💻 computer science

Whole-Body Safe Control of Robotic Systems with Koopman Neural Dynamics

تقدم هذه الورقة إطار عمل قائم على البيانات يجمع بين نظرية مؤثر كوبمان وخوارزمية المجموعة الآمنة لتمكين التحكم الآمن في كامل الجسم في الوقت الفعلي للأنظمة الروبوتية غير الخطية، وذلك عبر صياغة قيود التتبع والسلامة ضمن برنامج تربيعي واحد.

المؤلفون الأصليون: Sebin Jung, Abulikemu Abuduweili, Jiaxing Li, Changliu Liu

نُشر 2026-03-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sebin Jung, Abulikemu Abuduweili, Jiaxing Li, Changliu Liu

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 تقوم بتعليم ذراع آلي موهوب جدًا، ولكنه أخرق قليلاً، كيف يرقص. يحتاج الروبوت إلى اتباع مسار محدد (حركات الرقص) مع تجنب حشد من الناس (العوائق) في الغرفة.

المشكلة هي أن جسم الروبوت معقد؛ مفاصله تلتوي، ومحركاته لها حدود، وإذا تحرك بسرعة كبيرة، فقد يصطدم. محاولة حساب حركة رقص مثالية وآمنة في الوقت الفعلي تشبه محاولة حل لغز مكون من مليون قطعة أثناء الجري في ماراثون. هذا الأمر بطيء وصعب للغاية.

تقدم هذه الورقة البحثية حيلة ذكية لحل هذه المشكلة. إليك كيف فعلوا ذلك، مقسمة إلى مفاهيم بسيطة:

١. "المترجم السحري" (مؤثر كوبمان - Koopman Operator)

تخيل حركة الروبوت في العالم الحقيقي كعاصفة فوضوية ودوامة. إنها غير خطية وفوضوية. إذا حاولت التنبؤ بمكان وجود الروبوت في الثانية التالية باستخدام الفيزياء الحقيقية، فستصبح الرياضيات معقدة للغاية.

يستخدم المؤلفون "مترجمًا سحريًا" (يسمى مؤثر كوبمان). تخيل أن هذا المترجم يأخذ العاصفة الفوضوية ويعرضها على ورقة مسطحة وهادئة. على هذه الورقة، تبدو العاصفة الدوامية كخط مستقيم.

لماذا يساعد هذا: من الأسهل بكثير رسم خط مستقيم والتنبؤ بمساره بدلاً من التنبؤ بعاصفة دوامة. يتعلم الروبوت "التحدث" بلغة جديدة وأبسط (تسمى الفضاء المرفوع - lifted space) حيث تكون قواعد الحركة بسيطة وخطية.

٢. "متجر السلامة الشامل" (التحكم التنبئي بالنماذج الموحد - Unified MPC)

عادةً، عندما تتحكم في روبوت، يكون لديك خطوتان منفصلتان:
١. السائق: يخبر الروبوت إلى أين يذهب.
٢. حارس السلامة: مرشح (فلتر) منفصل يصرخ "توقف!" إذا كان السائق على وشك الاصطدام، وغالبًا ما يتجاوز أوامر السائق. يمكن أن يجعل هذا الروبوت مهتزًا أو عالقًا.

قام المؤلفون بدمج السائق وحارس السلامة في شخص واحد. لقد بنوا برنامجًا تربيعيًا (QP) واحدًا.

التشبيه: تخيل نظام GPS لا يخبرك بالطريق الأسرع فحسب، بل يعرف أيضًا حدود السرعة وإغلاقات الطرق. إنه يحسب المسار المثالي الذي يكون سريعًا وآمنًا في عملية حسابية واحدة. لا يوجد "مرشح سلامة" طبقة فوق الطبقة؛ فالسلامة مدمجة مباشرة في الخطة.

٣. "رقيب التدريب العدائي" (الضبط الدقيق العدائي - Adversarial Fine-Tuning)

هذا هو الجزء الصعب: "المترجم السحري" يتم تعلمه من البيانات، لذا فهو ليس مثاليًا. قد توجد به أخطاء صغيرة. إذا اعتمدت على خريطة خاطئة قليلاً، فقد تصطدم رغم ذلك.

لإصلاح ذلك، استخدموا تقنية تسمى الضبط الدقيق العدائي.

التشبيه: تخيل طالبًا (قواعد سلامة الروبوت) يدرس للاختبار. بدلًا من مجرد قراءة الكتاب، لديه "رقيب" (الخصم/المنافس) يحاول خداعه. يجد الرقبيب المواضع الدقيقة التي تكون فيها خريطة الطالب خاطئة ويقول له: "إذا ذهبت إلى هنا، فستصطدم!"
يقوم الطالب بعد ذلك بتعديل قواعده للتعامل مع تلك المواقع الصعبة تحديدًا. يتدربون حتى لا يمكن خداعهم بعد الآن. هذا يضمن أنه حتى لو كانت خريطة الروبوت الداخلية غير مثالية تمامًا، فإن قواعد السلامة ستكون قوية بما يكفي لمنع الاصطدام.

٤. "النقل إلى العالم الحقيقي" (Sim-to-Real)

لقد دربوا هذا النظام في محاكاة كمبيوتر (مثل لعبة فيديو). عادةً، عندما تنقل روبوتًا من لعبة إلى العالم الحقيقي، فإنه يفشل لأن الحياة الواقعية تحتوي على احتكاك، ومفاصل متذبذبة، وتأخيرات لم تكن موجودة في اللعبة.

وجد المؤلفون طريقة لـ "تعديل" دماغ الروبوت بما يكفي ليتناسب مع الواقع دون إعادة تعلم كل شيء.

التشبيه: إنه مثل طيار تدرب في جهاز محاكاة الطيران. عندما يدخل طائرة حقيقية، لا يحتاج إلى إعادة تعلم كيفية الطيران؛ بل يقوم فقط بتعديل حساسيته للرياح أو لتأخر المحرك الطفيف. لقد أبقوا "المترجم السحري" (الشبكة العصبية) كما هو، لكنهم قاموا بضبط دقيق لـ "عجلة القيادة" (المصفوفات الخطية) لتناسب الأجهزة الحقيقية.

النتائج

اختبروا هذا النظام على ذراع روبوت حقيقي (Kinova Gen3) وكلب روبوت (Unitree Go2).

النتيجة: تحرك الروبوت بسلاسة، واتبع مسارات معقدة، وتجنب العوائق دون اصطدام.
السرعة: نظرًا لأنهم حولوا الفيزياء المعقدة إلى رياضيات خطية بسيطة، استطاع الروبوت حساب تحركاته بشكل أسرع بكثير من الطرق التقليدية. كان الأمر يشبه الانتقال من حل مسألة رياضية يدويًا إلى استخدام الآلة الحاسبة.

الملخص

باختختصار، تعلمت هذه الورقة البحثية الروبوتات كيف:
١. تترجم تحركاتها المعقدة والفوضوية إلى رياضيات بسيطة وخطوط مستقيمة.
٢. تخطط لتحركاتها وفحوصات السلامة الخاصة بها في خطوة واحدة فعالة.
٣. تتدرب ضد "رقيب" لضمان عدم اصطدامها حتى لو كانت خريطتها خاطئة قليلاً.
٤. تتكيف بسرعة من محاكاة الكمبيوتر إلى العالم الحقيقي.

هذا يجعل الروبوتات أكثر أمانًا، وسرعة، وموثوقية عندما تعمل في عالمنا البشري المزدحم وغير المتوقع.

1. بيان المشكلة

يمثل التحكم في الأنظمة الروبوتية ذات اللاخطية القوية، والأبعاد العالية، وقيود السلامة الصارمة تحدياً جوهرياً. يحدد البحث ثلاثة عوائق رئيسية:

اللاخطية والحوسبة: إن دمج الديناميكيات اللاخطية المعقدة (مثل اقتران المفاصل، وتفاعلات التلامس) مباشرة في المتحكمات القائمة على الأمثلة (مثل التحكم التنبئي بالنموذج غير الخطي - NMPC) هو أمر مستعصٍ حوسبياً للتطبيقات في الوقت الفعلي.
الجدوى عند الحدود: غالباً ما تفشل مرشحات السلامة عند حدود المجموعة الآمنة، حيث لا يستطيع المتحكم توليد مدخلات قابلة للتنفيذ لإعادة النظام إلى حالة الأمان، مما يؤدي إلى مشكلات أمثلة غير قابلة للحل.
عدم اليقين في النماذج المتعلمة: عند استخدام النماذج القائمة على البيانات، يمكن أن تنتشر أخطاء التقريب في قيود السلامة، مما قد يجعل إجراء التحكم "الآمن" نظرياً غير آمن عملياً.
السلامة المنفصلة: غالباً ما تعامل الطرق الحالية السلامة كمرشح معالجة لاحقة (مثل دوال حاجز التحكم - CBF المطبقة بعد المتحكم الأساسي)، مما يخلق مقايضات بين الأداء والسلامة، أو تحفظاً مفرطاً، أو حالة من الجمود (deadlock).

2. المنهجية

يقترح المؤلفون إطار عمل موحداً يعتمد على البيانات، يدمج نظرية مؤثر كوبمان (Koopman Operator Theory) مع خوارزميات المجموعات الآمنة (SSA) لحل هذه المشكلات في آن واحد.

أ. خطية كوبمان للديناميكيات اللاخطية

بدلاً من حل الأمثلة اللاخطية مباشرة، يتعلم إطار العمل تضميناً لكوبمان ( $\psi$ ) يقوم برسم خريطة للحالة الديناميكية للنظام اللاخطي $x$ إلى فضاء "مرفوع" (lifted space) ذي أبعاد أعلى $z$ .

الديناميكيات الخطية: في هذا الفضاء المرفوع، يتم تقريب ديناميكيات النظام كنموذج خطي: $z_{k+1} = Az_k + Bu_k$ .
الشبكة العصبية: يتم تمثيل دالة التضمين $\psi$ كشبكة عصبية، يتم تدريبها من البداية إلى النهاية (end-to-end) مع مصفوفات كوبمان ( $A, B$ ) باستخدام خسارة التنبؤ متعدد الخطوات.
التحكم في السرعة: يعمل المتحكم على مستوى التحكم في السرعة، حيث يقوم بلف ديناميكيات عزم الدوران منخفضة المستوى داخل تقريب كوبمان لتبسيط بناء القيود.

ب. صياغة MPC الآمنة الموحدة

الابتكار الجوهري هو دمج السلامة مباشرة في المتحكم الأساسي بدلاً من استخدام مرشح منفصل.

برنامج تربيعي (QP) واحد: يتم دمج هدف التتبع وقيود السلامة في برنامج تربيعي واحد.
القيود الخطية: نظراً لأن الديناميكيات خطية في الفضاء المرفوع، فإن قيد السلامة (المستمد من المشتق الزمني لمؤشر السلامة) يصبح قيداً خطياً على مدخل التحكم $u$ ، مما يجعل المشكلة محدبة وقابلة للحل (convex and tractable).

ج. الضبط الدقيق العدائي لمؤشر السلامة

لمعالجة مشكلة عدم الجدوى الناتجة عن أخطاء تقريب النموذج والزيادة في أبعاد الفضاء المرفوع، قدم المؤلفون مخطط ضبط دقيق عدائي لمؤشر السلامة ( $\phi$ ).

المشكلة: قد تؤدي مؤشرات السلامة القياسية إلى برامج تربيعية (QP) غير قابلة للحل عندما تختلف الديناميكيات المتعلمة عن الواقع.
الحل: يتم استخدام بنية "المتعلم-الناقد" (Learner-Critic):
- الناقد (Critic): يقوم بأخذ عينات من حالات الحدود ومدخلات التحكم لإيجاد "الأمثلة المضادة" حيث يتم انتهاك قيد السلامة أو حيث يكون الـ QP غير قابل للحل.
- المتعلم (Learner): يقوم بتعديل معاملات مؤشر السلامة (مثل معالم الشكل والهامش) لتعظيم جدوى مجموعة التحكم تحت الديناميكيات المتعلمة.
النتيجة: يعمل هذا على تكييف مواصفات السلامة مع النموذج المتعلم تحديداً، مما يضمن الثبات الأمامي (forward invariance) ويمنع اصطدام المتحكم بقيود غير قابلة للتنفيذ.

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

لسد الفجوة بين المحاكاة والواقع، لا يقوم المؤلفون بإعادة تدريب الشبكة العصبية بالكامل. بدلاً من ذلك، يقومون بجمع بيانات الأجهزة وضبط مصفوفات كوبمان الخطية ( $A$ و $B$ ) فقط. هذا التكيف الخفيف يحافظ على بنية التضمين المتعلمة مع تصحيح الديناميكيات الخاصة بالأجهزة (مثل الاحتكاك وتأخير التشغيل).

3. المساهمات الرئيسية

توليف التحكم الآمن عبر خطية كوبمان: إطار عمل موحد يقوم بخطية ديناميكيات الروبوت اللاخطية عالمياً، مما يسمح بدمج قيود السلامة مباشرة في QP واحد، مما يلغي الحاجة إلى مرشحات سلامة منفصلة.
توليف مؤشر السلامة العدائي: طريقة مبتكرة لتكييف مواصفات السلامة مع الديناميكيات المتعلمة، مما يقلل بشكل كبير من خطر مدخلات التحكم غير القابلة للتنفيذ عند حدود المجموعة الآمنة.
التحقق من الأجهزة: التحقق الناجح من النشر من المحاكاة إلى الواقع على ذراع روبوتية من نوع Kinova Gen3 وروبوت رباعي الأرجل من نوع Unitree Go2، مما أظهر تتبعاً دقيقاً وتجنباً للعوائق بدقة عالية.

4. النتائج التجريبية

تم تقييم إطار العمل على Kinova Gen3 (ذراع بـ 7 درجات حرية) و Unitree Go2 (روبوت رباعي الأرجل) في سيناريوهات تجنب عوائق ثنائية وثلاثية الأبعاد.

المقايضة بين الأداء والسلامة:
- حقق KMPC (المقترح) أفضل توازن، حيث حافظ على خطأ تتبع منخفض مع ضمان السلامة.
- المقارنة مع النماذج المرجعية: بالمقارنة مع NMPC، كان KMPC أسرع بـ 4.2 مرة في وقت الحوسبة. وبالمقارنة مع النماذج الخطية المستقلة عن الزمن (LTI) والخطية المتغيرة زمنياً (LTV)، أظهر KMPC تكاليف تتبع أقل بكثير (أفضل بـ 7 مرات من LTI) لأنه التقط الديناميكيات اللاخطية بدقة أكبر.
الجدوى:
- قلل الضبط الدقيق العدائي من عدم جدوى الـ QP بشكل كبير. في سيناريوهات العوائق المتعددة، انخفضت الخطوات غير القابلة للتنفيذ من 632/4000 في النماذج غير المدربة إلى 113/4000 بعد الضبط الدقيق.
من المحاكاة إلى الواقع:
- قلل ضبط مصفوفات $A$ و $B$ متوسط خطأ زاوية المفصل من المحاكاة إلى الأجهزة بشكل كبير (انخفض متوسط الخطأ إلى 0.140 راديان).
- انخفض متوسط خطأ موضع نهاية الأداة (end-effector) إلى 0.031 متر، مما يؤكد قابلية نقل الطريقة دون الحاجة لإعادة تدريب شبكة التضمين.
التصور: نجح النظام في التنقل عبر مسارات معقدة، متجنباً العوائق الثابتة والديناميكية مع الحفاظ على مسارات خالية من الاصطدام في الوقت الفعلي.

5. الأهمية

يمثل هذا العمل خطوة كبيرة للأمام في التحكم الروبوتي الآمن من خلال معالجة معضلة "القابلية للحوسبة مقابل السلامة".

القابلية للتوسع: من خلال تحويل المشكلات اللاخطية إلى خطية عبر رفع كوبمان، تتوسع الطريقة بشكل أفضل مع الأنظمة ذات درجات الحرية العالية مقارنة بـ NMPC التقليدي.
الموثوقية: يوفر الضبط الدقيق العدائي لمؤشر السلامة آلية صارمة للتعامل مع عدم اليقين في النموذج، وهو مطلب حيوي للنشر في العالم الحقيقي.
البنية الموحدة: الابتعاد عن بنيات "المتحكم الأساسي + مرشح السلامة" يمنع التحفظ والجمود المرتبط بالنهج ذي المرحلتين.
العملية: القدرة على النشر على الأجهزة الفعلية مع مجرد ضبط خطي للمصفوفات تجعل هذا النهج قابلاً للتطبيق للغاية في تطبيقات الروبوتات الصناعية والخدمية حيث تكون السلامة أمراً بالغ الأهمية.

في الختام، يوضح البحث أن الجمع بين نظرية مؤثر كوبمان وتكييف السلامة العدائي يخلق إطار عمل قوياً، يعمل في الوقت الفعلي، وقابلاً للتوسع للتحكم الآمن في كامل جسم الأنظمة الروبوتية المعقدة.