🤖 machine learning

CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments

تقترح هذه الورقة البحثية طريقة CN-CBF، وهي طريقة دالة حاجز عصبية مركبة تجمع بين عدة دوال حاجز عصبية مدربة باستخدام هاميلتون-جاكوبي مع بنية متبقية لتمكين الملاحة الآمنة وغير المتحفظة للروبوت في البيئات الديناميكية، محققةً معدلات نجاح أعلى بنسبة تصل إلى 18% من النماذج المرجعية في كل من تجارب المحاكاة والتجارب على الأجهزة.

المؤلفون الأصليون: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

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 روبوت كيف يمشي عبر محطة قطار مزدحمة ومكتظة بالناس. الهدف هو الانتقال من النقطة (أ) إلى النقطة (ب) دون الاصطدام بأي شخص. المشكلة هي أن الأشخاص (العوائق) يتحركون، ويغيرون اتجاهاتهم، وأنت لا تعرف بالضبط ما سيفعلونه تالياً.

تقدم هذه الورقة البحثية "دماغاً" جديداً للروبوتات يسمى CN-CBF (دالة حاجز التحكم العصبي المركبة - Composite Neural Control Barrier Function). فكر في الأمر كأنه حارس سلامة فائق الذكاء وسريع الاستجابة، يجلس بين "مخطط" الروبوت (الذي يريد فقط السير في خط مستقيم نحو الهدف) وبين "عضلات" الروبوت (المحركات).

إليك كيف يعمل، مقسماً إلى مفاهيم وتشبيهات بسيطة:

1. المشكلة: معضلة "مرشح السلامة"

معظم الروبوتات لديها "متحكم اسمي" (Nominal Controller)، وهو يشبه سائقاً ينظر فقط إلى الخريطة ويقول: "قد مباشرة!". هذا أمر رائع في الطرق الفارغة، لكنه سيء جداً في المحطات المزدحمة. إذا اكتفيت بإخبار الروبوت أن يتوقف عندما يرى شخصاً، فقد يتوقف متأخراً جداً أو يتحرك بشكل غريب وغير متناسق.

لحل هذه المشكلة، يستخدم المهندسون "مرشح سلامة" (Safety Filter). إنه يشبه مساعد طيار يراقب السائق؛ فإذا حاول السائق صدم أحد المشاة، يقوم المساعد بتوجيه عجلة القيادة بلطف شدப் لتجنب الاصطدام، ثم يترك السائق يعود إلى خطته الأصلية.

التحدي هو: كيف يعرف المساعد بدقة متى تصبح المسافة "قريبة جداً"؟

إذا كان صارماً للغاية، سيتصرف الروبوت مثل "سلحفاة خائفة"، يتوقف عند كل ظل.
إذا كان متساهلاً للغاية، سيصطدم الروبوت.
الأساليب الموجودة حالياً إما بطيئة جداً في الحساب اللحظي أو متحفظة للغاية (خائفة).

2. الحل: "دالة حاجز التحكم العصبي المركبة" (CN-CBF)

يقترح المؤلفون طريقة جديدة لتدريب هذا المساعد باستخدام الشبكات العصبية (الذكاء الاصطناعي) ومفهة تسمى الـ CBF المركبة.

التشبيه (أ): خدعة "البواقي" (شبكة الأمان)

تخيل أنك تحاول رسم دائرة مثالية حول حفرة خطيرة في الأرض (مجموعة الفشل).

الطريقة القديمة: تحاول رسم الدائرة كاملة من الصفر. من الصعب جعلها مثالية، وقد ترسم الخط بالخطأ داخل الحفرة، وهذا أمر خطير.
طريقة CN-CBF: تبدأ بخريطة مرسومة مسبقاً للحفرة (دالة الفشل)، ثم تستخدم الذكاء الاصطناعي لرسم "منطقة عازلة للسلامة" فوق تلك الخريطة.
- يتعلم الذكاء الاصطناعي فقط الفرق (الباقي) بين الحفرة والمنطقة الآمنة.
- ولأن الذكاء الاصطناعي مُجبر على إضافة أرقام موجبة فقط إلى الخريطة، فمن المضمون رياضياً أن خط السلامة الخاص به لن يتجاوز أبداً منطقة الحفرة الخطيرة. إنه يشبه بناء سياج فوق منحدر؛ لا يمكنك بالخطأ بناء السياج داخل المنحدر.

التشبيه (ب): النهج "المركب" (الأوركسترا)

ماذا يحدث عندما يتحرك 10 أشخاص حولك؟

الطريقة القديمة: تحاول بعض الأساليب حساب سلامة العشرة أشخاص معاً في مسألة رياضية واحدة ضخمة ومعقدة. هذا يشبه محاولة حل مكعب روبيك بينما تقوم بالتلاعب بـ 10 مكعبات أخرى. يستغرق الأمر وقتاً طويلاً ويتسبب في تعطل الكمبيوتر.
طريقة CN-CBF: يتعامل الروبوت مع كل شخص بشكل فردي أولاً.
1. يحسب "فقاعة سلامة" للشخص (أ).
2. يحسب "فقاعة سلامة" للشخص (ب).
3. يفعل ذلك للجميع.
4. ثم يستخدم "خلاطاً" (دالة تجميع) لدمج كل تلك الفقاعات في قاعدة سلامة واحدة سلسة.

فكر في الأمر كقائد الأوركسترا. بدلاً من محاولة سماع كل آلة موسيقية في الأوركسترا في وقت واحد، يستمع القائد إلى الكمان، ثم النحاسيات، ثم الطبول، ثم يمزجهم جميعاً في صوت واحد متناغم. هذا يجعل الرياضيات سريعة ويسمح للروبوت بالتعامل مع شخص واحد، أو 10، أو حتى 100 شخص دون أن يرتبك.

3. المنظور "النسبي"

تستخدم الورقة البحثية خدعة ذكية: بدلاً من تتبع موقع الروبوت وموقع الشخص في العالم بأكمله، ينظر الروبوت فقط إلى كيفية تحركهما بالنسبة لبعضهما البعض.

تخيل أنك في سيارة. لست بحاجة لمعرفة إحداثيات نظام تحديد المواقع (GPS) للسيارة التي أمامك؛ كل ما تحتاجه هو معرفة: "هل تقترب تلك السيارة مني أم تبتعد؟"
من خلال التركيز على الحركة النسبية، تصبح الرياضيات أبسط بكثير وأسرع، مما يسمح للروبوت بالاستجابة فوراً.

4. النتائج: إثبات من الواقع العملي

لم يكتف الباحثون بمحاكاة ذلك على الكمبيوتر فحسب؛ بل اختبروه على روبوتات حقيقية:

روبوت أرضي: مثل روبوت توصيل يتنقل وسط حشد من الناس السائرين.
طائرة بدون طيار (Quadrotor): طائرة درون تطير عبر سرب من الطائرات الأخرى.

النتيجة:

معدل النجاح: كان الأسلوب الجديد أكثر نجاحاً بنسبة تصل إلى 18% في الوصول إلى الهدف دون اصطدام مقارنة بأفضل الأساليب الموجودة.
الكفاءة: لم يتسبب في جعل حركة الروبوت أبطأ أو اتخاذ مسارات أطول. لقد كان فقط أذكى في تحديد متى يتفادى العوائق.
السرعة: قام بحساب السلامة في أجزاء من الثانية، وهو ما يكفي للاستخدام في الوقت الفعلي.

ملخص

باختاً، CN-CBF هو نظام سلامة جديد للروبوتات يقوم بـ:

التعلم: تعلم "المنطقة الآمنة" المثالية باستخدام الذكاء الاصطناعي، مع ضمان عدم تضمين منطقة الاصطدام عن طريق الخطأ.
التوسع: يتوسع بسهولة، حيث يتعامل مع عائق واحد أو مئة عائق عبر دمج قواعد السلامة الفردية.
العمل بسرعة: مما يسمح للروبوتات بالتنقل في البيئات الديناميكية والمزدحمة (مثل الشوارع المزدحمة أو المستودعات) بأمان وكفاءة.

إنه الفرق بين روبوت يصاب بالذعر ويتوقف عند كل ظل، وروبوت ينساب عبر الحشود مثل راقص ماهر، يعرف تماماً مدى قربه من شريكه دون أن يطأ قدميه.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "CN-CBF: دالة حاجز التحكم العصبية المركبة للملاحة الآمنة للروبوتات في البيئات الديناميكية."

1. بيان المشكلة

تظل الملاحة الآمنة للروبوتات ذاتية القيادة في البيئات الديناميكية وغير المستقرة (مثل حشود المشاة أو الطائرات بدون طيار المتحركة) تحدياً حرجاً.

المشكلة الجوهرية: في حين أن دوال الحاجز التحكمي (CBFs) هي طريقة شائعة لفلترة الأمان تعمل على تقليص إنفاذ السلامة إلى مسألة برمجة تربيعية (QP)، فإن تصميم دالة حاجز تحكمي (CBF) صالحة للأنظمة غير الخطية العامة يعد أمراً صعباً.
محدودية الطرق الحالية:
- التصميم في وضع عدم الاتصال (Offline): تعتمد الطرق التقليدية غالباً على التصميم المسبق، وهو ما يفشل في البيئات الديناميكية حيث تتحرك العوائق ويتغير نطاق الأمان في الوقت الفعلي.
- النهج القائم على التعلم: غالباً ما تفشل دوال الـ CBF العصبية في استعادة النطاق الأمثل للأمان، أو تواجه صعوبة في ضمان عدم تقاطع النطاق الآمن المتعلم مع مجموعة الفشل (منطقة التصادم).
- القابلية للتوسع: الطرق التي تحاول نمذجة عوائق متحركة متعددة بشكل مشترك (على سبيل المثال، عبر الوصولية الهاملتونية-جاكوبي المشتركة) تعاني من تعقيد توافقي، مما يجعلها غير قابية للتنفيذ حسابياً لأكثر من عدد قليل من العوائق.
- التحفظ الزائد: تصبح العديد من النهج متحفظة للغاية لضمان الأمان، مما يؤدي إلى حركة غير فعالة (مثل التوقف دون داعٍ).

2. المنهجية: CN-CBF

يقترح المؤلفون CN-CBF (دالة حاجز التحكم العصبية المركبة)، وهو إطار عمل يجمع بين تحليل الوصولية الهاملتونية-جاكوبي (HJ reachability) والشبكات العصبية والتجميع المركب.

أ. الديناميكيات النسبية ومجموعات الفشل الثابتة

بدلاً من تطبيق تحليل الوصولية الهاملتونية-جاكوبي مباشرة على الديناميكيات المطلقة للروبوت (مما ينتج عنه مجموعات فشل متغيرة زمنياً)، تقوم الطريقة بتحويل المشكلة إلى ديناميكيات نسبية:

التحويل: يتم تحويل الحالة من إحداثيات الروبوت المطلقة ( $x$ ) والعائق ( $o$ ) إلى متجه حالة نسبية $z = \rho(x, o)$ .
الميزة: في الإطار النسبي، تصبح مجموعة الفشل (شرط التصادم) ثابتة. يتم نمذجة الديناميكيات كصراع بين مدخل التحكم الخاص بالروبوت ( $u$ ) ومدخل العائق العدائي ( $d$ ).
الوصولية الهاملتونية-جاكوبي (HJ Reachability): يتم حساب دالة القيمة المثلى $V(z)$ لهذا النظام النسبي عددياً. تمثل المجموعة الفرعية الصفرية لـ $V(z)$ أقصى نطاق آمن.

ب. بنية الشبكة العصبية المتبقية (Residual Neural Architecture)

لتشغيل هذا النظام في الوقت الفعلي دون الحاجة لتخزين جداول بحث ضخمة، يستخدم المؤلفون تقريب دالة القيمة لـ HJ باستخدام شبكة عصبية ذات بنية متبقية:

الصياغة: يتم تعريف الـ CBF المتعلم كـ $\bar{h}_\Theta(z) = \ell(z) - r_\Theta(z)$ $\overset{ˉ}{h}_{Θ} (z) = ℓ (z) - r_{Θ} (z)$ ، حيث:
- $\ell(z)$ هي دالة الفشل المعروفة والمعرفة تحليلياً (مثل المسافة الموقعة إلى التصادم).
- $r_\Theta(z)$ هي شبكة عصبية تقرب "المتبقي" (الفرق بين حدود الفشل وحدود الأمان المثلى).
ضمان السلامة: من خلال فرض دالة تنشيط غير سالبة (مثل Softplus) على مخرجات $r_\Theta(z)$ ، تضمن الطريقة رياضياً أن النطاق الآمن المتعلم لا يتقاطع أبداً مع مجموعة الفشل $\ell(z) \leq 0$ .

ج. التجميع المركب لعوائق متعددة

للتعامل مع أي عدد من العوائق المتحركة ( $M$ )، تستخدم الطريقة نهج الـ CBF المركب:

دوال CBF فردية: يتم تدريب CBF عصبي منفصل لكل زوج (روبوت-عائق).
التجميع: بالنسبة لـ $M$ من العوائق، يتم دمج دوال الـ CBF الفردية في قيمة قياسية واحدة باستخدام تقريب دالة الحد الأدنى السلسة (smooth min-function):
$h_\Theta = -\frac{1}{\beta} \ln \left( \sum_{i=1}^M e^{-\beta \bar{h}_\Theta(z_i)} \right)$
الفوائد: هذا التجميع قابل للاشتقاق (وهو أمر ضروري لحل مسائل الـ QP) ويضمن أن النطاق الآمن المركب هو مجموعة فوقية لاتحاد النطاقات الآمنة الفردية. كما أنه يتوسع بكفاءة مع تغير عدد العوائق $M$ ، متجنباً التعقيد الأسي لمحللات HJ المشتركة.

د. التكامل في مرشح السلامة

يتم دمج CN-CBF في مرشح سلامة قياسي من نوع CBF-QP. يقوم النظام بحساب قيمة الـ CBF وتدرجاته (عبر الاشتقاق التلقائي) في الوقت الفعلي، وتغذيتها إلى محلل QP الذي يعدل مدخل التحكم الاسمي لتحقيق متطلبات السلامة مع تقليل الانحراف عن المسار المطلوب.

3. المساهمات الرئيسية

طريقة تصميم مبتكرة: تصميم CBF عصبي يستعيد في آن واحد نطاقات أمان قريبة من المثالية لكل عائق على حدة، ويضمن عدم التقاطع مع مجموعة الفشل (عبر البنية المتبقية)، ويتوسع للتعامل مع أي عدد من العوائق الديناميكية.
الكفاءة: من خلال تطبيق الوصولية الهاملتونية-جاكوبي على الديناميكيات النسبية واستخدام الشبكة المتبقية، قللت الطريقة من وقت توليد البيانات والتدريب من عشرات الساعات إلى دقائق مقارنة بنهج HJ المشترك.
القابلية للتوسع: تسمح دالة التجميع المركب للنظام بالتعامل مع التغيرات الديناميكية في عدد العوائق دون الحاجة لإعادة التدريب أو تغيير الهيكل.
التحقق الشامل: تقييم واسع النطاق على كل من الروبوتات الأرضية (unicycle حركي) والطائرات بدون طيار (quadrotors) (مضاعف تكامل ثنائي الأبعاد 2D) في المحاكاة والأجهزة الفعلية.

4. النتائج التجريبية

تم اختبار الطريقة مقابل عدة نماذج أساسية، بما في ذلك مخططات تعتمد على MPC (مثل SDF-MPC, DCBF-MPC, VO-MPC, RNTC-MPC) ونسخ أخرى من CBF (مثل C3BF, HO-CBF).

المحاكاة (روبوت أرضي):
- معدل النجاح: حققت CN-CBF معدلات نجاح أعلى بنسبة تصل إلى 18% من أفضل نموذج أساسي في البيئات المزدحمة (15 مشاة).
- الكفاءة: كانت طول المسار والوقت اللازم للوصال للهدف مقاربة أو أفضل من النماذج الأساسية، مما يثبت أن الطريقة ليست متحفظة بشكل مفرط.
- القابلية للتوسع: ظل الأداء قوياً مع زيادة كثافة العوائق، بينما تدهورت طرق HJ المشتركة (مثل RNTC-MPC) بشكل ملحوظ.
المحاكاة (طائرة بدون طيار - Quadrotor):
- تفوقت على C3BF وHO-CBF في معدلات النجاح وكفاءة الحركة عبر أعداد متغيرة من عوائق الدرونز المتحركة.
تجارب الأجهزة (Hardware):
- الروبوت الأرضي: نجحت في توجيه روبوت توصيل عبر حشد من المشاة باستخدام الحوسبة المدمجة. انخفضت قيمة الـ CBF قليلاً إلى المنطقة السالبة بسبب ضجيج الاستشعار أو عدم تطابق النموذج، لكنها حافظت على السلامة عبر منطقة عازلة.
- الطائرة بدون طيار: نجحت في تجنب الاصطدام بـ 5 طائرات بدون طيار متحركة. في المقابل، أدت الطرق الأساسية (C3BF وHO-CBF) إلى حدوث اصطدامات خلال نفس السيناريوهات.

5. الأهمية والتأثير

الجسر بين النظرية والتطبيق: نجحت الورقة في سد الفجوة بين المثالية النظرية للوصولية الهاملتونية-جاكوبي والمتطلبات الحسابية للتحكم في الروبوتات في الوقت الفعلي.
ضمانات السلامة: يو توفر الشبكات المتبقية ضمانً رياضياً صارماً بأن المتحكم المتعلم لن يسمح بحدوث تصادم، مما يعالج نقطة ضعف رئيسية في طرق السلامة المعتمدة كلياً على البيانات.
البيئات الديناميكية: تقدم حلاً قابلاً للتوسع للبيئات "المزدحمة" حيث يكون عدد العوائق غير معروف وديناميكي، وهو سيناريو غالباً ما تفشل فيه طرق MPC التقليدية أو دوال CBF البسيطة أو تصبح فيه شديدة التحفظ.
الجدوى في الوقت الفعلي: يثبت العرض التجريبي على الأجهزة باستخدام المعالجة المدمجة أن فلترة السلامة المعقدة القائمة على دوال القيمة لـ HJ المتعلمة هي أمر قابل للتطبيق في النشر الواقعي.

باختاً، تمثل CN-CBF تقدماً كبيراً في الملاحة الآمنة للروبوتات من خلال الاستفادة من مثالية الوصولية الهاملتونية-جاكوبي، ومرونة الشبكات العصبية، وقابلية التوسع للوظائف المركبة للتعامل مع البيئات الديناميكية متعددة العوائق بأمان وكفاءة.