⚡ electrical engineering

Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation

تقدم هذه الورقة إطاراً موحداً لروبوتات الدفع التفاضلي يجمع بين متحكم قائم على دالة ليابونوف معزز بشبكة عصبية تكيُّفية وبين مرشح كالمان الموسع لدمج المستشعرات المتعددة، مما يحقق تتبعاً قوياً للمسار وتقليلاً كبيراً في الخطأ في ظل وجود ديناميكيات غير مُنمذجة وتدهور في أداء المستشعرات.

المؤلفون الأصليون: Amos Alwala, Yuchen Hu, Gabriel da Silva Lima, Wallace Moreira Bessa

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Amos Alwala, Yuchen Hu, Gabriel da Silva Lima, Wallace Moreira Bessa

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 تعلم طفلاً صغيراً ركوب دراجة ثلاثية العجلات في حديقة مزدحمة وغير متوقعة. تريد منه أن يتبع مساراً دائرياً مثالياً. لكن هناك مشكلات: الأرض قد تكون زلقة، الإطارات قد تنزلق، الرياح قد تدفعه، وأحياناً قد تصبح عيناه (مستشعراته) مشوشة أو مرتبكة.

هذه الورقة البحثية تتحدث عن بناء "مدرب خارق" لدراجة آلية (تسمى روبوت ذو دفع تفاضلي - Differential Drive Robot) يمكنه التعامل مع كل هذه المشكلات الواقعية الفوضوية دون أن ينقلب أو يضل الطريق.

إليك تفصيل حلهم باستخدام تشبيهات بسيطة:

1. المشكلة: "العالم المثالي" مقابل الواقع

معظم متحكمات الروبوتات تشبه الطلاب الذين درسوا فقط في مكتبة هادئة. هم يعرفون الرياضيات تماماً: "إذا أدرت العجلة اليسرى، سأذهب يميناً". لكن في العالم الحقيقي، المكتبة تحترق.

المجاهيل: الروبوت لا يعرف بالضبط كم يبلغ وزنه، أو مقدار الاحتكاك في الأرض، أو ما إذا كانت عجلة ما تنزلق.
فوضى المستشعرات: الروبوت لديه عيون (كاميرات)، وآذان (ميكروفونات/وحدات قياس القصور الذاتي - IMUs)، وإحساس بالحركة (عدادات العجلات). لكن الكاميرات تصبح مشوشة في الظلام، والعجلات تنزلق على الأرضيات الناعمة، والجيروسكوبات تنحرف بمرور الوقت. إذا اعتمدت على مستشعر واحد فقط، فسيضيع الروبوت.

2. الجزء (أ) من الحل: "المدرب الذكي" (التحكم الذكي)

بنى المؤلفون متحكماً لا يتبع مجرد كتاب قواعد جامد. بدلاً من ذلك، لديه شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) تعمل كـ "مدرب ذكي" يجلس بجانب الروبوت.

التشبيه: تخيل الروبوت يقود سيارة بعداد سرعة معطل. "المدرب الذكي" هو راكب لم يرَ هذه السيارة المحددة من قبل، لكنه بارع جداً في التخمين.
كيف يتعلم: بينما يقود الروبوت، يراقبه المدرب. "أوه، لقد حاولت السير بسرعة 1 متر في الثانية، لكنك سرت 0 0.8 فقط لأن الأرض كانت لزجة". يقوم المدرب فوراً بتحديث خريطته الذهنية.
الأداة السحرية (RBF): يستخدم المدرب أداة خاصة تسمى دالة القاعدة الشعاعية (Radial Basis Function - RBF). فكر في هذا كـ "مترجم عالمي" للفيزياء. يمكنه تخمين أي قوة غريبة (احتكاك، رياح، انزلاق) في الوقت الفعلي.
شبكة الأمان (Lyapunov): لضمان عدم جنون المدرب وتسببه في اصطدام الروبوت، استخدموا "مقود سلامة" رياضياً يسمى استقرار ليابونوف (Lyapunov stability). هذا يضمن أنه مهما تعلم المدرب، فإن الروبوت لن يخرج عن السيطرة؛ بل سيستقر دائماً ويتبع المسار.

3. الجزء (ب) من الحل: "الحواس الفائقة" (تقدير الحالة عبر EKF)

حتى مع وجود مدرب ذكي، يحتاج الروبوت إلى معرفة أين هو. إذا اعتقد الروبوت أنه عند مدخل الحديقة بينما هو في الواقع عند البركة، فلن يستطيع المدرب المساعدة.

التشبيل: تخيل أنك معصوب العينين، ولكن لديك أربعة أصدقاء يخبرونك بمكانك:
1. الصديق (أ) (عدادات العجلات): يعد خطواتك. جيد للمسافات القصيرة، لكن إذا انزلقت، فسيقول لك معلومات خاطئة.
2. الصديق (ب) (IMU/الجيروسكوب): يشعر بميلك وتسارعك. رائع للدوران السريع، لكنه يصاب بالدوار بمرور الوقت.
3. الصديق (ج) (Lidar): يستخدم الليزر لقياس المسافة إلى الجدران. رائع في الظلام، لكنه يرتبك في الضباب.
4. الصديق (د) (الكاميرا): يلتقط الصور. رائع للتعرف على المعالم، لكنه عديم الفائدة في الظلام.
الدمج (EKF): يستخدم الروبوت مرشح كالمان الموسع (Extended Kalman Filter - EKF). فكر في الـ EKF كـ حكم حكيم:
- عندما يقول الصديق (أ) (العجلات) "لقد مشيت 10 أمتار"، لكن الصديق (ب) (الجيروسكوب) يقول "لقد درت حول نفسك"، ينظر الحكم من هو الأكثر موثوقية في هذه الحالة.
- إذا فقدت الكاميرا بصرها (غرفة مظلمة)، يتجاهلها الحكم ويثق في الليزر والعجلات أكثر.
- إذا انزلقت العجلات على الجليد، يثق الحكم في الكاميرا والليزر أكثر.
- النتيجة: يحصل الروبوت على "حقيقة مدمجة" هي أكثر دقة بكثير مما يمكن لأي صديق بمفرده توفيره.

4. النتائج: هل نجح الأمر؟

اختبر الفريق هذا على روبوت حقيقي (iRobot Create3) وفي محاكاة حاسوبية (Gazebo). جعلوا الروبوت يقود في دائرة على أرضيات مختلفة: ناعمة، وعرة، وطرية.

الطريقة القديمة (الأساس): متحكم قياسي لم يتعلم أو يدمج المستشعرات جيداً. كان يعاني، حيث ينزلق وينحرف عن الدائرة.
الطريقة الجديدة: فريق "المدرب الذكي" + "الحواس الفائقة".
- النتيجة: حافظ الروبوت على الدائرة بشكل أفضل بكثير.
- الأرقام: قللوا الأخطاء بشكل كبير. على سبيل المثال، كان الروبوت أكثر دقة بنسبة 54% في الوصول إلى السرعة الصحيحة وأكثر دقة بنسبة 82% في اتجاه الوجهة مقارنة بالطريقة القديمة. وحتى عندما تعطلت الكاميرا (فقدان مستشعر محاكى)، استمر الروبوت في التقدم لأن المستشعرات الأخرى سدت الفجوة.

ملخص

تقدم هذه الورقة نظام تحكم للروبوت يتميز بـ القدرة على التكيف والمرونة.

يستخدم الذكاء الاصطناعي لتعلم خصائص الروبوت الخاصة وحيل البيئة (مثل الأرضيات الزلقة) أثناء العمل.
يستخدم ضمانات سلامة رياضية لضمان عدم اصطدامه أبداً أثناء التعلم.
يستخدم حكماً ذكياً لدمج البيانات من مستشعرات متعددة، بحيث إذا فشل أحدها، لا يصاب الروبوت بالذعر.

إنه يشبه إعطاء روبوت عقلاً يتعلم من أخطائه ومجموعة من العيون التي لا ترتبك أبداً، مما يسمح له بالتنقل في العالم الحقيقي الفوضوي وغير المتوقع بثقة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التحكم الذكي لروبوتات الدفع التفاضلي الخاضعة لديناميكيات غير مُنمذجة باستخدام تقدير الحالة القائم على مرشح كالمان الموسع (EKF)."

1. بيان المشكلة

تُستخدم روبوتات الدفع التفاضلي (DDRs) على نطاق واسع في الخدمات اللوجستية والملاحة، لكنها تواجه تحديات كبيرة في البيئات الديناميكية وغير المستقرة. وتتمثل الصعوبات الرئيسية فيما يلي:

الديناميكيات غير المُنمذجة: تعاني الأنظمة الواقعية من لا خطيات غير معروفة مثل الاحتكاك، وديناميكيات المشغلات، وانزلاق العجلات، والاضطرابات الخارجية التي يصعب نمذجتها تحليلياً.
قيود المستشعرات: الاعتماد على مستشعرات منفردة (مثل مشفرات العجلات، أو وحدات قياس القصور الذاتي IMU، أو الكاميرات) يؤدي إلى ثغرات مثل الانجراف، وتراكم الضجيج، والفشل في ظروف معينة (مثل الإضاءة المنخفضة للكاميرات، أو الانزلاق للمشفرات).
متانة التحكم: تعتمد طرق التحكم التقليدية (التحكم الحركي، أو التحكم بنمط الانزلاق، أو التحكم الديناميكي الخطي) غالباً على افتراضات تبسيطية (تتبع السرعة المثالي، والديناميكيات المعروفة) والتي تتدهور كفاءتها عند انتهاك هذه الافتراضات.

تعالج الورقة الحاجة إلى إطار عمل موحد يوفر في آن واحد تقديراً متيناً للحالة وتحكماً تكيُّفياً للتعامل مع الديناميكيات غير المُنمذجة وعدم يقين المستشعرات.

2. المنهجية

يقترح المؤلفون إطار عمل هجين يدمج التحكم بالتعلم الآلي عبر الإنترنت مع دمج المستشعرات المتعددة.

أ. تقدير الحالة (الدمج القائم على EKF)

لضمان تغذية راجعة موثوقة للحالة رغم تدهور أداء المستشعرات، تم استخدام مرشح كالمان الموسع (EKF) لدمج بيانات مستشعرات متباينة:

المستشعرات: وحدة قياس القصور الذاتي (IMU)، مشفرات العجلات (Odometry)، مستشعر ليدار (2D-LiDAR)، وكاميرا أحادية العدسة.
استراتيجية الدمج:
- مشفرات العجلات: توفر إزاحة قصيرة المدى عالية التردد ومنخفضة التكلفة، لكنها تعاني من الانجراف طويل المدى والانزلاق.
- وحدة قياس القصور الذاتي (IMU): توفر تسارعاً وسرعة زاوية عالية التردد، لكنها عرضة للانحياز (Bias).
- الليدار والرؤية: يوفران تصحيحاً للموضع المطلق (باستخدام PLICP لـ LiDAR و ORB-SLAM3 للرؤية) لتصحيح الانجراف.
المتانة: تم تصميم مرشح EKF للتعامل مع حالات الفشل الجزئي للمستشعرات (مثل فقدان الميزات البصرية) عن طريق ترجيح القياسات ديناميكياً بناءً على التغاير (Covariance). إذا زاد عدم اليقين في أحد المستشعرات، يعتمد المرشح بشكل أكبر على نموذج الحركة والمستشعرات الأخرى.

ب. التحكم الذكي (الشبكة العصبية RBF + ليابونوف)

يجمع هيكل التحكم بين "خطيّة التغذية الراجعة" (Feedback Linearization - FBL) وشبكة عصبية تكيفية من نوع "دالة الأساس الشعاعي" (RBF):

نموذج النظام: تمت نمذجة ديناميكيات DDR كنظام سرعة من الدرجة الأولى. يتم اشتقاق قانون التحكم باستخدام "خطيّة التغذية الراجعة" لإلغاء الديناميكيات المعروفة.
تقريب عدم اليقين: تعمل الشبكة العصبية RBF كمقدر شامل لتقدير مصطلح "عدم اليقين المجمع" ( $d$ $d$ )، والذي يشمل الاحتكاك، والديناميكيات غير المُنمذلة، والاضطربات.
- يتم إعطاء التقدير بالمعادلة $\hat{d} = w^T \phi(v)$ ، حيث $w$ هي الأوزان و $\phi$ هي دوال التنشيط الغاوسية.
قانون التكيف: يتم تحديث أوزان شبكة RBF عبر الإنترنت باستخدام قاعدة تكيف قائمة على ليابونوف ( $\dot{w} = \eta \tilde{v} \phi$ )، حيث $\tilde{v}$ هو خطأ تتبع السرعة و $\eta$ هو معدل التعلم.
الاستقرار: تم بناء دالة ليابونوف لإثبات أن النظام ذو الحلقة المغلقة مستقر وأن أخطاء التتبع تتقارب تقاربياً إلى الصفر، بشرما كان خطأ التقريب محدوداً.

ج. تتبع المسار

لتتبع الموضع، يُستخدم متحكم حركي وسيط لتوليد سرعة مرجعية ( $v_c$ ) بناءً على خطأ الهيئة (الموضع والاتجاه). ثم يتم تغذية هذه السرعة المرجعية إلى المتحكم الديناميكي الذكي لحساب مدخلات عزم الدوران المطلوبة.

3. المساهمات الرئيسية

إطار عمل موحد: دمج متحكم عصبي تكيفي مع مُقدر حالة EKF متعدد المستشعرات، مما يعالج عدم يقين التحكم وعدم موثوقية الاستشعار في آن واحد.
الاستقرار النظري: اشتقاق قانون تحكم قائم على ليابونوف يضمن استقرار الحلقة المغلقة والتقارب التقاربي لمهام تتبع المسار، حتى مع وجود ديناميكيات غير مُنمذلة.
تقدير حالة متين: تنفيذ EKF يدمج IMU، والمشفرات، والليدار، والرؤية الأحادية، مما أظهر مرونة ضد ضجيج المستشعرات، والانجراف، والفشل الجزئي (مثل إعادة تهيئة الرؤية).
التحقق الواقعي: اختبار واسع النطاق على روبوت DDR حقيقي (iRobot Create3) في بيئات متنوعة (أرضيات ناعمة، وعرة، ولينة)، متجاوزاً مرحلة المحاكاة البحتة.

4. النتائج التجريبية

تم تقييم النهج باستخدام ROS2 (Humble/Jazby) في محاكاة Gazebo وعلى منصة iRobot Create3 الحقيقية.

المحاكاة: نجح المتحكم في تتبع المسارات الدائرية. وبينما فشلت "خطيّة التغذية الراجعة" البحتة (بدون الشبكة العصبية) في تتبع الهيئة بدقة بسبب الديناميكيات غير المُنمذلة، أظهر المتحكم الذكي أخطاء سرعة متناقصة.
التجارب الواقعية:
- الإعداد: تنقل الروبوت في دائرة بنصف قطر 0.5 متر بسرعة 0.5 راديان/ثانية على أنواع مختلفة من الأرضيات.
- مقاييس الأداء: تمت مقارنة المتحكم المقترح مع متحكم "خطيّة التغذية الراجعة" الأساسي.
- تقليل الخطأ: حققت الطريقة المقترحة انخفاضات كبيرة في جذر متوسط مربع الخطأ (RMSE) في الحالة المستقرة:
  - الموضع في محور X: انخفض بنسبة 80.67%
  - الموضع في محور Y: انخفض بنسبة 24.19%
  - اتجاه Yaw: انخفض بنسبة 82.48%
  - السرعة الخطية: انخفضت بنسبة 53.91%
  - السرعة الزاوية: انخفضت بنسبة 29.00%
- المرونة: حافظ النظام على الاستقرار واستمر في تقدير الحالة حتى عندما تعرضت الملاحة البصرية (VO) لفقدان الميزات واحتاجت إلى إعادة تهيئة، مما أثبت فعالية دمج المستشعرات.

5. الأهمية

يوضح هذا العمل أن الجمع بين التكيف القائم على البيانات (شبكات RBF) مع التحكم القائم على النموذج (Lyapunov/FBL) والتقدير المتين (EKF) يخلق نظام تحكم عالي الموثوقية للروبوتات المستقلة.

يتغلب هذا النهج على قيود المتحكمات التقليدية التي تتطلب نماذج ديناميكية دقيقة.
يثبت أن المتحكمات الذكية يمكنها تعلم وتعويض الاضطرابات المعقدة في العالم الحقيقي (مثل الاحتكاك والانزلاق) في الوقت الفعلي دون معرفة مسبقة.
إطار العمل قابل للتوسع ويمكن تطبيقه على مختلف تطبيقات الروبوتات المتنقلة التي تعمل في بيئات غير منظمة، مما يمهد الطريق لأنظمة روبوتية أكثر استقلالية ومرونة.

العمل المستقبلي: يقترح المؤلفون دمج "التعلم التعزيزي" (Reinforcement Learning) لضبط بارامترات المتحكم تلقائياً، وتوسيع إطار العمل ليشمل تطبيقات التخطيط للمسارات عالية المستوى وخرائط الموقع والتموضع (SLAM).