⚡ electrical engineering

Real-Time Online Learning for Model Predictive Control using a Spatio-Temporal Gaussian Process Approximation

تقدم هذه الورقة تقريباً فعالاً لعملية "غوس" (Gaussian Process) ذات تعقيد مكاني-زماني ثابت للتعلم عبر الإنترنت ضمن التحكم التنبؤي بالنماذج، مما يتيح التكيف في الوقت الفعلي مع الديناميكيات المتغيرة زمنياً وتحسين الأداء في تطبيقات مثل السباقات ذاتية القيادة.

المؤلفون الأصليون: Lars Bartels, Amon Lahr, Andrea Carron, Melanie N. Zeilinger

نُشر 2026-03-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lars Bartels, Amon Lahr, Andrea Carron, Melanie N. Zeilinger

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 روبوتًا كيفية قيادة سيارة سباق حول مضمار. أنت تعطي الروبوت خريطة ومجموعة من القواعد ("النموذج الاسمي") حول كيفية تصرف السيارة. لكن في العالم الحقيقي، تتغير الأشياء. ربما تسخن الإطارات، أو تشتد الرياح، أو يحدث اهتزاز طفيف في عجلة القيادة. خريطة الروبوت لا تعرف عن هذه التغييرات، لذا يبدأ في ارتكاب الأخطاء، فينحرف عن المسار أو يصطدم.

هذه الورقة البحثية تدور حول منح الروبوت قوة خارقة: وهي القدرة على التعلم من أخطائه أثناء القيادة، في الوقت الفعلي، ودون أن يشعر بالارتباك أو التشتت.

إليك تفصيل المشكلة وحلها الذكي، باستخدام بعض التشبيهات من الحياة اليومية.

المشكلة: "الحمل الزائد على الذاكرة"

يستخدم الروبوت أداة تعلم ذكية تسمى العملية الغاوسية (Gaussian Process - GP). فكر في العملية الغاوسية كأنها أمين مكتبة منظم للغاية. في كل مرة تقود فيها السيارة، يدون أمين المكتبة ما حدث بالضبط: "عند هذه السرعة، وفي هذا المنعطف، ومع هذه الرياح، انحرفت السيارة يسارًا".

العائق: كلما قادت السيارة أكثر، أصبح دفتر ملاحظات أمين المكتبة ضخمًا.
عنق الزجاجة: لكي يتنبأ بالمنعطف القادم، يتعين على أمين المكتبة قراءة كل صفحة من الدفتر للعثور على الأنماط.
النتيجة: إذا كانت السيارة تقود بسرعة (كما في السباقات)، فسيكون أمين المكتبة مشغولًا جدًا بقراءة الملاحظات القديمة لدرجة أنه لن يتمكن من الإجابة على سؤال السائق في الوقت المناسب. تصطدم السيارة لأن "الدماغ" أصبح بطيئًا جدًا.

عادةً، ولحل هذه المشكلة، يطلب المهندسون من أمين المكتبة التخلص من الملاحظات القديمة والاحتفاظ فقط بآخر 400 صفحة. هذا يحافظ على سرعة الدماغ، لكنه يشبه محاولة تعلم لغة جديدة من خلال قراءة آخر 400 كلمة نطقتها فقط. ستفقد الصورة الكبيرة وتنسى كيف كانت الأمور في السابق.

الحل: "الخريطة الذكية التي تسافر عبر الزمن"

قام المؤلفون (لارس بارتيلز وفريقه) ببناء نوع جديد من أمناء المكتبة لا يحتاج إلى قراءة الكتاب بأكمله. لقد ابتكروا عملية غاوسية مكانية-زمانية (Spatio-Temporal Gaussian Process).

لنقم بتفكيك هذا الاسم المعقد باستخدام تشبيه:

المكاني (Spatio): تخيل أن مضمار السباق عبارة عن شبكة ضخمة. بدلًا من تذكر كل بوصة من المضمار، يتذكر أمين المكتبة فقط عددًا قليلًا من "نقاط التحقق الرئيسية" (تسمى النقاط المحفزة - inducing points) المنتشرة عبر المضمار.
الزماني (Temporal): هذا هو الجزء السحري. يدرك أمين المكتبة أن ما يحدث الآن مرتبط ارتباطًا وثيقًا بما حدث قبل ثانية واحدة. بدلًا من معاملة كل لحظة كحدث جديد وغير مرتبط، يستخدمون اختصارًا رياضيًا (مثل نموذج حالة الفضاء - state-space model) للتنبؤ بكيفية تطور "نقاط التحقق الرئيسية" بمرور الوقت.

التشبيه: متنبئ الطقس

الطريقة القديمة (العملية الغاوسية القياسية): للتنبؤ بالطقس غدًا، تنظر إلى كل قراءة لدرجة الحرارة من السنوات العشر الماضية. يستغرق الأمر وقتًا طويلاً، وفي النهاية ستنفد ذاكرة الكمبيوتر لديك.
الطريقة الجديدة (هذه الورقة): تدرك أن الطقس يتحرك في أنماط. إذا كانت تمطر الآن، فمن المرجح أن تمطر بعد 10 دقائق. لست بحاجة لإعادة قراءة كتب التاريخ؛ أنت فقط تقوم بتحديث "نموذج الطقس" الحالي بناءً على الدقائق القليلة الماضية. يمكنك القيام بذلك فورًا، بغض النظر عن المدة التي قضيتها في مراقبة الطقس.

كيف يعمل ذلك في سيارة السباق

في تجاربهم، وضعوا سيارة سباق صغيرة على مضمار وأدخلوا "خللًا": قاموا بتغيير حساسية التوجيه سرًا أثناء قيادة السيارة.

الروبوت القديم (بدون تعلم): استمرت السيارة في محاولة القيادة بناءً على الخريطة القديمة. عندما حدث خلل في التوجيه، بدأت السيارة في التمايل بعنف وكادت أن تصطدم.
روبوت "التخلص من البيانات" (التعلم عبر الإنترنت القياسي): تعلم الروبوت بسرعة ولكنه اضطر لحذف البيانات القديمة ليظل سريعًا. لقد أبلى بلاءً حسنًا، لكنه واجه صعوبة عندما تغير الخلل بطرق معقدة لأنه نسي الأنماط السابقة.
الروبوت الجديد (طريقة هذه الورقة):
- سرعة ثابتة: مهما طال السباق أو زادت كمية البيانات التي جمعها، ظل حجم "دماغ" الروبوت ثابتًا. لم يصبح أبطأ أبدًا.
- ذاكرة مثالية: احتفظ بكل قطعة بيانات دون أن يشعر بالارتباك.
- التكيف: بمجرد بدء خلل التوجيه، قام الروبوت بتحديث "نقاط التحقق الرئيسية" الخاصة به فورًا. أدرك قائلًا: "مهلًا، التوجيه يتصرف بشكل غريب الآن"، وعدّل مسار قيادته بشكل مثالي.

النتيجة

كانت السيارة التي تستخدم هذه الطالة الجديدة قادرة على التسابق بسرعات عالية، والبقاء تمامًا على المسار، والتعامل مع الظروف المتغيرة دون الاصطدام. كانت أسرع وأكثر استقرارًا من الروبوتات الأخرى.

لماذا هذا مهم؟

هذه التقنية ليست مقتصرة على سيارات السباق فقط. هذا التكنولوجيا هي طفرة لأي آلة تحتاج إلى التعلم أثناء عملها:

السيارات ذاتية القيادة التي تتعامل مع ظروف الطريق المتغيرة.
الروبوتات في المصانع التي تحتاج إلى التكيف مع أدوات جديدة.
الطائرات بدون طيار (الدرونز) التي تطير في بيئات عاصفة وغير متوقعة.

باختًا: اكتشف المؤلفون كيفية منح الروبوت دماغًا يصبح أكثر ذكاءً كلما تعلم أكثر، دون أن يصبح "بطيئًا" أبدًا أو يحتاج إلى نسيان الماضي. لقد حولوا عملية ثقيلة الذاكرة وبطيئة إلى قوة خارقة خفيفة الوزن وتعمل في الوقت الفعلي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التعلم عبر الإنترنت في الوقت الفعلي للتحكم التنبئي بالنماذج باستخدام تقريب العمليات الغاوسية المكاني-الزماني".

1. بيان المشكلة

السياق: يُعد التحكم التنبئي بالنماذج (MPC) استراتيجية قوية للأنظمة المعقدة، ولكنه يعتمد بشكل كبير على دقة النموذج الديناميكي الأساسي. في التطبيقات الواقعية، غالبًا ما تعاني النماذج من عدم دقة (عدم تطابق) بسبب الديناميكيات غير المنماذجة أو الاضطرابات المتغيرة مع الزمن.
التحدي:

التحكم التنبئي القائم على التعلم (GP-MPC): تُعد العمليات الغاوسية (GPs) مثالية لنمذجة هذه الديناميكيات المتبقية لأنها توفر قدرة على التكيف بكفاءة البيانات وتوفير تقدير رسمي لعدم اليقين.
عنق الزجاجة الحسابي: يتوسع الاستدلال الدقيق للعمليات الغاوسية (Exact GP inference) بشكل تكعيبي ( $O(N^3)$ ) مع عدد نقاط البيانات $N$ . في سيناريوهات التعلم عبر الإنترنت (Online Learning) حيث تتراكم البيانات باستمرار، يؤدي هذا إلى تأخيرات حسابية تنتهك قيود الوقت الفعلي (مثل >30 مللي ثانية للتحكم عالي السرعة).
قصور التقريبات الحالية:
- مجموعة فرعية من البيانات (SoD): تتخلص من البيانات القديمة للحفاظ على قيمة ثابتة لـ $N$ . هذا يفشل في الأنظمة المتغيرة زمنياً حيث تظل البيانات التاريخية ذات صلة، أو حيث يزور النظام مواقع مكانية معينة بعد فترة طويلة.
- النقاط المحفزة (مكانية فقط): تلخص البيانات مكانياً ولكنها غالباً ما تواجه صعوبة في التعامل مع الديناميكيات المتغيرة زمنياً ما لم يتم إعادة تدريب النقاط المحفزة أو تحريكها، مما يضيف عبئاً حسابياً.
- العمليات الغاوسية المكانية-الزمانية: تقيد الطرق الموجودة المدخلات غالباً في أزمنة منفصلة أو نطاقات مكانية غير مستمرة، مما يجعلها غير مناسبة للأنظمة الديناميكية ذات الفضاءات الحالة المستمرة.

2. المنهجية

يقترح المؤلفون نموذج تقريب العمليات الغاوسية المكاني-الزماني المصمم خصيصاً للتحكم التنبئي بالنماذج القائم على العمليات الغاوسية في الوقت الفعلي. الابتكار الجوهري هو الجمع بين النقاط المحفزة المكانية وهيكل زمني ماركوفي لتحقيق تعقيد حسابي ثابت لكل خطوة زمنية، بغض النظر عن إجمالي كمية البيانات التي تم جمعها.

أ. الصياغة الرياضية

ديناميكيات النظام: يتم نمذجة النظام كـ $x(k+1) = f(x, u) + Bg(x, u, t) + w$ ، حيث $g$ هي الديناميكيات المتبقية غير المعروفة والتي تُنمذج باستخدام عملية غاوسية.
النواة المكانية-الزمانية: النواة (Kernel) قابلة للفصل: $k((z, t), (z', t')) = k_s(z, z') k_t(t - t')$ $k ((z, t), (z^{'}, t^{'})) = k_{s} (z, z^{'}) k_{t} (t - t^{'})$ .
- المكون المكاني ( $k_s$ ): يتم تقريبه باستخدام مجموعة ثابتة من $M$ من النقاط المحفزة ( $V$ ) في الفضاء المدخل المكاني.
- المكون الزماني ( $k_t$ ): يتم نمذجته باستخدام تمثيل فضاء الحالة المشتق من تحويل فوريه للنواة (تحديداً أنوية Matérn ذات النصف الصحيح). يقوم هذا بتحويل العملية الغاوسية الزمنية إلى نموذج فضاء حالة غاوسي خطي مدفوع بمعادلة تفاضلية عشوائية.
التقدير المتكرر: من خلال الجمع بين صياغة النقاط المحفزة المكانية ونموذج فضاء الحالة الزماني، يتطور التوزيع المشترك للنقاط المحفزة بمرور الوقت وفقاً لانتقال غاوسي خطي. وهذا يسمح باستخدام مرشح كالمان (Kalman Filter) للتحديثات المتكررة.

ب. التنفيذ الخوارزمي

يستخدم النهج ثلاثة إجراءات رئيسية:

التهيئة (Initialization): حساب مصفوفات فضاء الحالة ( $F, G, H$ ) للنواة الزمنية وتخزين المصطلحات الثابتة (مثل $K_{VV}$ ، ومصفوفات الانتقال) لتجنب الحسابات المتكررة.
التحديث (التعلم عبر الإنترنت):
- التنبؤ: نشر المتوسط والتباين للنقاط المحفزة إلى الخطوة الزمنية التالية باستخدام نموذج انتقال الحالة.
- التصحيح: دمج القياسات الجديدة باستخدام خطوة تحديث كالمان.
- الاستقرار العددي: استخدام مرشح الجذر التربيعي (Square-root Kalman filter) (تحلل تشوليسكي) لضمان بقاء مصفوفة التباين موجبة شبه محددة، مما يمنع الانجراف العددي.
التقييم: حساب المتوسط التنبئي والتباين للمدخلات المكانية الجديدة عند الخطوة الزمنية الحالية باستخدام توزيع النقاط المحفزة المحدث.

ج. التكامل مع MPC

يتم دمج نموذج الـ GP في إطار عمل البرمجة التربيعية المتتالية (SQP) من الدرجة صفر (تحديداً ضمن إطار L4acados).
التقريب من الدرجة صفر: لتقليل العبء الحسابي بشكل أكبر، يتجاهل الخوارزم للاشتقاق (gradients) انتشار التباين وتضييق القيود أثناء التحسين. يسمح هذا بحساب مصطلحات التباين بناءً على التكرار السابق، مما يقلل متغيرات التحسين إلى مجرد الحالة المتوسطة ومدخلات التحكم.
التكرار في الوقت الفعلي (RTI): ينفذ الحل خطوة واحدة من الـ SQP في كل خطوة زمنية، مما يضمن بقاء إجمالي وقت الدورة ضمن تردد التحكم (30 هرتز).

3. المساهمات الرئيسية

التعلم عبر الإنترنت بتعقيد ثابت: يتيح الطريقة المقترحة التعلم من أي عدد من نقاط البيانات بتكلفة حسابية ثابتة لكل تحديث. بخلاف طرق (SoD)، فهي لا تتخلص من البيانات، مما يحافظ على قدرات "التعلم مدى الحياة".
النمذجة المكانية-الزمانية المستمرة: على عكس أعمال الـ GP-MPC المكانية-الزمانية السابقة، يعمل هذا الأسلوب عبر فضاء مدخل مكاني مستمر مع التعامل مع الديناميكيات المتغيرة زمنياً عبر هياكل ماركوفية زمنية.
التنفيذ مفتوح المصدر: يوفر المؤلفون تنفيذاً بلغة بايثون متوافق مع GPyTorch ومتكامل مع إطار عمل MPC الخاص بـ L4acados، مما يجعل النهج متاحاً للبحث والنشر.
المتانة العددية: يضمن استخدام الترشيح بالجذر التربيعي الاستقرار أثناء التحديثات المتكررة طويلة الأمد، وهو نقطة فشل شائعة في طرق العمليات الغاوسية المتكررة.

4. النتائج التجريبية

تم التحقق من صحة الطريقة باستخدام السباق الآلي المصغر (منصة CRS) تحت تأثير اضطراب في التوجيه متغير زمنياً (محاكى عن طريق تغيير إزاحة التوجيه المحايد $\delta_0$ ديناميكياً).

الأداء الحسابي:
- العملية الغاوسية الدقيقة (SoD): حلت في أقل من 30 مللي ثانية فقط من خلال التخلص من كل شيء باستثناء آخر 400 نقطة بيانات.
- العملية الغاوسية المكانية-الزمانية المقترحة: حافظت على وقت حل ثابت (~7-10 مللي ثانية لأجزاء الـ GP) بغض النظر عن تراكم البيانات. وقد نجحت في العمل إلى ما لا نهاية دون الحاجة لقطع البيانات.
دقة التنبؤ:
- قلل النموذج المقترح بشكل كبير من خطأ التنبؤ بخطوة واحدة للسرعات الجانبية والزاوية مقارنة بالنموذج الاسمي.
- تفوق على نماذج النقاط المحفزة المكانية البحتة، التي فشلت في التمييز بين حالات الاضطراب المختلفة عند نفس الإحداثيات المكانية بسبب افتقارها للذاكرة الزمنية.
أداء التحكم:
- التحكم التنبئي بالنماذج الاسمي (Nominal MPC): فشل في الحفاظ على خط السباق بمجرد بدء الاضطراب، مما أدى إلى انتهاكات لهوامش الأمان.
- التحكم (GP-MPC) المقترح: نجح في التكيف مع الاضطراب المتغير زمنياً في الوقت الفعلي، محافظاً على أوقات لفة ثابتة ومسارات مستقرة مشابهة للأداء قبل حدوث الاضطراب.
- المقارنة: أدى الأسلوب المقترح أداءً مشابهاً لعملية غاوسية دقيقة مع ذاكرة 400 نقطة، ولكن مع الميزة النظرية المتمثلة في عدم التخلص من البيانات، وهو أمر بالغ الأهمية في السيناريوهات التي يكون فيها تراكم البيانات بطيئاً بالنسبة لتغيرات النظام.

5. الأهمية والخاتمة

يقلص هذا العمل الفجوة بين الفوائد النظرية للعمليات الغاوسية (تقدير عدم اليقين، كفاءة البيانات) والقيود العملية للتحكم في الوقت الفعلي.

الأثر: يتيح تعلمًا حقيقيًا عبر الإنترنت للتحكم التنبئي بالنماذج، مما يسمح للمتحكمات بالتكيف مع الانحرافات البطيئة أو التغيرات طويلة الأمد في ديناميكيات النظام دون العقوبة الحسابية الناتجة عن نمو مجموعات البيانات.
العمل المستقبلي: يقترح المؤلفون توسيع الطريقة لتشمل ضبط المعلمات الفائقة (hyperparameters) عبر الإنترنت ووضع ضمانات استقرار الحلقة المغلقة نظرياً.

باختصار، تقدم هذه الورقة إطار عمل فعال حسابياً، ومستقر عددياً، وسليم نظرياً للتحكم القائم على التعلم، وقد تم إثباته بفعالية في تطبيق سباق آلي عالي السرعة وحرج من حيث السلامة.