ملخص تقني: SAFEMANIP

بيان المشكلة

لطالما تم تقييم التحكم الروبوتي في المناولة بشكل أساسي من خلال مقاييس نجاح المهام (مثل معدل النجاح). ومع ذلك، فإن إتمام المهمة بنجاح لا يضمن التنفيذ الآمن. فالعديد من حالات الفشل في السلامة أثناء المناولة الروبوتية هي ذات طبيعة زمنية، تنشأ من تسلسل وتوقيت الأحداث بدلاً من انتهاكات الحالة اللحظية. تشمل الأمثلة: لمس الروبوت لسطح نظيف بعد التعامل مع طعام ملوث، أو إطلاق جسم قبل أن يكون بالكامل داخل حاوية، أو إسقاط عنصر أثناء النقل. تعتمد المعايير الحالية غالباً على تسميات مخاطر خاصة بالمهام، أو فحوصات تصادم لحظية، أو تكاليف مسار تراكمية. ورغم فائدتها، إلا أن هذه المقاييس غالباً ما تحجب أي قاعدة سلامة تم انتهاكها، ومتى حدث ذلك، وما إذا كانت المهمة قد اكتملت بأمان أم اكتملت فحسب. هناك نقص في الأطر القابلة لإعادة الاستخدام والموجهة بالخصائص لتقييم خصائص السلامة الزمنية عبر مهام مناولة متنوعة.

المنهجية

يقدم المؤلفون SAFEMANIP، وهو معيار موجه بالخصائص مصمم لتقييم السلامة الزمنية صراحةً في المناولة الروبوتية. يتكون الإطار من ثلاثة مكونات أساسية:

1. لغة التوصيف الصوري (LTLf)

يستخدم SAFEMANIP المنطق الزمني الخطي فوق المسارات المحدودة (LTLf) لتحديد خصائص السلامة. وبخلاف منطق LTL القياسي المستخدم للمسارات اللانهائية، فإن LTLf مناسب للمسارات الروبوتية المحدودة التي تنتهي عند نجاح المهمة، أو فشلها، أو الوصول إلى حدود الأفق الزمني.

• الافتراضات الذرية: يقوم النظام بتحويل الملاحظات المستمرة (وضع الأشياء، أحداث التلامس، حالات القابض، حالات المثبتات) إلى محمولات بولينية (مثل: ملوث Contaminated، قبضة مستقرة StableGrasp، تم إخلاء الحاوية EnclosureCleared).
• المعاملات الزمنية: يستخدم الإطار المعاملات القياسية: التالي ($\bigcirc$)، حتى ($U$)، دائماً ($\square$)، وأخيراً ($\diamond$) لتحديد الترتيب، والثوابت، ومتطلبات التعافي.
• المراقبة: يتم تجميع كل صيغة LTLf في "آلة حالة حتمية" (DFA). ومع توليد المسار الرمزي، تقوم الـ DFA بتحديث حالتها لتحديد ما إذا كانت الخاصية محققة أم منتهكة.

2. قوالب خصائص السلامة القابلة لإعادة الاستخدام

يحدد المعيار مجموعة من ثماني فئات للسلامة مع قوالب LTLf قابلة لإعادة الاستخدام. يمكن تخصيص هذه القوالب بكائنات، أو مثبتات، أو مناطق، أو مهارات خاصة بالمهمة، مما يسمح بالتعميم عبر البيئات المختلفة:

• سلامة التصادم والتلامس: تجنب التلامس غير الآمن طوال عملية المناولة.
• استقرار القبضة: ضمان بقاء الجسم ممسوكاً بشكل مستقر حتى لحظة الإطلاق.
• استقرار الإطلاق: ضمان استقرار الجسم بعد إطلاقه بأمان (عدم التدحرج، السقوط، أو الانسكاب).
• التلوث الخلطي: فرض التعقيم قبل التلامس النظيف بعد التعامل مع الملوثات.
• سلامة بدء الإجراء: التحقق من الشروط المسبقة الآمنة قبل بدء المهارة.
• سلامة الآليات: تتطلب التراجع والتعافي بعد اصطدام المثبتات (مثل الأبواب أو الأدراج).
• سلامة الاحتواء: ضمان وصول السوائل أو الأجسام المنقولة إلى المستلم المقصود.
• سلامة الحاويات والوصول: فرض قيود التسلسل (مثل إخلاء الحاوية قبل إدخال عناصر جديدة، أو الانتظار حتى الفتح الكامل قبل الوصول للداخل).

3. بروتوكول التقييم

• مجموعة المهام: تم تطبيق المعيار على 50 مهمة من مهام RoboCasa365 تغطي مهارات متنوعة للمناولة المنزلية (التنظيف، الطبخ، التخزين، إلخ)، مقسمة إلى سبعة مجموعات مناولة.
• السياسات التي تم تقييمها: تم اختبار ست سياسات من نماذج (الرؤية-اللغة-الفعل - VLA) ومتغيرات التدريب الخاصة بها، بما في ذلك $\pi_0$ و $\pi_{0.5}$ و GR00T N1.5 وثلاثة متغيرات لـ GR00T (التدريب المسبق فقط، الهدف فقط، والمدمج).
• المقاييس: يقوم الإطار بفصل نجاح المهمة عن السلامة. ويقدم التقارير التالية:
  • معدل نجاح المهمة: نسبة المسارات التي أتمت المهمة.
  • معدل انتهاك السلامة: تكرار الانتهاكات الإجمالي وبالنسبة لكل خاصية.
  • تفكيك النتائج: تصنيف المسارات إلى: ناجحة وآمنة، ناجحة ولكن غير آمنة، فاشلة ولكن آمنة، و فاشلة وغير آمنة.
  • معدل التعرض للحالة غير الآمنة: النسبة المئوية للخطوات الزمنية التي يقضيها النموذج في حالة انتهاك.

النتائج الرئيسية

أسفر تقييم ست سياسات VLA عبر 50 مهمة عن النتائج التالية:

1. نجاح المهمة لا يعني بالضرورة السلامة: لا تترجم التحسينات في معدلات نجاح المهام بالضرورة إلى تنفيذ أكثر أماناً. على سبيل المثال، أظهرت $\pi_{0.5}$ زيادة طفيفة في نجاح المهمة مقارنة بـ $\pi_0$ ولكنها سجلت زيادة كبيرة في انتهاكات السلامة (من 69.7% إلى 82.8%). الكثير من المسارات "الناجحة" صُنفت كـ ناجحة ولكن غير آمنة.
2. الفشل المرتبط بفئات محددة: لا تتوزع إخفاقات السلامة بشكل موحد. كانت انتهاكات التصادم/التلامس و استقرار الإطلاق هي الأكثر تكراراً. كانت إخفاقات الإطلاق مستمرة بشكل خاص، حيث تركت الأجسام غالباً غير مستقرة لعدة خطوات زمنية.
3. تأثير أفق المهمة وهيكليتها:
   • الأفق الزمني: زادت معدلات انتهاك السلامة بشكل عام مع امتداد آفاق المهام من المهام الذرية إلى المهام طويلة الأمد. تؤدي التنفيذات الأطول إلى تراكم المزيد من الانتقالات الحرجة للسلامة (التلامسات، الوضعيات، حركات المثبتات)، مما يؤدي لتراكم الانتهاكات حتى عند تحقيق الهدف النهائي.
   • الاعتماد على مجموعة المهام: كشفت المجموعات المعقدة التي تتضمن الطبخ والتنظيف والتقديم عن انتهاكات زمنية أكبر بكثير من مهام المثبتات البسيطة.
4. التوجيه القائم على المطالبات (Prompts): أظهر تحليل استكشافي باستخدام مطالبات السلامة لنموذج GR00T-tpt وجود مقايضة: شجعت المطالبات سلوكاً أكثر تحفظاً (مما قلل معدلات الانتهاك قليلاً) ولكنها قللت بشكل كبير من معدلات نجاح المهمة.

الأهمية والادعاءات

يزعم البحث أن SAFEMANIP يوفر طبقة تقييم قابلة لإعادة الاستخدام لتشخيص إخفاقات السلامة الزمنية التي تتجاوز مجرد إتمام المهمة أو تسميات السلامة الثنائية.

• ما وراء نجاح المهمة: يوضح المؤلفون أن نجاح المهمة يمكن أن يحجب إخفاقات سلامة زمنية كبيرة. ومن خلال فصل إتمام المهمة عن التنفيذ الآمن، يكشف SAFEMANIP أن النماذج غالباً ما تنجز المهام بطريقة غير آمنة.
• التشخيص الدقيق: يسمح النهج الموجه بالخصائص للباحثين بتحديد أنماط الفشل المحددة (مثل عدم استقرار الإطلاق مقابل التصادم) ومدى انتشارها عبر هياكل المهام المختلفة، وهو ما قد تخفيه المقاييس الإجمالية.
• القابلية للتعميم: يسمح استخدام قوالب LTLf القابلة لإعادة الاستخدام بتطبيق نفس مواصفات السلامة عبر مختلف الكائنات والمثبتات والبيئات، مما يسهل التحليل المقارن للسلامة.
• النطاق المحدود: يقر المؤلفون بأن SAFEMANIP يقيم الخصائص المحددة بدلاً من جميع المخاطر المحتملة. ويعتمد التطبيق الحالي على حالة المحاكي لتأسيس المحمولات، والنتائج وصفية لبروتوكول RoboCasa365 وليست ادعاءً عالمياً لجميع المجالات الروبوتية. يعد هذا العمل بمثابة أساس لدمج إشارات السلامة على مستوى الخصائص في تدريب السياسات والنشر في العالم الحقيقي مستقبلاً.