⚡ electrical engineering

Parallel Differentiable Reachability for Learning and Planning with Certified Neural Dynamics and Controllers

تقدم هذه الورقة إطار عمل للوصول (reachability) قابل للتوازي وللاشتقاق في JAX، يجمع بين أنابيب التدفق بنماذج تايلور (Taylor-model flowpipes) وانتشار الحدود بأسلوب CROWN، لتمكين التدريب المعتمد والتخطيط القائم على التدرج لديناميكيات الشبكات العصبية وأجهزة التحكم تحت ظروف عدم اليقين.

المؤلفون الأصليون: Keyi Shen, Glen Chou

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Keyi Shen, Glen Chou

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 أداء مهمة دقيقة، مثل دفع جسم على شكل حرف T عبر طاولة أو توجيه طائرة بدون طيار (درون) عبر فجوة ضيقة. أنت تستخدم "دماغًا" (شبكة عصبية) لمساعدة الروبوت في اكتشاف كيفية التحرك. هذا الدماغ بارع للغاية في تخمين ما سيحدث تاليًا بناءً على الخبرة السابقة.

ومع ذلك، هناك مشكلة كبيرة: ماذا لو كان الروبوت مخطئًا قليلاً؟ رب أجل الأرض زلقة، أو أن مستشعرًا أخطأ في قراءة المسافة بمقدار ضئيل جدًا. في العالم الحقيقي، يمكن لهذه الأخطاء الصغيرة أن تتراكم وتتضاعف. خطأ صغير في الخطوة الأولى قد يؤدي إلى اصطدام في الخطوة العاشرة.

تقليديًا، يختار المهندسون بين خيارين:

الثقة في الروبوت تمامًا: هذا سريع ويعمل بشكل جيد معظم الوقت، ولكن إذا حدث خطأ ما، فقد يصطدم الروبوت لأنه لم يأخذ في الاعتبار "الاحتمالات".
التحقق من الرياضيات رسميًا: هذا يضمن السلامة من خلال حساب كل نتيجة ممكنة، ولكنه بطيء ومعقد للغاية بحيث لا يمكن استخدامه أثناء تحرك الروبوت أو تعلمه.

تقدم هذه الورقة أداة جديدة تسمى DiffReach تعمل مثل "آلة حاسبة فائقة السرعة للسلامة" يمكنها العمل في الوقت الفعلي. إليك كيف تعمل، باستخدام تشبيهات من الحياة اليومية:

1. تشبيه "الظل" (الوصول/Reachability)

تخيل الروبوت كشخص يمشي في غابة ضبابية. أنت لا تعرف مكانه بالضبط، بل تعرف فقط أنه موجود في مكان ما داخل دائرة صغيرة حول نقطة معروفة.

الطريقة القديمة: لضمان السلامة، قد ترسم سحابة ضخمة وضبابية حول الشخص تكبر وتكبر مع كل خطوة، لتغطي الغابة بأكملها في النهاية. هذا آمن، لكنه مخيف جدًا للاستخدام لأنه يقول "قد يصطدم بشجرة" حتى لو كان بعيدًا عنها.
طريقة الورقة البحثية: ترسم DiffReach ظلاً ضيقًا ومرنًا حول الروبوت. بينما يتحرك الروبوت، يتمدد هذا الظل ويلتف ليتبع مسار الروبوت بدقة، لكنه لا يصبح أكبر مما يجب أبدًا. هو يخبرك: "إذا بدأ الروبوت من هنا، فقد ينتهي به الأمر في أي مكان داخل هذا الشكل المحدد، ولكن ليس في أي مكان آخر".

2. تشبيه "خط التجميع" (التوازي والتمايز/Parallel & Differentiable)

عادةً، يكون حساب هذه الظلال مثل شخص واحد يحل مسألة رياضية على ورقة. هذا يستغرق وقتًا طويلاً.

الابتكار: بنى المؤلفون هذه الأداة باستخدام JAX (محرك حوسبة قوي). تخيل بدلًا من شخص واحد، لديك مصنع به آلاف العمال (وحدات معالجة الرسومات - GPUs) يقومون بالعمليات الحسابية في وقت واحد.
التمايز (Differentiable): هذا هو الجزء السحري. عادةً، تكون فحوصات السلامة مثل "علامة التوقف" — تتحقق، وإذا كان الوضع غير آمن، تتوقف. لا يمكنك استخدام علامة التوقف لتعليم الروبوت كيف يقود بشكل أفضل. DiffReach يشبه منحدرًا ناعمًا ومنزلقًا. نظرًا لأن الرياضيات "متمايزة"، يمكن للروبوت النظر إلى الظل، ورؤية أين يصبح واسعًا جدًا، وتعديل دماغه (الشبكة العصبية) فورًا لجعل الظل أكثر ضيقًا. هذا يحول السلامة من "علامة توقف" إلى "عجلة قيادة".

3. المحرك المكون من جزأين

تجمع الورقة بين تقنيتين رياضيتين مختلفتين في آلة واحدة سلسة:

نماذج تايلور (الجزء التحليلي): بالنسبة للأجزاء التي نفهمها من خلال الفيزياء (مثل الديناميكا الهوائية للطائرة بدون طيار)، يستخدمون طريقة تتنبأ بالمسار مثل منحنى سلس.
CROWN (الجزء العصبي): بالنسبة لأجزاء "الدماغ" (الشبكات العصبية)، يستخدمون تقنية تتحقق من حدود تخمينات الذكاء الاصطناعي.
التوحيد: أنشأوا لغة عالمية ("واجهة TM-CROWN الموحدة") حتى تتمكن هاتان الطريقتان المختلفتان من التحدث مع بعضهما البعض دون فقدان الدقة. إنه يشبه ترجمة محادثة بين عالم فيزياء وخبير في الذكاء الاصطناعي دون فقدان أي تفاصيل في الترجمة.

4. ما فعلوه بالفعل (النتائج)

لم يكتفِ المؤلفون ببناء الأداة؛ بل استخدموها للقيام بشيئين محددين:

التدريب المعتمد على السلامة: علموا دماغ الروبوت أن يكون "واعيًا بالسلامة". بدلًا من مجرد التعلم لكيفية إصابة الهدف، تعلم الدماغ الحفاظ على ظله صغيرًا. إذا أصبح الظل واسعًا جدًا (بمعنى أن الروبوت غير متأكد)، فإن التدريب يعاقبه. النتيجة؟ روبوتات بارعة في مهامها ولكنها أكثر أمانًا عندما تسوء الأمور.
التخطيط الآمن (MPC): استخدموا الأداة لتخطيط المسارات في الوقت الفعلي.
- في المحاكاة: اختبروا هذا على ذراع روبوت وسرب من الطائرات بدون طيار (يصل إلى 72 بُعدًا من الحركة!). كانت الأداة أسرع بـ 100 مرة من الطرق السابقة مع الحفاظ على حدود سلامة ضيقة.
- في العالم الحقيقي: اختبروا ذلك على ذراع روبوت حقيقي يدفع جسمًا على شكل حرف T. نجح الروبوت في تخطيط تحركاته مع تجنب العوائق، حتى عندما كانت البيئة غير متوقعة قليلاً.

الخلا الخلاصة

تقدم هذه الورقة طريقة لجعل الروبات ذكية وآمنة في نفس الوقت. من خلال جعل فحص السلامة سريعًا بما يكفي للعمل على بطاقة ألعاب فيديو (GPU) ومرنًا بما يكفي ليكون جزءًا من عملية التعلم، فإنهم يسمحون للروبوتات بالتعلم من الخبرة دون نسيان مراقبة "الاحتمالات".

ما لم يدّعوه:

لم يدّعوا أن هذا يعمل في الجراحة الطبية أو القيادة الذاتية على الطرق العامة بعد.
لم يدّعوا أن هذا يحل جميع مشاكل السلامة (فهي تعترف بأنها لا تزال تواجه صعوبات مع الآفاق الزمنية الطويلة جدًا أو التلامسات الفيزيائية المعقدة مثل الكرات المرتدة).
ركزوا حصريًا على مهام الروبوتات مثل دفع الأشياء وتوجيه الطائرات بدون طيار.

ملخص تقني: الوصول المتوازي القابل للتفاضل للتعلم والتخطيط باستخدام الديناميكيات والمتحكمات العصبية المعتمدة

بيان المشكلة

أظهرت نماذج الديناميكيات والسياسات التحكمية القائمة على الشبكات العصبية (NN) أداءً تجريبياً قوياً في الروبوتات، لا سيما في البيئات المعقدة حيث يكون النمذجة التحليلية غير ممكنة. ومع ذلك، فإن توفير ضمانات سلامة قوية للأنظمة ذات الحلقة المغلقة التي تحتوي على شبكات عصبية تحت ظروف عدم اليقين يظل تحدياً كبيراً. تقدم طرق تحليل الوصول الكلاسيكية ضمانات رسمية عبر تقريبات المجموعات الواصلة، لكنها غالباً ما تتوسع بشكل سيئ، وتواجه صعوبات مع مكونات الشبكات العصبية، وتنتج حدوداً مفرطة في التحفظ. وعلى العقص، فإن طرق التحقق الحديثة من الشبكات العصبية (NNV) مثل CROWN تتوسع جيداً لتصل إلى شبكات كبيرة، لكنها مصممة أساساً للتحقق الساكن، وتفتقر إلى دعم الديناميكيات المستمرة زمنياً، وهي غير قابلة للتفاضل بشكل عام.

بناءً على ذلك، يقتصر تحليل الوصول عادةً على الشهادات اللاحقة (post-hoc certification)، مما يخلق دورات مكلفة من التدريب غير المعتمد، وفشل التحقق، ثم إعادة التدريب. هناك حاجة ماسة لإطار عمل يدمج الوصول المعتمد مباشرة في خطوط أنابيب تعلم الروبوتات والتخطيط عبر الإنترنت، مع دعم الأنظمة ذات الزمن المستمر والمنفصل، والمكونات التحليلية والعصبية، مع الحفاظ على قابلية التفاضل والكفاءة.

المنهجية

يقترح المؤلفون DiffReach، وهو إطار عمل للوصول قابل للتفاضل وقابل للتوازي تم تنفيذه باستخدام JAX. الابتكار الجوهري هو تمثيل موحد يجمع بين بناء مسار التدفق بنموذج تايلور (Taylor-model flowpipe) للديناميكيات التحليلية، ونشر الحدود الخطي لأسلوب CROWN للمكونات العصبية.

1. التمثيل الموحد (واجهة Taylor-CROWN)

لتمكين الحساب المجمع عبر وحدة معالجة الرسومات (GPU-batched computation) والاشتقاق التلقائي، يتبنى إطار العمل تمثيلاً لنموذج تايلور ثابت الشكل. بدلاً من كثيرات الحدود متغيرة الحجم، يتم تمثيل المجموعات الواصلة كـ:
$F(z) = c + Az \oplus I \quad \text{أو} \quad F(z) = c + Az + B \tau z \oplus I$
حيث $z$ يعزز الحالة بالزمن، و $c$ ثابت، و $A$ و $B$ مصفوفات تلتقط التبعيات الأفينية وشبه التربيعية، و $I$ هو متبقي الفترة. يحافظ هذا التمثيل على التبعيات الأفينية دون استرخاء فترات وسيط.

المكونات العصبية: يستفيد إطار العمل من CROWN (عبر jax_verify) لحساب الحدود الأفينية للشبكات العصبية. المساهمة الرئيسية هي فرض قيد الميل المشترك في CROWN، مما يضمن أن الحدود الدنيا والعليا تشترك في نفس الحد الخطي. يسمح هذا بتمثيل مخرجات الشبكة العصبية كنماذج تايلور خطية، مما يحافظ على التوافق مع مسار الديناميكيات التحليلية.
الأنظمة ذات الزمن المستمر (CT): بالنسبة للأنظمة ذات الزمن المستمر مع التحكم العصبي بالتغذية الراجعة، يتناوب إطار العمل بين:
1. اعتماد المتحكم: استخدام واجهة TM-CROWN لاعتماد مخرجات المتحكم العصبي بناءً على غلاف نموذج تايلور للحالة الحالية.
2. نشر الديناميكيات: نشر ديناميكيات النظام (سواء كانت تحليلية أو معادلات تفاضلية عصبية ODE) باستخدام مسارات تدفق نموذج تايلور تحت سياسة "الاحتفاظ بالترتيب صفر" (zero-order hold) لمدخل التحكم.
الأنظمة ذات الزمن المنفصل (DT): يختزل الوصول إلى نشر خطوة بخطوة حيث تقوم واجهة TM-CROWN باعتماد خريطة الخطوة الواحدة عند كل خطوة زمنية.

2. تطبيقات DiffReach في الروبوتات

بناءً على محرك DiffReach، طور المؤلفون طريقتين تركزان على الروبوتات:

التدريب المعتمد: طريقة تدريب للديناميكيات والمتحكمات العصبية تزيد من خسائر التنبؤ أو التتبع القياسية بـ حد تنظيم مدرك للوصول. هذا الحد يعاقب نمو حجم المجموعات الواصلة المعتمدة تحت عدم اليقين المحدود. ولتثبيت التدريب، يتم استخدام استراتيجية تعلم المناهج (curriculum learning)، حيث يتم زيادة أفق التدحرج (rollout horizon) تدريجياً وتقليل نصف قطر الاضطراب.
التحكم التنبئي بالنماذج (MPC) المدرك للوصول: مخطط تحكم تنبئي بالنماذج يعتمد على أخذ العينات، يدمج المجموعات الواصلة المعتمدة في التخطيط عبر الإنترنت. يقوم المخطط بتحسين دالة التكلفة التي تتكون من هدف المهمة وعقوبة للمسارات غير الآمنة أو المجموعات الواصلة الكبيرة. تسمح عملية التوازي بتقييم العديد من المسارات المرشحة بكفاءة، مع تطبيق التحسين القائم على التدرج على أفضل المرشحين لتقليل التحفظ بشكل أكبر.

المساهمات الرئيسية

إطار عمل للوصول قابل للتفاضل ومتوازٍ: تمثيل موحد قائم على JAX يجمع بين مسارات تدفق نموذج تايلور ونشر حدود أسلوب CROWN لكل من الأنظمة ذات الزمن المستمر والمنفصل مع ديناميكيات/متحكمات تحليلية وعصبية.
طريقة التدريب المعتمد: نهج تعلم يستخدم أهداف المجموعة الواصلة القابلة للتفاضل لتحسين متانة المكونات العصبية تحت ظروف عدم اليقين، مما يشجع النماذج "الصديقة للوصول".
التحكم التنبئي بالنماذج (MPC) المدرك للوصال: مخطط تخطيط عبر الإنترنت يدمج المجموعات الواصلة المعتمدة في MPC القائم على أخذ العينات مع التحسين القائم على التدرج، مما يتيح التخطيط المعتمد بالبناء.
التحقق التجريبي: تقييم شامل لمهام دفع الجسم غير القبضي (T-pushing) ومهام الكوادتروتور (quadrotor)، بما في ذلك تجارب الأجهزة وتقييمات عالية الأبعاد (تصل إلى 72 بُعداً)، مما يثبت التخطيط العملي عبر الإنترنت مع ضمانات معتمدة.

النتائج

تم تقييم إطار العمل على وحدة معالجة الرسومات RTX 4090 عبر عدة أبعاد:

الكفاءة والدقة: مقارنة بالنماذج المرجعية المتطورة للزمن المنفصل (CROWN) والزمن المستمر (immrax)، يحقق DiffReach دقة مماثلة في المجموعات الواصلة ولكنه أسرع بنحو 100 مرة من CROWN للأنظمة ذات الزمن المنفصل. بالنسبة للأنظمة ذات الزمن المستمر، ينتج مجموعات واصلة أكثر دقة بكثير من immrax، الذي يعاني غال% من التجاوز العددي والأنابيب ذات الحجم اللانهائي.
القابلية للتوسع: يتوسع إطار العمل بفعالية للأنظمة ذات الأبعاد الأعلى، بما في ذلك سرب كوادتروتور مكون من 6 طائرات (72 بُعداً للحالة) وذراع مستوية بـ 10 وصلات (40 بُعداً). وبينما تتوسع الذاكرة بمقدار $O(n^2)$ ، فإن وقت التشغيل يتوسع بشكل ملائم بفضل عمليات المصفوفات المتوازية على وحدة معالجة الرسومات.
التدريب المعتمد: حققت النماذج المدربة باستخدام تنظيم الوصول أداءً اسمياً مقارباً للتدريب القياسي، ولكنها أنتجت مجموعات واصلة أكثر دقة بشكل ملحوظ. كانت هذه المجموعات مطابقة تماماً لأحجام الحدود الدنيا التي تم أخذ عينات منها، بينما أنتجت النماذج غير المعتمدة تنبؤات فضفاضة وأقل قابلية للتحقق.
التخطيط القوي: في تجارب MPC تحت اضطرابات محدودة، حافظ المخطط المدرك للوصول على معدلات نجاح عالية واستوفى القيود، بينما فشل MPC التقليدي مع النماذج غير المعتمدة بشكل كبير تحت اضطرابات أكبر (مثل الاتصال غير المقصود في مهام T-pushing).
النشر على الأجهزة: تم نشر النظام على منصة Kuka iiwa لمهام T-pushing، حيث يعمل عبر الإنترنت بسرعة تقارب 10 هرتز (5 هرتز مع التحسين)، مما يثبت جدوى دمج الوصول القابل للتفاضل في التحكم الروبوتي في الوقت الفعلي.

الأهمية والادعاءات

يدعي البحث أن DiffReach يسد الفجوة بين التحقق الرسمي وتعلم الروبوتات من خلال توفير أداة وصول أولية قابلة للتفاضل ومعززة بواسطة وحدة معالجة الرسومات. بخلاف الطرق السابقة المقيدة بالتحقق اللاحفي (offline verification)، يسم إطار العمل هذا أهداف المجموعة الواصلة بتوجيه مباشر لتدريب الديناميكيات والمتحكمات العصبية وتنفيذ التخطيط عبر الإنترنت.

يؤكد المؤلفون أن نهجهم يتيح التعلم والتخطيط "المعتمد بالبناء"، مما يقلل الاعتماد على دورات الشهادات اللاحقية المكلفة. ومن خلال توحيد نماذج تايلور وCROWN ضمن رسم بيابي حسابي واحد، يحافظ الأسلوب على التبعيات الأفينية ويدعم الأنظمة ذات الزمن المستمر والمنفصل، مما يعالج قصوراً حرجاً في أدوات تحليل الشبكات العصبية الحالية.

يختتم العمل بالإقرار بالتحديات الحالية، مثل مشكلات التحفظ في الآفاق الطويلة والديناميكيات الهجينة/الغنية بالاتصال، لكنه يرى أن هذا الإطار يحفز الأبحاث المستقبلية في الوصول القابل للتفاضل القابل للتوسع والتكامل الوثيق بين التحقق الرسمي، وتعلم الروبوتات، والتحكم.