⚡ electrical engineering

Passive iFIR filters for data-driven velocity control in robotics

تقدم هذه الورقة طريقة سلبية قائمة على البيانات للتحكم في السرعة للمناولات الروبوتية غير الخطية، والتي تستخدم تحديد المتحكمات من نوع iFIR القائم على تقنية VRFT لتحقيق أداء تتبع فائق وضمانات استقرار تتفوق على متحكم PID المُحسَّن، مع السماح بإعادة التعلم السريع عند تغير ديناميكيات النظام.

المؤلفون الأصليون: Yi Zhang, Zixing Wang, Fulvio Forni

نُشر 2026-04-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yi Zhang, Zixing Wang, Fulvio Forni

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 ذراعاً آلياً كيفية نقل كوب من القهوة من فوق الطاولة إلى يد شخص ما دون سكب قطرة واحدة. هذه هي مهمة التحكم في السرعة (Velocity Control): إخبار الروبوت بالضبط بمدى سرعة حركته في كل لحظة.

لعقود من الزمن، كانت الطريقة القياسية للقيام بذلك هي استخدام "متحكم PID". فكر في متحكم PID كأنه جدٍّ خبير ولكنه جامد. هو يعرف الأساسيات: "إذا كنت بطيئاً جداً، أسرع. إذا كنت سريعاً جداً، أبطئ". إنه موثوق، وسهل الإعداد، ويعمل جيداً في المهام البسيطة. ولكن إذا التقطت ذراع الروبوت فجأة حمولة ثقيلة ومتذبذبة (مثل شريط خشني طويل ومرن)، أو احتاجت للتحرك بدقة متناهية، فسيصاب الجد بالارتباك. فهو لا يملك سوى ثلاث "مقابض" لضبطها، ولا يمكنه التكيف بسرعة مع الفيزياء المعقدة والمتمايلة للموقف الجديد.

على الجانب الآخر من الطيف، توجد متحكمات "الذكاء الاصطناعي" الحديثة (مثل التعلم التعزيزي العميق). هذه المتحكمات تشبه العباقرة النابغين الذين يمكنهم تعلم أي شيء. يمكنهم اكتشاف كيفية تحريك تلك الحمولة المتمايلة بشكل مثالي. ولكن هناك مشكلة: فهم غير متوقعين. قد يتعلمون خدعة تنجح في المحاكاة، ولكنها تتسبب في دوران الروبوت حول نفسه وفقدان السيطرة والاصطدام في العالم الحقيقي. إنهم يفتقرون إلى "ضمانات السلامة".

الحل: "المدرب الذكي والآمن" (Passive iFIR)

تقدم هذه الورقة البحثية طريقة جديدة تسمى Passive iFIR. فكر في هذا كأنه مدرب ذكي وآمن يجلس في المنتصف تماماً بين الجد الجامد والعبقري المتهور.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. خدعة "الذاكرة" (iFIR)

متحكم PID ينظر فقط إلى الآن (السرعة الحالية)، والماضي القريب (كيف كانت السرعة قبل ثانية واحدة)، والماضي المتراكم (إجمالي الخطأ عبر الزمن). ذاكرته قصيرة جداً.

أما متحكم iFIR (الاستجابة النبضية المحدودة التكاملية) فهو يشبه مدرباً لديه ذاكرة أطول. فبدلاً من النظر فقط إلى الثواني القليلة الماضية، فإنه يتذكر تسلسلاً كاملاً من الحركات الماضية (مثل تاريخ حركة لمدة 2.5 ثانية).

التشبيه: إذا كنت تقود سيارة، فإن PID يشبه النظر إلى عداد السرعة في اللحظة الحالية فقط. أما iFIR فهو يشبه النظر إلى عداد السرعة وتذكر كيف تسارعت خلال الثواني القليلة الماضية للتنبؤ بمكانك في اللحظة التالية. هذا يسمح بتنعيم الحركات والتعامل مع الحمولات "المتذبذبة" بشكل أفضل بكثير.

2. التعلم من "الاستكشاف" (القائم على البيانات)

عادةً، لبرمجة روبوت، تحتاج إلى نموذج رياضي مثالي لكيفية حركته. لكن الروبوتات فوضوية؛ فالاحتكاك يتغير، والحمولات تتغير، والأجزاء تتآكل.

الابتكار: هذه الطريقة لا تحتاج إلى نموذج رياضي. هي تحتاج فقط إلى 3 دقائق من بيانات "الاستكشاف".
التشبيه: تخيل أنك تريد تعلم كيفية التعامل مع سيارة جديدة. بدلاً من قراءة دليل الاستخدام (النموذج الرياضي)، يمكنك فقط قيادتها في موقف للسيارات لمدة 3 دقائق، واختبار كيفية انعطافها وكبحها. خوارزمية iFIR تراقب هذه البيانات وتكتشف فوراً أفضل طريقة للتحكم في السيارة. الأمر يشبه شعور الروبوت بطريقه نحو الحل.

3. "شبكة الأمان" (الخمول/الاستقرار - Passivity)

هذا هو الجزء الأهم. العديد من طرق الذكاء الاصطناعي تتعلم عن طريق التجربة والخطأ، مما قد يؤدي إلى عدم استقرار خطير.

الابتكار: قام الباحثون ببناء "شبكة أمان" مباشرة داخل الرياضيات. لقد أجبروا المتحكم على أن يكون خاملاً (Passive).
التشبيه: فكر في "الخمول" (Passivity) كقاعدة تقول: "لا يمكن للروبوت أبداً ضخ طاقة في النظام أكثر مما يأخذه منه". في الواقع، هذا يعني أن الروبوت لا يمكنه أبداً القيام بحركة "مفاجئة" أو "انفجارية" بالطاقة. هذا يضمن أنه مهما كانت الحمولة غريبة، سيظل الروبوت مستقراً ولن يخرج عن السيطرة. إنه يشبه وضع منظم لسرعة محرك السيارة بحيث لا يمكنه تجاوز سرعة آمنة مهما ضغطت على دواسة الوقود.

النتائج: السباق

اختبر الفريق هذا "المدرب الذكي والآمن" على روبوت Franka Research 3 (ذراع روبوتية عالية التقنية) في سيناريوهين:

التحكم في المفصل (Joint Control): تحريك مفصل واحد مع وجود شريط خشني طويل ومرن متصل به (لمحاكاة حمولة ثقيلة ومتذبذبة).
التحكم في المسار (Cartesian Control): تحريك يد الروبوت عبر مساحة ثلاثية الأبعاد لاتباع مسار دقيق.

النتيجة:

ضد "الجد" (PID): كان مدرب iFIR أفضل بكثير. في أصعب الاختبارات، قلل أخطاء التتبع بنسبة تصل إلى 74.5%. هذا هو الفرق بين روبوت يسكب قهوتك وروبوت يصبها ببراعة.
ضد "العبقري" (الذكاء الاصطناعي غير المقيد): كان مدرب iFIR بنفس مستوى الأداء، ولكنه كان آمناً بنسبة 100%. عندما حاولوا تدريب iFIR بدون شبكة الأمان، بدأ الروبوت يهتز بعنف وكاد أن يصطدم. كانت شبكة الأمان ضرورية للغاية.
القدرة على التكيف: عندما قاموا بتغيير الحمولة (استبدال الشريط الخشني الطويل بآخر قصير)، استطاع مدرب iFIR إعادة تعلم الديناميكيات الجديدة في دقائق والعودة إلى ذروة الأداء على الفور.

الصورة الكبيرة

هذه الورقة البحثية تجسر الفجوة بين الموثوقية التقليدية والتعلم الحديث.

الأسلوب القديم: آمن، ولكنه محدود وجامد.
الأسلوب الحديث: قوي، ولكنه محفوف بالمخاطر وغير مستقر.
هذه الورقة: طريقة تتعلم من البيانات مثل الأسلوب الحديث، ولكنها تحتفظ بضمانات السلامة الخاصة بالأسلوب القديم.

إنه يشبه منح الروبوت "ذاكرة عضلية" يمكنه تحديثها في دقائق كلما تغيرت بيئته، مع ضمان عدم إيذاء نفسه أو الأشخاص من حوله أبداً. هذه خطوة كبيرة نحو جعل الروبوتات تعمل بأمان في البيئات الديناميكية وغير المتوقعة في العالم الحقيقي مثل المصانع، المستشفيات، أو المنازل.

إليك ملخص تقني مفصل لورقة البحث بعنوان "مرشحات iFIR الخاملة للتحكم في السرعة القائم على البيانات في الروبوتات".

1. بيان المشكلة

تتناول الورقة تحدي تصميم متحكمات السرعة للمناورات الروبوتية غير الخطية التي توازن بين الأداء، ضمانات الاستقرار، وكفاءة البيانات.

الفجوة: تتميز متحكمات PID الكلاسيكية بالبساطة والاستقرار، لكنها تفتقر إلى درجات الحرية اللازمة لتشكيل استجابات الحلقة المغلقة المعقدة للديناميكيات عالية الرتبة أو غير الخطية. وفي المقابل، توفر أساليب التحكم الحديثة القائمة على التعلم (مثل التعلم التعزيزي العميق Deep RL) أداءً عالياً، ولكنها غالباً ما تفتقر إلى ضمانات استقرار رسمية وتتطلب مجموعات بيانات ضخمة.
الهدف: تطوير متحكم يتعلم مباشرة من دفعة صغيرة من البيانات التجريبية (دون نموذج صريح للروبوت)، ليقترب من نموذج مرجعي مطلوب، مع ضمان استقرار الحلقة المغلقة رياضياً حتى عند تغير ديناميكيات الروبوت أو عدم اليقين بها.
السياق المحدد: تركز الدراسة على التحكم في السرعة (سواء في فضاء المفاصل أو الفضاء الكارتيزي)، وهو الواجهة القياسية للروبوتات الصناعية، مما يتطلب السلاسة، المتانة، والتخميد الجوهري.

2. المنهجية

يستخدم الحل المقترح مرشحات iFIR الخاملة (Passive Infinite Impulse Response) التي يتم تركيبها عبر ضبط التغذية الراجعة للمرجع الافتراضي (VRFT).

أ. هيكل المتحكم (iFIR)

يمتد متحكم iFIR من هيكل PID التقليدي:

البنية المتوازية: يتكون من مكامل متعدد المدخلات والمخرجات (MIMO) (مشابه لـ 'I' في PID) بالتوازي مع مرشح الاستجابة النبضية المحدودة (FIR) (بدلاً من طرفي 'P' و 'D').
الصيغة الرياضية:
$u(t) = \sum_{k=0}^{m-1} H_k e(t-k) + T_s \Gamma \sum_{k \ge 0} e(t-k)$
حيث أن $H_k$ هي معاملات FIR، و $\Gamma$ هي مصفوفة كسب التكامل، و $e(t)$ هي إشارة الخطأ.
الميزة: يوفر طرف FIR تمثيلاً زمنياً أغنى من المشتق البسيط، مما يسمح بإجراءات تحكم دقيقة دون الحساسية للضوضاء المرتبطة بالاشتقاق الصرف.

ب. التركيب القائم على البيانات (VRFT)

يتم تحديد معاملات المتحكم مباشرة من بيانات المدخلات والمخرجات دون نمذجة النظام:

الاستثارة (Probing): يتم استثارة الروبوت بإشارة multi-sine لفترة قصيرة (مثلاً 1-3 دقائق) لجمع بيانات المدخلات ( $u$ ) والمخرجات ( $y$ ).
المرجع الافتراضي: يتم تحديد نموذج مرجعي مطلوب $M_r$ . تقوم الخوارزمية بحساب "مرجع افتراضي" $r = M_r^{-1}(y)$ لتوليد إشارة خطأ $e = r - y$ .
التحسين (Optimization): يتم إيجاد معاملات المتحكم عن طريق تقليل خطأ المربعات الصغرى بين مدخل التحكم الفعلي والمدخل المطلوب لإنتاج المرجع الافتراضي، مع مراعاة قيود الخمول (Passivity Constraints).

ج. الاستقرار عبر قيود الخمول

لضمان الاستقرار، تتضمن عملية التحسين قيوداً تجبر المتحكم على أن يكون خاملاً (مبدداً للطاقة).

النظرية 1: يثبت المؤلفون أنه إذا كانت مصفوفة كسب التكامل $\Gamma$ شبه موجبة التحديد، وكانت معاملات FIR تضمحل أسياً، واستجابة التردد لطرف FIR تحقق شرط الحقيقة الموجبة (المُقرب عبر أخذ العينات المحدودة)، فإن المتحكم الناتج يكون خاملاً.
الضمان: بما أن الروبوت والبيئة بطبيعتهما خاملان، فإن ربطهما بمتحكم خامل يضمن استقرار الحلقة المغلقة، حتى مع وجود شكوك في النموذج أو تأثيرات التقطيع (Discretization)، بشرب أن يكون تردد أخذ العينات مرتفعاً بما يكفي.

3. المساهمات الرئيسية

أول تحقق تجريبي: هذه هي الدراسة الأولى التي تتحقق تجريبياً من متحكمات iFIR الخاملة على مناور روبوتي حقيقي (Franka Research 3).
التعميم لـ MIMO: يوسع المنهج مفاهيم iFIR الخاملة السابقة من نظام SISO (مدخل واحد ومخرج واحد) إلى أنظمة MIMO (مدخلات متعددة ومخرجات متعددة)، وهو أمر ضروري للتحكم في الفضاء الكارتيزي.
المفاضلة بين الاستقرار والأداء: يجسر البحث الفجوة بين التحكم الكلاسيكي والتعلم من خلال تقديم نهج قائم على البيانات يحافظ على ضمانات استقرار صارمة (على عكس أساليب التعلم "الصندوق الأسود").
القدرة السريعة على التكيف: تسمح هذه الطريقة بإعادة تعلم المتحكم في دقائق معدودة (حوالي 100 ثانية) عند تغير الديناميكيات (مثل تغير الحمولة)، لاستعادة الأداء الاسمي.

4. النتائج التجريبية

أجريت التجارب على روبوت Franka Research 3 في سيناريوهين:

أ. التحكم في سرعة فضاء المفاصل (Joint-Space)

الإعداد: التحكم في مفصل واحد مع شريط خشبي مرن متصل لمحاكاة ديناميكيات عالية الرتبة وصعبة النمذجة.
الأداء:
- الحالة الاسمية: قلل iFIR الخامل من خطأ التتبع (NRMSE) بنسبة 41.0% مقارنة بـ PID المحسن.
- تغير الديناميكيات: عند تغير الحمل (تغيير طول الشريط) دون إعادة التدريب، حافظ iFIR على تتبع أفضل من PID (تحسن بنسبة 28.1%).
- المرجع العدواني: عند الاختبار مع نموذج مرجعي من الدرجة الثانية يتطلب استجابة قوية، أصبح iFIR غير المقيد (غير الخامل) غير مستقر، بينما ظل iFIR الخامل وPID مستقرين. وهذا يبرز الدور الحاسم لقيود الخمول.

ب. التحكم في سرعة الفضاء الكارتيزي (Cartesian-Space)

الإعداد: التحكم في سرعة نهاية الأداة (End-effector) في فضاء ثلاثي الأبعاد (تكوينات SISO وMIMO).
الأداء:
- SISO: تفوق iFIR على PID بنسبة 24.6% (ملف عشوائي) و 19.7% (ملف شبه منحرف).
- MIMO (الدرجة الأولى): حقق iFIR تحسناً في الأداء بنسبة 32.0% فوق PID.
- MIMO (الدرجة الثانية/المتطلبة): تحت نموذج مرجعي من الدرجة الثانية عالي النطاق الترددي، حقق iFIR تحسينات هائلة: تقليل الخطأ بنسبة 67.7% للمسارات العشوائية و 74.5% للملفات شبه المنحرفة.
- المتانة: عند العمل بعيداً عن تكوين التدريب، أظهر PID تذبذبات عالية التردد، بينما تدهور أداء iFIR بشكل أكثر سلاسة وتدرجاً.

5. الأهمية والخاتمة

جسر الفجوة: نجحت الورقة في إثبات أن التحكم القائم على البيانات لا يتطلب بالضرورة التضحية بالاستقرار. فمن خلال فرض الخمول أثناء عملية التعلم، يحقق المتحكم أداء أساليب التعلم المعقدة مع ضمانات السلامة الخاصة بالتحكم الكلاسيكي.
الواقعية العملية: تتطلب الطريقة حداً أدنى من البيانات (دقائق من الاستثارة) وموارد حوسبة منخفضة، مما يجعلها قابلة للتطبيق في البيئات الصناعية حيث يصعب اشتقاق النموذج.
الاتجاهات المستقبلية: يشير المؤلفون إلى قيود تتعلق بالاختيار اليدوي للنماذج المرجعية والطبيعة الخطية للتصميم. يهدف العمل المستقبلي إلى أتمتة اشتقاق النموذج المرجعي وتطوير متحكمات iFIR تكيفية وغير خطية.

باخت-صار، يوفر iFIR الخامل بديلاً قوياً ومستقراً وعالي الأداء لـ PID للتحكم في السرعة الروبوتية، خاصة في السيناريوهات التي تتضمن ديناميكيات معقدة، وتغيرات في الحمولة، وملفات حركة متطلبة.