💻 computer science

OCELOT: Odometry and Contact Estimation for Legged Robots

تقدم هذه الورقة OCELOT، وهو مسار متكامل لقياس المسافات بالأرجل يستخدم مرشح كالمان الموسع لحالة الخطأ مع مستشعرات الحس العميق ووحدة تقدير تلامس ثنائية الكشف مبتكرة لتحديد ورفض الانزلاق بشكل صريح، مما يحقق تحديد موقع دقيق وقوي عبر تضاريس متنوعة دون الاعتماد على مستشعرات خارجية.

المؤلفون الأصليون: Emre Girgin, Cagri Kilic

نُشر 2026-05-22

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Emre Girgin, Cagri Kilic

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 بأربع أرجل يحاول السير عبر غابة، أو شاطئ صخري، أو حديقة خلفية وعرة. على عكس السيارة ذات العجلات التي تتدحرج بسلاسة، يتعين على الروبوت ذي الأرجل أن يرفع قدميه باستمرار، ويضعهما، ثم يدفع نفسه للأمام. ما هو التحدي الأكبر؟ معرفة مكانه بالضبط دون النظر إلى العالم باستخدام الكاميرات أو نظام تحديد المواقع العالمي (GPS). عليه أن يعتمد كليًا على "الحس العميق" (proprioception) — وهو إحساسه الداخلي بموضع جسده، تمامًا كما يمكنك المشي في الظلام دون الاصطدام بالأشياء لأنك تعرف أين توجد أطرافك.

تقدم هذه الورقة البحثية، التي تحمل عنوان OCELOT، "دماغًا" جديدًا لهذه الروبوتات يساعدها في معرفة مكانها، حتى عندما تنزلق أقدامها على الصخور الزلقة أو تغوص في العشب الناعم.

إليك كيف يعمل هذا النظام، مقسمًا إلى مفاهيم بسيطة:

1. المشكلة: "المشية المخمورة"

عندما يمشي الروبوت، فإنه يستخدم جيروسكوب داخلي (IMU) لتخمين حركته. ولكن تمامًا مثل شخص يمشي في الظلام، تتراكم الأخطاء الصغيرة. إذا ظن الروبوت أنه خطا خطوة للأمام بينما انزلق في الواقع جانبًا، فإن هذا الخطأ يتزايد. مع مرور الوقت، يعتقد الروبوت أنه في مكان مختلف عما هو عليه في الواقع. وهذا ما يسمى بـ "الانجراف" (Drift).

ولإصلاح ذلك، يحتاج الروبوت إلى معرفة متى تكون القدم مغروسة بإحكام في الأرض ولا تتحرك. عندما تكون القدم ثابتة في الأرض، يمكن للروبوت أن يقول: "حسنًا، أنا أعرف بالضبط أين توجد هذه القدم؛ دعني أستخدم ذلك لتصحيح خريطتي".

العقبة: من الصعب معرفة ما إذا كانت القدم ثابتة حقًا.

إذا وطأت القدم على صخرة، فقد تشعر بثقل (قوة عالية)، ولكنها قد تنزلق جانبًا.
إذا وطأت القدم على عشب ناعم، فقد لا تتحرك القدم كثيرًا، لكن الأرض تهبط وتتغير، مما يجعل من الصعب معرفة ما إذا كانت ثابتة بالفعل.

2. الحل: نظام "التحقق المزدوج"

ابتكر المؤلفون نظامًا يعمل مثل حارس ملهى ليلي صارم جدًا. لكي يسمح للروبوت بالوثوق بخطوة القدم، يجب أن تجتاز القدم اختبارين مختلفين في آن واحد. إذا فشلت في أي منهما، يتجاهل الروبوت تلك الخطوة لتجنب الضياع.

الاختبار (أ): "اليد الثقيلة" (كاشف القوة)

يتحقق الروبوت من مدى قوة ضغط القدم للأسفل.

التشبيه: تخيل أنك تقف على ميزان. إذا قرأ الميزان صفرًا، فأنت لست واقفًا عليه. إذا قرأ وزنك، فأنت واقف عليه.
الابتكار: بدلاً من استخدام مفتاح بسيط "تشغيل/إيقاف" (على سبيل المثال: "إذا كان الوزن > 10 كجم، إذن هو واقف")، يستخدم نظام OCELOT نموذجًا إحصائيًا ذكيًا (نموذج الخليط الغاوسي - Gaussian Mixture Model) يتعلم كيف يشعر "الوقوف" و"التأرجح" في الوقت الفعلي. إنه يتكيف مع التضاريس؛ فإذا كانت الأرض ناعمة، فإنه يعدل توقعاته.

الاختبار (ب): "فحص السكون" (الكاشف الحركي)

يتحقق الروبوت مما إذا كانت القدم تتحرك فعليًا في الهواء أم أنها ثابتة.

التشبيه: تخيل أنك تمسك بكوب من القهوة. إذا كنت تمشي، فالكوب يتحرك. إذا توقفت، يتوقف الكوب. يقوم الروبوت بحساب أين يجب أن تكون القدم بناءً على مفاصل ساقه. إذا قالت الحسابات إن القدم تتحرك، بينما يعتقد الروبوت أنها واقفة، فهناك خطأ ما (ربما هي تنزلق).
الابتكار: يستخدم هذا الاختبار اختبارًا إحصائيًا (GLRT) لمعرفة ما إذا كانت سرعة القدم صفرًا حقًا أم أنها مجرد حركة "مشوشة".

3. "الدمج" (قرار الحارس)

تحدث المعجزة عندما يتم دمج هذين الاختبارين.

السيناريو 1 (الانزلاق على الجليد): تشعر القدم بالثقل (نجاح الاختبار أ)، ولكنها تنزلق جانبًا (فشل الاختبار ب). النتيجة: يقول الروبوت: "أنا أنزلق! لا تثق بهذه الخطوة".
السيناريو 2 (الغوص في الطين): لا تتحرك القدم كثيرًا (نجاح الاختبار ب)، ولكن الأرض تهبط بشكل غريب مما يجعل قراءة القوة غريبة (فشل الاختبار أ). النتيجة: يقول الروبوت: "الأرض غير مستقرة! لا تثق بهذه الخطوة".
السيناريو 3 (الخطوة المثالية): القدم ثقيلة و ليست متحركة. النتيجة: يقول الروبوت: "رائع! أنا أعرف مكاني بالضبط".

4. "درجة الثقة"

بدلاً من مجرد قول "نعم" أو "لا"، يعطي النظام درجة ثقة (من 0 إلى 1).

إذا كانت الدرجة عالية (خطوة مثالية)، يقوم الروبوت بتصحيح كبير لخريطته.
إذا كانت الدرجة منخفضة (ربما انزلاق طفيف)، يقوم الروبوت بتصحيح صغير أو يتجاهل الأمر تمامًا.
هذا يمنع الروبوت من ارتكاب أخطاء كبيرة بناءً على بيانات سيئة.

5. الإثبات: "المسافة 2.4 كم"

لإثبات نجاح ذلك، لم يكتفِ الباحثون باختباره في مختبر نظيف. بل بنوا مجموعة بيانات ضخمة:

الروبوت: روبوت رباعي الأرجل من نوع Unitree Go2 (يشبه الكلب).
الرحلة: مشى الروبوت مسافة 2.4 كيلومتر (حوالي 1.5 ميل) عبر 29 مسارًا مختلفًا.
التضاريس: خرسانة، بلاط، عشب، حصى، وصخور مسننة.
النتيجة: كان أسلوبهم أكثر دقة بشكل ملحوظ من الأساليب السابقة. فبينما تضيع الروبوتات الأخرى أو تنحرف عن مسارها (خاصة على الصخور والحصى)، ظل روبوت OCELOT على المسار الصحيح. بل إنه تفوق في الأداء على بعض الأنظمة التي تستخدم الكاميرات (والتي عادة ما تفشل في الصخور أو في الظلام).

الملخص

OCELOT يشبه منح الروبوت حاسة لمس وتوازن فائقة الحساسية. من خلال الربط بين قوة ضغط القدم على الأرض وبين مدى سكون القدم فعليًا، يمكن للروبوت التمييز بين الخطوة الثابتة والانزلاق الخطير. هذا يسمح له بالتنقل عبر تضاريس وعرة وغير متوقعة دون أن يضل طريقه، وكل ذلك دون الحاجة إلى رؤية العالم أو استخدام نظام تحديد المواقع العالمي (GPS).

ملخص تقني: OCELOT – تقدير الحركة والاتصال للروبوتات ذات الأرجل

بيان المشكلة

لا يزال التقدير الدقيق للمسارات (Odometry) للروبوتات ذات الأرجل في التضاريس غير المنظمة وغير المستوية يمثل تحديًا كبيرًا، لا سيية عند الاعتماد حصريًا على المستشعرات الداخلية (proprioceptive sensors) مثل وحدة قياس القصور الذاتي (IMU)، وأجهزة تشفير المفاصل (joint encoders)، ومستشعرات القوة. وخلافًا للروبوتات ذات العجلات، تعاني الأنظمة ذات الأرجل من ديناميكيات اتصال متقطعة حيث تلامس الأرجل الأرض وتنفصل عنها بشكل دوري. ويتمثل القصور الأساسي في تقدير المسارات عبر الحواس الداخلية في عدم إمكانية رصد الموقع المطلق والاتجاه (heading) عند الاعتماد فقط على المستشعرات المثبتة على جسم الروبوت. وبينما تعد مرشحات كالمان الموسعة لحالة الخطأ (ESEKF) هي الإطار السائد لنشر الحالة عبر أنظمة الملاحة بالقصور الذاتي (INS) وتصحيح الانحراف باستخدام تحديثات السرعة الصفرية (ZUPTs)، فإن فعاليتها تعتمد على تحديد متى تكون القدم في مرحلة "الوقوف" (stance) الثابتة بدقة. وغالبًا ما تواجه طرق تقدير الاتصال الحالية صعوبة في التعامل مع انزلاق القدم، أو تفشل في التكيف مع خصائص التضاريس المتغيرة، أو تعتمد على أجهزة إضافية (مثل وحدات IMU مثبتة على القدم) أو مصنفات قائمة على التعلم تفتقر إلى اليقين المعاير.

المنهجية

يقترح البحث نظام OCELOT، وهو مسار كامل لتقدير مسارات الأرجل يعتمد على ESEKF يعتمد حصريًا على البيانات الداخلية القياسية: وحدة IMU مثبتة في الجسم، وأجهزة تشفير المفاصل، ومستشعرات قوة القدم. يكمن الابتكار الجوهري في وحدة دمج كشف الاتصال وتقدير اليقين المصممة لتحديد ورفض الانزلاق بشكل صريح.

1. إطار تقدير الحالة

يستخدم النظام ESEKF حيث يتم فصل الحالة إلى حالة اسمية غير خطية (الموقع، السرعة، الاتجاه، انحيازات IMU) وحالة خطأ.

النشر (Propagation): يتم نشر الحالة الاسمية باستخدام قياسات IMU المصححة من الانحياز عبر التكامل الإقليدي (Euler integration).
التصحيح (Correction): يقوم المرشح بتصحيح الانحراف عندما يتم تحديد أن القدم في مرحلة الوقوف، بافتراض أن سرعة القدم بالنسبة لإطار العالم تساوي صفرًا ( $v^W_{foot} = 0$ ).

2. الكشف المدمج عن الاتصال

لتحديد مراحل الوقوف بمتانة، يشغل النظام كاشفين متوازيين لكل قدم ويقوم بدمج مخرجاتهما:

الكاشف 1: آلة الحالة المحدودة (FSM) الموجهة بنموذج الخليط الغاوسي (GMM) بناءً على القوة
- يستخدم بيانات قوة رد الفعل الأرضي (GRF) لتحديد الاتصال الفيزيائي.
- بدلًا من العتبات الثابتة، يستخدم نموذج الخليط الغاوسي (GMM) الملائم لنافذة زمنية تاريخية من بيانات القوة لتحديد التوزيعات ثنائية المنوال (التأرجح مقابل الوقوف) ذاتيًا.
- تستخدم آلة الحالة المحدودة (FSM) عتبات مولدة ديناميكيًا ( $F_{on}$ و $F_{off}$ ) لإدارة انتقالات الحالة، مما يسمح بالتكيف مع خصائص الأسطح المختلفة دون ضبط يدوي.
- ينتج درجة جودة مستمرة ( $q_{FSM}$ ) تمثل احتمالية التحميل الفيزيائي.
الكاشف 2: اختبار نسبة الاحتمال العام (GLRT) القائم على الكينماتيكا
- يستخدم سرعة القدم المقدرة المستمدة من IMU الجسم والكينماتيكا المفصلية.
- يطبق اختبار نسبة الاحتمال العام (GLRT) لتقييم فرضية أن القدم ثابتة ( $H_0$ ) مقابل متحركة ( $H_1$ ).
- على عكس الأعمال السابقة التي تتطلب وحدات IMU مثبتة على القدم، تعتمد هذه الطريقة فقط على وحدة IMU الرئيسية في الجسم والنماذج الكينماتيكية.
- ينتج درجة جودة مستمرة ( $q_{GLRT}$ ) تمثل السكون الكينماتيكي.

3. تقدير اليقين التكيفي

يتم دمج الدرجتين باستخدام بوابة "و" ناعمة ضربية ( $q_{final} = q_{FSM} \times q_{GLRT}$ ). يضمن ذلك الحصول على درجة ثقة عالية فقط عندما تكون القدم محملة فيزيائيًا وثابتة كينماتيكيًا.

التباين الديناميكي: تُستخدم الدرجة المدمجة لحساب مصفوفة التباين الضوضائي للقياس ( $R_i$ $R_{i}$ ) التكيفية لـ ESEKF.
- ثقة عالية (عدم انزلاق) $\leftarrow$ تباين منخفض (تصحيح قوي).
- ثقة منخفضة (انزلاق أو ضجيج) $\leftarrow$ تباين مرتفع (المرشح يقلل من وزن القياس).
التحجيم (Gating): تعمل خطوة تحجيم قائمة على الابتكار (اختبار $\chi^2$ ) على رفض القيم المتطرفة إحصائيًا قبل التصحيح النهائي.

المساهمات الرئيسية

إطار عمل مبتكر لكشف الاتصال: دمج بين FSM الموجه بـ GMM وكاشف GLRT الكينماتيكي الذي يلغي الحاجة إلى مستشعرات إضافية مثبتة على القدم مع توليد درجة جودة اتصال مستمرة.
تقدير اليقين التكيفي: طريقة لترجمة درجة جودة الاتصال المدمجة إلى تباين قياس ديناميكي ( $R_i$ )، مما يسمح لـ ESEKF بوزن القياسات بذكاء بناءً على موثوقيتها ورفض أحداث الانزلاق بمتانة.
مسار ESEKF مفتوح المصدر: مقدر حالة كامل لتقدير مسارات أرجل الروبوتات رباعية الأرجل باستخدام المستشعرات الداخلية القياسية فقط.
مجموعة بيانات متعددة التضاريس: مجموعة بيانات متاحة للجمهور تضم 29 تسلسلًا (بإجمالي 2.4 كم) عبر تضاريس متنوعة (خرسانة، بلاط، عشب، حصى، صخور)، تشمل بيانات داخلية متزامنة، وفيديو RGB، وسحب نقاط (point clouds).

النتائج التجريبية

قيم المؤلفون OCELOT مقابل نماذج داخلية مرجعية شهيرة (Bloesch et al., Hartley et al.) وأنظمة تقدير المسار البصري-القصوري (VIO) الحديثة (OpenVINS, VINS-Fusion) باستخدام مجموعتهم المخصصة من البيانات.

المقارنة مع الأنظمة الداخلية: تفوق OCELOT بشكل كبير على الطرق الداخلية الموجودة عبر جميع أنواع التضاريس والمقاييس (ATE, AHE, RPE, Drift).
- في تضاريس الصخور (Rock)، حقق OCELOT خطأ مسار مطلق (ATE) قدره 6.857 م، مقارنة بـ 15.028 م (Hartley et al.) و 30.876 م (Bloesch et al.).
- في الخرسانة (Concrete)، قلل OCELOT من الـ ATE إلى 12.019 م، وهو تحسن كبير عن النماذج المرجعية.
المقارنة مع الأنظمة الخارجية (Exteroceptive): رغم استخدامه فقط للمستشعرات الداخلية، تفوق OCELOT على أنظمة VIO في التضاريس الحبيبية الصعبة (حصى، صخور) والأسطح القابلة للتشوه (عشب).
- في الصخور، فشلت أنظمة VIO بشكل كبير (OpenVINS ATE: 27.279 م؛ VINS-Fusion: 15.719 م)، بينما حافظ OCELOT على ATE قدره 6.857 م.
- لاحظ المؤلفون أن أنظمة VIO عانت في الأسطح الديناميكية الفقيرة بالمعالم (خرسانة، بلاط)، مما أدى إلى التباعد (divergence)، بينما ظل OCELOT متينًا.
دراسات الاستئصال (Ablation Studies):
- ضرورة الدمج: أظهرت دراسة الاستئصال أن أيًا من الكاشفين بمفرده ليس كافيًا. فكاشف GLRT وحده عانى من تراكم الضجيج الكينماتيكي في المسارات الطويلة (مثلاً 23.161 م ATE في الخرسانة)، بينما فشل كاشف FSM وحده في تسلسلات محددة (مثلاً 9.577 م ATE في البلاط) حيث أخطأت بيانات القوة وحدها في تصنيف الاتصال. حقق النموذج المدمج باستمرار أدنى أو أقرب مستويات الخطأ عبر جميع التضاريس.
- تأثير التباين: أكد تحليل الحساسية أن التقدير الدقيق للتباين أمر بالغ الأهمية؛ حيث أدى التقليل من تقدير التباين (فرض الثقة في البيانات الضوضائية) إلى انحراف جانبي شديد وتباعد في اتجاه الـ yaw، وهو نمط فشل لوحظ في النماذج المرجعية التي استخدمت تباينات ثابتة أو ضعيفة التدرج.

الأهمية والادعاءات

يزعم البحث أن OCELOT يوفر حلاً متينًا لتقدير مسارات الأرجل في البيئات التي ينتشر فيها الانزلاق وتفشل فيها المستشعرات الخارجية (مثل الكاميرات) بسبب نقص المعالم أو الإضاءة الديناميكية. من خلال النمذجة الصريحة لليقين في الاتصال ودمج بيانات القوة والكينماتيكا، تحقق الطريقة تقديرًا دقيقًا للحالة دون العبء الحسابي للمعالجة البصرية أو التعقيد العتادي للمستشعرات المثبتة على القدم. يؤكد المؤلفون أن نهجهم يعالج مشكلة "عدم إمكانية الرصد" للاتجماعي (heading) في الأنظمة الداخلية من خلال ضمان استخدام القياسات عالية الجودة وغير المنزلقة فقط لتصحيح المرشح، مما يمنع تباعد الـ yaw الشائع في الطرق الأخرى. إن إصدار مجموعة البيانات والبرمجيات يهدف إلى تسهيل المزيد من الأبحاث في مجال الروبوتات ذات الأرالب والتقدير متعدد الوسائط.