💻 computer science

AI-Enabled Image-Based Hybrid Vision/Force Control of Tendon-Driven Aerial Continuum Manipulators

تقترح هذه الورقة إطار عمل للتحكم الهجين المتتالي (رؤية/قوة) المعزز بالذكاء الاصطناًعي للمناولات الجوية المستمرة التي تعمل بالأوتار، والذي يدمج نمذجة الانفعال الثابت، والتحكم في الوضع المنزلق سريع الوقت المحدد، واستخراج الميزات القائم على الشبكة العصبية الرسومية لتحقيق تعلم آني قوي لعدم اليقين من أجل التفاعل الفيزيائي الذاتي مع البيئات الساكنة.

المؤلفون الأصليون: Shayan Sepahvand, Farrokh Janabi-Sharifi, Farhad Aghili

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shayan Sepahvand, Farrokh Janabi-Sharifi, Farhad Aghili

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 روبوتًا طائرًا لا يمتلك أذرعًا معدنية صلبة مثل الرافعة، بل ذراعًا طويلة ومرنة تشبه الأفعى مصنوعة من مواد لينة. هذا هو المناور المستمر الموجه بالأوتار (TD-ACM). فكر في الأمر كأنه طائرة بدون طيار (درون) متصل بها "ذراع أخطبوط".

المشكلة؟ التحكم في ذراع تشبه الأفعى أثناء الطيران أمر صعب للغاية. إذا اصطدمت الذراع بجدار، فإنها تنثني. إذا هبت الرياح، فإن الطائرة تهتز. إذا رأت الكاميرا خطًا ضبابيًا، فإن الروبوت يصاب بالارتباك. تستخدم الروبوتات التقليدية أذرعًا صلبة ورياضيات بسيطة، لكن هذه الطرق تفشل هنا لأن الذراع يتغير شكلها باستمرار.

تقدم هذه الورقة البحثية "عقلاً" جديدًا لهذا الروبوت يسمح له بلمس الأشياء ودفعها برفق أثناء الطيران، حتى عندما تكون الظروف فوضوية. إليك كيف فعلوا ذلك، مشروحًا ببساة:

1. "العين الذكية" (الرؤية)

تستخدم معظم الروبوتات الكاميرات للعثور على نقاط أو زوايا محددة (مثل نمط لوحة الشطرنج) لمعرفة موقعها. لكن في العالم الحقيقي، قد تختفي تلك النقاط، أو تتغير الإضاءة.

الابتكار: بدلاً من البحث عن النقاط، يبحث هذا الروبوت عن الخطوط (مثل حواف الباب أو النافذة).
التشبيه: تخيل أنك تحاول التنقل في غرفة. من الصعب القيام بذلك إذا كنت تبحث فقط عن كرة حمراء محددة، ولكن من الأسهل بكثير إذا نظرت إلى الخطوط الطويلة للجدران والأرضية. يستخدم الروبوت "عين ذكاء اصطناعي" (شبكة عصبية رسومية - Graph Neural Network) بارعة حقًا في رصد هذه الخطوط، حتى لو كانت محجوبة جزئيًا أو كانت الإضاءة غريبة. الأمر يشبه امتلاك عين فنان خارق يمكنه رؤية هيكل الغرفة حتى في الظلام.

2. "الإحساس" (التحكم في القوة)

يحتاج الروبوت إلى الضغط على الجدار بمقدار الضغط المناسب تمامًا — ليس بقوة (فتكسر الجدار)، ولا بضعف (فلا يؤدي المهمة).

التحدي: نظرًا لأن الذراع لينة، فإنها تنثني عندما تضغط. الروبوت لا يعرف بالضبط مقدار انثنائها بمجرد النظر إلى محركاته.
الحل: يستخدم الروبوت "مستشعر قوة" عند طرفه (مثل طرف إصبع حساس) ليشعر بالضغط. وهو يجمع هذا الشعور مع ما تراه الكاميرا.

3. "مدرب الذكاء الاصطناعي" (نظام التحكم)

هذا هو الجزء الأهم. يجب على الروبوت القيام بشيئين في آن واحد: الحفاظ على ثبات الصورة (بحيث يظل الخط في منتصف الكاميرا) والحفاظ على ثبات قوة الدفع.

المشكلة: الرياضيات الخاصة بذراع طائرة ومنثنية هي كابوس. بالإضافة إلى ذلك، فإن الرياح وضجيج الكاميرا يجعلان البيانات غير دقيقة.
الحل: أعطى الباحثون للروبوت مدرب ذكاء اصطناعي (شبكة عصبية ذات دالة أساس شعاعي - RBFNN).
- كيف يعمل: تخيل طالبًا يتعلم ركوب الدراجة في يوم عاصف. المعلم العادي قد يقول: "بدّل بقوة أكبر". لكن مدرب الذكاء الاصطناعي هذا يراقب الطالب، ويشعر بالرياح، ويرى التمايل، ويقول فورًا: "مل بجسمك لليسار قليلاً، بدّل بسرعة أكبر، ولا تقلق بشأن تلك الهبة من الرياح".
- لا توجد واجبات منزلية: عادةً ما يحتاج الذكاء الاصطناعي إلى التدريب لشهور في المختبر قبل أن يعمل. لكن هذا الذكاء الاصطناعي يتعلم أثناء العمل. فهو يستنتج الأخطاء ويصححها في الوقت الفعلي، دون الحاجة إلى دليل تعليمات مكتوب مسبقًا.

4. وعد "الوقت المحدد"

معظم أنظمة التحكم تقول: "سأصل بالخطأ إلى الصفر في النهاية". أما هذا النظام فيقول: "سأصل بالخطأ إلى الصفر خلال وقت محدد ومضمون، بغض النظر عن مدى سوء البداية".

التشبيه: إذا كنت تقود سيارة وفاتك مخرج، فقد يستغرق نظام GPS العادي وقتًا طويلًا لإعادة التوجيه. أما هذا النظام الجديد فهو مثل نظام GPS "للتنقل الآني" الذي يقول: "أعلم أنك فوت المخرج، لكنني أضمن أننا سنعود إلى المسار الصحيح في 5 ثوانٍ بالضبط، مهما كان بعيدًا عن المسار".

لماذا يهم هذا؟

الأمان: نظرًا لأن الذراع لينة والمتحكم ذكي، يمكن للروبوت لمس الأشياء الهشة (مثل الزهور أو البشر) برفق دون كسرها.
المتانة: يعمل حتى لو كانت الكاميرا متسخة، أو كانت الرياح تهب، أو بدأ الروبوت في وضعية غريبة.
العالم الحقيقي: إنه يتجاوز "ظروف المختبر المثالية" لينتقل إلى البيئات الواقعية الفوضوية حيث لا تكون الأشياء متوقعة تمامًا.

باختًاختصار

بنى المؤلفون روبوتًا طائرًا بذراع لينة تشبه الأفعى. علموه كيف "يرى" باستخدام الخطوط بدلًا من النقاط، وكيف "يشعر" بلمسة حساسة، وكيف "يفكر" باستخدام مدرب ذكاء اصطناعي يتعلم فورًا أثناء الطيران. النتيجة هي روبوت يمكنه الطيران نحو جدار، والضغط عليه برفق، والحفاظ على موقعه بدقة، حتى لو كانت الرياح تهب أو كانت الكاميرا تهتز. إنه يشبه تعليم قنديل بحر كيف يطير ويجري جراحة دقيقة في نفس الوقت.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التحكم الهجين القائم على الرؤية والقوة المدعوم بالذكاء الاصطناعي للمناولات الجوية المستمرة التي تعمل بالأوتار."

1. بيان المشكلة

تتناول الورقة التحديات المتعلقة بـ التفاعل الفيزيائي الجوي (APhI) باستخدام المناولات الجوية المستمرة التي تعمل بالأوتار (TD-ACMs). بخلاف الأذرع الجوية التقليدية الصلبة (RA-AMs)، تتميز هذه المناولات (TD-ACMs) بهياكل مرنة وقابلة للتشوه توفر قدرة فائقة على التكيف في البيئات المزدحمة وتفاعلات أكثر أماناً من حيث قوى التلامس. ومع ذلك، فإن التحكم بها أكثر صعوبة بشكل كبير بسبب:

الديناميكيات المعقدة: يؤدي التشوه المستمر للذراع إلى خلق اقتران قوي بين الشكل والقوة والحركة، مما يجعل النمذجة الدقيقة مكثفة حاسوبياً (غالباً ما تتطلب معادلات تفاضلية جزئية).
عدم اليقين في تقدير الحالة: على عكس الأذرع الصلبة، تفتقر هذه المناولات إلى مشفرات مفاصل مباشرة؛ حيث تعتمد حالتها بشكل كبير على قوى التلامس والتأثيرات الديناميكية الهوائية (مثل تدفق الهواء لأسفل - downwash)، مما يؤدي إلى عدم يقين في تحديد الموقع.
القيود على التحكم: تفشل مخططات التحكم الهرمية المستخدمة للأذرع الصلبة لأن تشوهات الذراع تحدث في جداول زمنية مشابهة لديناميكيات وضعية الطائرة بدون طيار (UAV). علاوة على ذلك، يعتمد التحكم البصري التقليدي غالباً على السمات النقطية أو استخراج الخطوط الاستدلالي، وهي طرق حساسة للضوضاء، والانسداد، وتغيرات الإضاءة.

تتمثل المشكلة الجوهرية في تصميم متحكم هجين (رؤية/قوة) قوي يمكنه التفاعل ذاتياً مع بيئة ثابتة، وتثبيت أخطاء السمات الصورية، وتنظيم قوى التلامس رغم عدم دقة النمذجة، وضوضاء المستشعرات، والاضطرابات الديناميكية الهوائية، دون الحاجة إلى تدريب مسبق (offline training).

2. المنهجية

يقترح المؤلفون إطار عمل للتحكم الهجين المتتالي (رؤية/قوة) متكامل مع تقدير عدم اليقين القائم على الذاء الاصطعي. تتكون المنهجية من أربعة ركائز أساسية:

أ. النمذجة في مجموعة SE(3)

نموذج الانفعال الثابت (Constant-Strain Model): يتبنى المؤلفون نهج نمذجة الانفعال الثابت ضمن المجموعة الإقليدية الخاصة SE(3). يوفر هذا النهج تمثيلاً موجزاً يلتقط الاقتران بين المركبة والذراع وتأثيرات التشوه، مع الحفاظ على كفاءة حسابية قابلة للتنفيذ في الوقت الفعلي، مما يحقق توازناً أفضل في الدقة مقارنة بنماذج الانحناء الثابت الجزئي (PCC) أو نماذج قضيب كوزيرات (Cosserat rod).
الكينماتيكا (Kinematics): يقوم النظام بنمذجة كينماتيكا الطائرة بدون طيار والذراع المستمرة كنظام مقترن، مع تقسيم الذراع إلى نقاط جوهرية باستخدام التكامل العددي (Gaussian quadrature).

ب. التحكم البصري بالخدمة (Visual Servoing) باستخدام التعلم العميق

التحكم البصري القائم على الخطوط (Line-Based IBVS): بدلاً من السمات النقطية، يستخدم النظام السمات الخطية للتحكم البصوري القائم على الصورة (IBVS). السمات الخطية أكثر وفرة في البيئات المصنوعة من قبل الإنسان وأكثر صموداً أمام تغيرات زاوية الرؤية والانسداد الجزئي.
استخراج السمات العميقة: للتغلب على العبء الحسابي وعدم اليقين في مستخرجات الخطوط التقليدية (مثل تحويل هوف)، يستخدم النظام شبكة عصبية رسومية (GNN) (تحديداً إطار عمل "Gluestick"). يقوم هذا النهج القائم على التعلم العميق باستخراج معاملات الخط (الزاوية $\theta$ والمسافة $\rho$ ) في الوقت الفعلي، مستفيداً من معلومات الاتصال لتمييز قطع الخطوط عن بعضها.

ج. بنية التحكم

المتحكم عبارة عن متحكم انزلاق نمطي سريع ذو زمن ثابت متتالي (CFTSMC) مدعوم بـ شبكات عصبية ذات وظائف أساس شعاعية (RBFNN).

الحلقة الهجينة: يعمل قانون التحكم على تقليل خطأ السمة الصورية ( $e_s$ ) وخطأ القوة العمودية ( $e_f$ ) في آن واحد.
تقدير عدم اليقين: تُستخدم شبكات RBFNN لتقدير وتعويض حالات عدم اليقين في مصفوفة التفاعل الصوري وقياسات القوة ( $\Delta_s, \Delta_f$ ) في الوقت الفعلي (online)، مما يلغي الحاجة إلى التدريب المسبق.
استقرار الزمن الثابت (Fixed-Time Stability): يضمن المتحكم تقارب الأخطاء إلى الصفر خلال زمن محدد ( $T_{max}$ ) بغض النظر عن الظروف الأولية، مما يضمن استجابة سريعة.
الكاميرا الافتراضية: للتعامل مع نقص القدرة على التحكم في الطائرة بدون طيار (عدم القدرة على التحكم المباشر في الالتفاف/Roll والميل/Pitch)، يتم إنشاء إطار كاميرا افتراضي حيث يتم تقييد الالتفاف والميل عند الصفر، مما يفصل فعلياً التحكم البصري عن ديناميكيات وضعية الطائرة.

د. إثبات الاستقرار

تقدم الورقة إثباتاً صارماً للاستقرار يعتمد على دالة ليابونوف (Lyapunov-based stability proof) يوضح الاستقرار في زمن ثابت للنظام مغلق الحلقة، مما يضمن تقارب كل من أخطاء التتبع البصري والقوة إلى الأصل بشكل موحد.

3. المساهمات الرئيسية

أول تحكم هجين لـ TD-ACMs: يعد هذا أول عمل يقترح استراتيجية تحكم هجين (موقع/قوة) مخصصة للمناولات الجوية المستمرة التي تعمل بالأوتار، معالجاً تحديات التحديد الموضعي والنمذجة الفريدة للروبوتات الجوية اللينة.
متانة معززة بالذكاء الاصطناعي: دمج مستخرج خطوط قائم على GNN ومقدرات عدم اليقين القائمة على RBFNN. يسمح هذا للنظام بالتعامل مع البيئات غير المنظمة دون الحاجة لعلامات (markers) وتعلم حالات عدم اليقين (الديناميكية الهوائية، أخطاء النمذجة، ضوضاء المستشعرات) في الوقت الفعلي.
نمذجة الانفعال الثابت في SE(3): صياغة مبتكرة لنماذج الكينماتيكا والديناميكا المقترنة في SE(3) توازن بين الدقة والكفاءة الحسابية، مما يجعلها مناسبة للتنفيذ في الوقت الفعلي.
التقارب في زمن ثابت: يضمن التصميم تقارباً سريعاً للأخطاء ضمن حد زمني ثابت، وهو ما يتفوق على المتحكمات ذات التقارب التقاربي (asymptotic) أو التقارب في زمن محدود (finite-time) من حيث القدرة على التنبؤ والسرعة.

4. النتائج

تم التحقق من المنهجية من خلال محاكاة واسعة النطاق (Software-in-the-loop) وتجارب في الحلقة الصلبة (Hardware-in-the-loop).

أداء المحاكاة:
- تمت مقارنة المتحكم المقترح مع متحكمات PI/PD ومتحكمات الانزلاق النمطي المتتالية (CISMC) القياسية.
- تتبع الرؤية: حققت الطريقة المقترحة جذر متوسط مربع الخطأ (RMSE) قدره 0.06، وهو نصف خطأ متحكم PD (0.12) تقريباً، وحسنت الانحراف المعياري (STD) بنسبة 28%.
- تتبع القوة: تفوق على CISMC بنسبة تزيد عن 50% في كل من RMSE وSTD.
- نجح النظام في تتبع المسارات المتغيرة زمنياً (مثل مسارات شكل اللانهاية $\infty$ ) وحافظ على قوى تلامس مستقرة (مثلاً من 2.5 نيوتن إلى 0.5 نيوتن) رغم اختلاف الظروف الأولية.
التحقق التجريبي:
- اختبارات التلامس بدون تلامس: أظهرت تقارب أخطاء الصورة إلى قيم ضئيلة جداً خلال ~20-25 ثانية باستخدام كل من علامات AprilTag واستخراج السمات العميقة.
- اختبارات الدفع (الأرضي والجوي): نجح النظام في تنفيذ مهام التلامس على الأسطح الرأسية.
  - حافظ على قوى تفاعل منخفضة ( $< 2$ نيوتن)، مما يضمن السلامة.
  - تعامل بفعالية مع تغيرات المشهد (اختلاف عدد السمات الخطية) والاضطرابات الديناميكية الهوائية (تدفق الهواء لأسفل من الطائرة).
  - في الاختبارات الجوية، وبالرغم من زيادة التذبذبات بسبب تدفق الهواء، استطاع المتحكم تثبيت الأخطاء خلال 5-7 ثوانٍ.

5. الأهمية

يمثل هذا العمل قفزة نوعية في الروبوتات الجوية، وتحديداً لـ المناولات المستمرة اللينة.

السلامة والقدرة على التكيف: من خلال الاستفادة من مرونة الأذرع المستمرة والتحكم القوي، يتيح النظام تفاعلاً آمناً مع الأجسام الهشة أو القابلة للتشوه في البيئات الخطرة أو البعيدة.
الاستقلالية: إن إزالة الاعتماد على التحديد الموضعي الخارجي (GPS/SLAM) والتدريب المسبف يجعل النظام أكثر استقلالية وقابلية للنشر في البيئات التي تفتقر لنظام تحديد المواقع أو البيئات غير المنظمة.
المتانة: إن الجمع بين التعلم العميق للإدراك والشبكات العصبية التكيفية لمعالجة عدم اليقين في التحكم يضع معياراً جديداً للمتانة في التفاعل الفيزيائي الجوي، متجاوزاً قيود استراتيجيات التحكم للأذرع الصلبة.

باختاً، تقدم الورقة إطار عمل شاملاً، مؤصلاً نظرياً، ومتحققاً منه تجريبياً، يمكّن الروبوتات الجوية من أداء مهام المناولة الدقيقة والمنظمة بالقوة في سيناريوهات معقدة من العالم الحقيقي.