ملخص تقني: PhyPush

بيان المشكلة

يعد التقدير الدقيق للخصائص الفيزيائية للأجسام، وتحديداً الكتلة ومعاملات الاحتكاك، أمراً بالغ الأهمية لعمليات المناولة الروبوتية الموثوقة والتكيفية في البيئات غير المهيكلة. وبينما يوفر الإدراك التفاعلي آلية لاستنتاج هذه الخصائص الكامنة، تواجه الأساليب الحالية عوائق كبيرة في القدرة على التوسع والنشر. تعتمد معظم الطرق المتطورة على أجهزة متخصصة ومكلفة مثل مستشعرات القوة/العزم (F/T)، أو مصفوفات اللمس، أو أنظمة التقاط الحركة متعددة الكاميرات. علاوة على ذلك، تتطلب العديد من التقنيات تفاعلات متعددة ومتنوعة للوصول إلى تقدير دقيق، مما يزيد من وقت التحديد ويقلل من الكفاءة التشغيلية. تحد هذه القيود من إمكانية تطبيق مثل هذه الأنظمة في المختبرات المحكومة وتعيق نشرها على الأذرع الروبوتية القياسية التي تفتقر إلى قدرات استشعار متخصصة.

المنهجية

يقدم البحث PhyPush، وهو إطار عمل خالٍ من المستشعرات مصمم لتقدير كتلة الجسم ($m$) ومعامل الاحتكاك الحركي ($\mu$) باستخدام البيانات الكينماتيكية لدفعة واحدة انتقالية فقط. يعمل النظام بدون مستشعرات خارجية، معتمداً فقط على ملف تعريف سرعة النهاية الطرفية (end-effector) المتاح في الأذرع الروبوتية القياسية.

البنية الأساسية

يستخدم PhyPush بنية مشفرة تعتمد على الـ Transformer (Encoder-only) ذات تصميم ثنائي المسار:

1. معالجة المدخلات: يقوم النظام بتسجيل تسلسل سرعة النهاية الطرفية ($v_{ee}$) بتردد 100 هرتز أثناء دفعة واحدة. تلتقط نافذة المدخلات كلاً من المرحلة العابرة (التصادم الأولي والتسارع) ومرحلة الحالة المستقرة (الانزلاق بسرعة ثابتة).
2. مشفر الـ Transformer: يقوم مشفر Transformer قياسي بمعالجة تسلسل السرعة لالتقاط التبعيات الزمنية طويلة المدى والفهم السياقي العالمي.
3. التقدير ثنائي المسار: تُغذى الميزات المشفرة في مسارين مستقلين من نوع (MLP) لتقدير الكتلة والاحتكاك بشكل منفصل.
4. انتباه الخصائص الفيزيائية: بدلاً من المتوسط الحسابي البسيط، يستخدم النموذج آلية انتباه ثنائية المسار؛ حيث تقوم استعلامات عالمية قابلة للتدريب باختيار الفترات الزمنية الأكثر غنى بالمعلومات لكل خاصية بشكل انتقائي. يسمح هذا للشبكة بالتركيز على المرحلة العابرة لتقدير الكتلة (التي يهيمن عليها القصور الذاتي النيوتوني) وعلى مرحلة الحالة المستقرة لتقدير الاحتكاك (التي يهيمن عليها احتكاك كولوم).

صياغة الخسارة الموجهة بالفيزياء

المكون المركزي للمنهجية هو دالة الخسارة الموجهة بالفيزياء، والتي تقيد عملية التعلم باستخدام القوانين الفيزيائية الأساسية بدلاً من الاعتماد فقط على الارتباطات الإحصائية المستمدة من البيانات. تُشتق الخسارة من:

• قانون نيوتن الثاني ($F_{net} = ma$): يتم فرضه خلال المرحلة العابرة لضمان الاتساق بين صافي القوة، والكتلة المقدرة، وتسارع الجسم.
• نموذج احتكاك كولوم ($F_{fric} = \mu F_{norm}$): يتم فرضه خلال مرحلة الحالة المستقرة لضمان توافق معامل الاحتكاك المقدر مع قوة الاحتكاك المرصودة.

يقترح المؤلفون ثلاثة متغيرات للخسارة لمعالجة مستويات الإشراف المختلفة:

1. الخسارة القائمة على القوة شبه المشرفة ($L_{force}$): تستخدم بيانات القوة والتسارع الحقيقية لفرض المعادلات الفيزيائية مباشرة.
2. الخسرة القائمة على القوة غير المشرفة ($L_{force, un}$): تقدم قيداً يربط بين الكتلة والاحتكاك المقدرين ($\hat{m}$ و $\hat{\mu}$) رياضياً، مما يسمح بالتدريب دون تسميات (labels) صريحة للقوة من خلال فرض الاتساق بين التقديرين.
3. الخسرة الهجينة القائمة على القوة/التسارع غير المشرفة ($L_{force, acc, un}$): صياغة هجينة تدمج كلاً من الكتلة والاحتكاك في معادلة اتساق تسارع واحدة، مما يعمق الربط بين المقدرين.

يتم إدخال هذه الحدود غير المشرفة عبر جدول زمني للتخميد (annealing schedule) بأسلوب المنهج الدراسي لضمان استقرار التدريب.

المساهمات الرئيسية

1. إطار تقدير خالٍ من المستشعرات: تقديم PhyPush، الذي يقدر الكتلة والاحتكاك باستخدام السرعة الكينماتيكية للنهاية الطرفية فقط، مما يلغي الحاجة إلى مستشعرات F/T، أو مصفوفات اللمس، أو التقاط الحركة الخارجي.
2. بنية Transformer موجهة بالفيزياء: Transformer ثنائي المسار مبتكر يدمج قيود قانون نيوتن الثاني واحتكاك كولوم مباشرة في هدف التدريب. يعزز هذا النهج الاتساق الفيزيائي والقدرة على التعميم مقارنة بالخسائر التقليدية المعتمدة على البيانات.
3. تقييم شامل: تحقق التحقق الواسع في كل من المحاكاة والواقع، مما يثبت أن التعلم الموجه بالفيزياء يتفوق على النماذج المرجعية المعتمدة على البيانات، لا سيما في سيناريوهات التوزيع خارج النطاق (OOD).

النتائج التجريبية

أداء المحاكاة

تم التقييم على روبوت Franka Emika في بيئة محاكاة باستخدام 31,759 عينة دفع، حيث تم اختبار PhyPush مقابل طريقة مرجعية (أعيد تنفيذها من عمل سابق) تعتمد على بيانات مستشعر F/T متميزة.

• التعميم: بينما أدت المرجعية المعتمدة على مستشعر F/T أداءً جيداً في البيانات ضمن النطاق، تفوقت متغيرات PhyPush باستمرار على المرجعية في مجموعات اختبار التوزيع خارج النطاق (OOD) التي تتضمن كتل ومعاملات احتكاك غير مرئية، أو كليهما.
• تقليل الخطأ: في أصعب إعداد لـ OOD ($D_{m,\mu}^{OOD}$)، حقق PhyPush أخطاء تقدير أقل لكل من الكتلة والاحتكاك مقارنة بالمرجعية، رغم امتلاك الأخيرة لمعلومات القوة الكاملة.
• مقارنة الخسارة: تفوقت النماذج المدربة باستخدام خسائر موجهة بالفيزياء ($L_{force}$, $L_{force, un}$, $L_{force, acc, un}$) بشكل كبير على الخسارة المعتمدة على البيانات فقط ($L_{data}$). وتحديداً، قلل متغير $L_{force, un}$ خطأ تقدير الاحتكاك بأكثر من 28% مقارنة بالخسارة المعتمدة على البيانات في ظروف OOD.
• الاتساق الفيزيائي: أظهرت النماذج المدربة باستخدام خسائر موجهة بالفيزياء درجات $R^2$ أعلى عند التحقق من التنبؤات مقابل قانون نيوتن الثاني وقانون كولوم، مما يشير إلى أن النموذج يتعلم المبادئ الفيزيائية الأساسية بدلاً من مجرد الارتباطات الإحصائية.

الأداء في العالم الحقيقي

أُجريت التجارب على 47 تكويناً مختلفاً من (جسم-سطح)، بما في ذلك أجسام جديدة (مثل علب الصفيح، والحاويات البلاستيكية) لم تُشاهد أثناء التدريب.

• المتانة: تتبعت المتغيرات الموجهة بالفيزياء الاتجاهات الحقيقية بشكل وثيق أكثر من المرجعية المعتمدة على البيانات.
• تصحيح الانحياز: أظهرت المرجعية المعتمدة على البيانات انحيازات منهجية (تقليل تقدير الكتلة والمبالغة في تقدير الاحتكاك)، بينما حافظت النماذج الموجهة بالفيزياء على الدقة والاتساق الفيزيائي.
• الاستقلال عن الأجهزة: نجح النظام في التعميم على أجسام وأسطح غير مرئية دون مستشعرات تلامس متخصصة، معتمداً فقط على بيانات السرعة الداخلية للروبوت.

الأهمية والادعاءات

يزعم البحث أن PhyPush يثبت جدوى التقدير منخفض التكلفة وعالي الكفاءة في استخدام المستشعرات للخصائص الفيزيائية. ومن خلال الاستفادة من الربط المباشر بين الاستجابة الكينماتيكية للروبوت وديناميكيات الجسم، يحقق إطار العمل دقة عالية دون الأعباء المرتبطة بالأجهزة المتخصصة.

يؤكد المؤلفون أن التعلم الموجه بالفيزياء هو الممكن الرئيسي للمتانة. فمن خلال ترسيخ عملية التعلم في القوانين الأساسية، يتجنب النموذج الإفراط في التخصيص (overfitting) لتوزيعات تدريب محددة ويحافظ على الأداء في الظروف الواقعية الصعبة وغير المرئية. يشير العمل إلى أن دفعة واحدة، مقترنة بـ Transformer مدرك للفيزياء، كافية للتقدير الموثوق، مما يوفر حلاً قابلاً للتوسع لأنظمة الذكاء الاصطناعي المجسد (Embodied AI) التي تعمل في بيئات غير مهيكلة.

يختتم البحث بتواضع، مشيراً إلى القيود الحالية مثل افتراض عمليات الدفع الانتقالية بشكل أساسي والاعتماد على قياسات السرعة. كما يحدد التوجهات المستقبلية بما في ذلك دمج الديناميكيات الدورانية وتطوير سياسات دفع تكيفية عبر التعلم المعزز لتوسيع نطاق الاستجابات الفيزيائية التي يمكن تقديرها.