF، وهو نظام مفتوح المصدر للتحكم عن بُعد للجسم بالكامل، صُمم ليكون بمثابة "مساعد طيار" للمشغل البشري من خلال التوجيه اللمسي والبصري متعدد الوسائط. تنقسم بنية النظام إلى ثلاثة مكونات رئيسية:

التصميم العتادي (Hardware):
- دواسة يتم تشغيلها بالقدم: دواسة منخفضة التكلفة بـ 3 درجات حرية (x, y, yaw) تتحكم في القاعدة المتحركة. تستخدم آلية ربط دوارة للسماح بالتفاعل ثنائي الاتجاه (استشعار الحركة وتوليد المقاومة).
- أذرع القائد والتابع ثنائية اليد: إعدادات أذرع متماثلة حيث يتم ربط حركات المشغل بأذرع الروبوت.
البرمجيات والتوجيه اللمسي (المساعد الطيار):
- لمس الدواسة المدفوع بالليدار (Lidar): يستخدم النظام جهاز ليدار مثبت على القاعدة للكشف عن العوائق. يقوم النظام بحساب مجال جهد تنافري بناءً على القرب؛ فإذا أمر المشغل بالتحرك نحو عائق، تقوم الدواسة بتوليد قوة مقاومة، مما يحيز المستخدم فيزيائياً نحو السلوك المتجنب للاصطدام.
- انعكاس القوة من جانب الذراع: لتحسين الوعي بالتلامس، يقوم النظام بتقدير عزم دوران التفاعل عند مفاصل الروبوت ويعكسها إلى أذرع القائد (باستخدام تعويض الجاذبية)، مما يسمح للمشغل بـ "الشعور" بالتلامس.
- توجيه القدرة على المناورة: لمنع الأذرع من الوصول إلى الحدود الكينماتيكية (نقاط التفرد)، يحسب النظام "مجال القدرة على المناورة". ويوفر إشارات لمسية عبر الدواسة لاقتراح إعادة تموضع القاعدة، كما يعرض مؤشرات البراعة بصرياً على بث الكاميرا.
تعلم السياسة (التعلم بالتقليد):
- يوسع المؤلفون سياسة "التقطيع الإجرائي باستخدام المحولات" (Action Chunking with Transformers - ACT). وخلافاً لسياسة ACT القياسية، التي تستخدم فقط البيانات البصرية وحالة المفاصل، يدمج TriPilot-FF إشارات عزم دوران المفاصل في مساحة الملاحظة. وهذا يسمح للسياسة المتعلمة بالتقاط تفاصيل التلامس وتوزيع الأحمال التي يتم استعراضها أثناء التحكم عن بُعد.

3. المساهمات الرئيسية

نظام TriPilot-FF: إطار عمل كامل ومفتوح المصدر للتحكم عن بُعد للجسم بالكامل، يربط التحكم في القاعدة عبر القدم مع التحكم في الأذرع الثنائية.
تغذية راجعة متعددة الوسائط: دمج مقاومة الدواسة المدفوعة بالليدار، وانعكاس القوة من جانب الذراع، والتوجيه القائم على القدرة على المناورة.
التعلم المعزز بعزم الدوران: نهج مبتكر لتدريب سياسات التعلم بالتقليد عن طريق حقن معلومات لمسية/عزم دوران مهيكلة في بنية المحولات.
الإصدار مفتوح المصدر: توفير تصميم الدواسة، والحزمة البرمجية، ومجموعات البيانات.

4. النتائج

تم تقييم النظام من خلال عدة اختبارات معيارية صارمة:

التنسيق في المساحات الضيقة: في مهام "الحمل الأعمى" (BlindCarry) (حمل جسم يحجب الكاميرا)، أدت إضافة التغذية الراجعة للدواسة إلى رفع معدلات النجاح من 55% إلى 100% ومنعت الاصطدامات تماماً.
القدرة على الوصول: في مهام "الوصال الموجه" (GuidedReach)، قلل التوجيه القائم على القدرة على المناورة من وقت الإنجاز والوقت المستغرق في التكوينات "الهشة كينماتيكياً" (منخفضة البراعة).
استقرار التلامس: في مهام "المسح المتحرك" (MobileSwipe) (الحفاظ على التلامس مع سطح أثناء الحركة)، أدى انعكاس القوة إلى تقليل تذبذبات عزم الدوران ( $\sigma_{tor}$ ) واستهلاك الطاقة بشكل كبير، مما أدى إلى تنظيم أكثر سلاسة للتلامس.
أداء التعلم بالتقليد:
- في المحاكاة (MuJoCo): أدت إضافة عزم الدوران إلى سياسة ACT إلى زيادة معدلات النجاح في مهمة "نقل المكعب" (CubeTransfer) من 22% إلى 50%.
- في الواقع: بالنسبة لمهمة "تعبئة السلة" (BasketPack)، حقق نهج "ACT + Torque + Co-training" نسبة نجاح بلغت 60%، متفوقاً بشكل كبير على ACT القياسي (12%). كما أظهرت السياسة متانة في سيناريوهات خارج نطاق التوزيع (OOD).

5. الأهمية

ينقل TriPilot-FF نموذج التحكم عن بُعد من مجرد "إدخال إلى فعل" إلى شراكة تفاعلية متجسدة. من خلال استعادة استخدام القدمين للتحكم في القاعدة واستخدام اللمس لإيصال القيود البيئية، يقلل النظام من العبء المعرفي على البشر. والأهم من ذلك، أنه يثبت أن واجهات التحكم عن بُعد الأفضل تؤدي إلى تعلم روبوتي أفضل؛ فمن خلال توفير عروض توضيحية عالية الجودة وواعية بالقوة، تصبح السياسات المستقلة الناتجة أكثر متانة وكفاءة وقدرة على التعامل مع المهام المعقدة الغنية بالتلامس.