تخيل أنك تعلم روبوتاً كيفية التنقل في متاهة. للقيام بذلك، تعطي الروبوت خريطة ومجموعة من القواعد. لكن هنا تكمن المشكلة: الخريطة التي تملكها هي مجرد تخمين. إنها نموذج "اسمي" (nominal)، أي رسم تخطيطي مبني على أفضل جهد ممكن لكيفية تحرك الروبوت. في العالم الحقيقي، قد يكون الروبوت أثقل مما ظننت، أو قد تكون الأرض زلقة، أو قد تنزلق عجلاته. هذه الفجوة بين خريطتك التخطيطية والواقع الفوضوي تسمى "عدم تطابق النموذج" (model mismatch). إذا وثقت في خريطتك أكثر من اللازم، فقد يصطدم الروبوت بجدار ظن أنه بعيد، أو يخطئ خط النهاية تماماً. هذه مشكلة كبيرة في علم الروبوتات لأننا لا نستطيع دائماً معرفة الفيزياء الدقيقة لآلة جديدة أو بيئة ما قبل إرسالها. نحن بحاجة إلى طريقة لتخطيط مسار يكون آمناً حتى عندما يكون نموذجنا غير كامل. وهنا يأتي مفهوم "التخطيط المقيد بالاحتمالات" (chance-constrained planning): فبدلاً من المطالبة بمسار يكون مثالياً دائماً (وهو أمر مستحيل غالباً)، نهدف إلى مسار يعمل معظم الوقت، لنقل بنسبة 95%، مما يوفر لنا شبكة أمان ضد جهلنا.

الورقة البحثية التي أوشكت على قراءتها تعالج هذه المشكلة بالضبط: كيف نجعل حركة الروبوت آمنة عندما يكون سلوك الروبوت الحقيقي غير معروف، ولكن لدينا نموذج تقريبي تقريبي يمكننا العمل به. يقترح المؤلفون، شوبهام ناتراج، وبرونو سينوبولي، ويانيس كانتاروس، حيلة ذكية باستخدام أداة إحصائية تسمى "التنبؤ المطابق" (Conformal Prediction). فكر في "التنبؤ المطابق" كأنه "مفتش سلامة" ينظر إلى مجموعة من تجارب الاختبار السابقة ليعرف مدى ابتعاد الروبوت الحقيقي عن الخريطة. هم لا يحاولون إصلاح الخريطة؛ بل يقومون بتصغير "ملعب" الحركة. إنهم يجعلون المناطق الآمنة على الخريطة أصغر، ومنطقة الهدف أصغر، بمقدار محدد. هذا المقدار يتم حسابه بحيث إذا بقي الروبوت داخل هذه المناطق المصغرة على الخريطة، فإنه سيظل آمناً في العالم الحقيقي باحتمالية عالية.

إليك قصة كيف فعلوا ذلك وما وجدوه.

المشكلة: الخريطة مقابل الإقليم

تحتاج الروبوتات إلى الانتقال من نقطة بداية إلى هدف مع تجنب العوائق. عادةً، يستخدم المهندسون نموذجاً حاسوبياً لمحاكاة حركة الروبوت. يقومون بتشغيل خوارزمية تخطيط (مثل نظام GPS ذكي) لإيجاد تسلسل من الحركات يبدو مثالياً على الكمبيوتر. ولكن عندما يشغلون نفس التسلسل على الروبوت الحقيقي، تسوء الأمور. ربما يكون محرك الروبوت أضعف قليلاً، أو أن الرياح تدفعه بشكل مختلف. المسار "الحقيقي" الذي يتخذه الروبوت ينحرف بعيداً عن المسار "الاسمي" الذي خطط له الكمبيوتر. إذا كان هذا الانحراف كبيراً جداً، يصطدم الروبوت بعائق أو يخطئ الهدف.

يجادل المؤلفون بأننا لا نستطيع دائماً معرفة الفيزياء الدقيقة للروبوت مسبقاً. قد يكون لدينا نموذج متعلم (تخمين بناءً على البيانات) أو نموذج فيزياء مبسط، ولكنه لن يكون دقيقاً بنسبة 100% أبداً. التحدي هو حساب تسلسل تحكم (قائمة من الحركات) يعمل على الروبوت الحقيقي، رغم أننا نملك فقط النموذج التقريبي للتخطيط به.

الحل: حيلة "فقاعة الأمان"

حل المؤلفين هو عملية من خطوتين تحول مشكلة محفوفة بالمخاطر وغير مؤكدة إلى مشكلة حتمية آمنة.

الخطوة 1: المعايرة (تجربة القيادة)
أولاً، يحتاجون لمعرفة مدى سوء عدم التطابق. يأخذون نموذجهم التقريبي ويجرونه على مجموعة من المشكلات الاختبارية. لكل مشكلة، يجدون مساراً يعمل على الكمبيوتر. ثم يقومون فعلياً بتشغيل هذا المسار نفسه على الروبوت الحقيقي ويرون ما يحدث. يقيسون المسافة بين المكان الذي ظن الكمبيوتر أن الروبوت سيكون فيه، والمكان الذي كان فيه فعلياً. يفعلون ذلك لـ 100 سيناريو اختبار مختلف.

باستخدام طريقة إحصائية تسمى "التنبؤ المطابق"، ينظرون إلى هذه القياسات المائة ويتساءلون: "ما هو أقصى مسافة انحرف فيها الروبوت الحقيقي عن توقع الكمبيوتر في 95% (أو 99%، إل_خ) من هذه الحالات؟" هذا يعطيهم "نصف قطر الأمان"، ولنسمه $\hat{q}_\alpha$. هذا الرقم يمثل فقاعة "السيناريو الأسوأ". هم يعرفون أنه باحتمالية عالية، لن ينحرف الروبوت الحقيقي عن المسار المتوقع من قبل الكم_بيوتر بأكثر من هذه المسافة.

الخطوة 2: التضييق (تصغير الغرفة)
الآن يأتي السحر. بدلاً من التخطيط على الخريطة الأصلية، ينشئون خريطة جديدة "مضيقة".

• يأخذون العوائق الموجودة على الخطة ويجعلونها أكبر (ينفخونها) بمقدار نصف قطر الأمان $\hat{q}_\alpha$.
• يأخذون المساحة الحرة ومنطقة الهدف ويجعلونها أصغر (يقلصونها) بنفس المقدار.

تخيل أنك تسير في ممر مع حقيبة ظهر كبيرة وضخمة. إذا خططت مسارك عبر الالتصاق بالجدران، فقد تصطدم بها بحقيبتك. لذا، تتظاهر بأن الجدران أبعد وأن الممر أضيق. تمشي في منتصف هذا الممر "الخيالي" الضيق. إذا بقيت في منتصف الممر الضيق، فلن تصطدم حقيبتك بالجدران الحقيقية أبداً.

يثبت المؤلفون أنه إذا استطاع الروبوت إيجاد مسار عبر هذه النسخة "المضيقة" من الخريطة باستخدام النموذج التقريبي، فإن ذلك المسار نفسه مضمون الأمان في العالم الحقيقي بالاحتمالية المحددة. لا يحتاج الروبوت لمعرفة الديناميكيات الحقيقية؛ يحتاج فقط لحل المشكلة الأصعب والمضيقة على الخريطة.

التجارب: هل ينجح الأمر؟

لاختبار ذلك، قام المؤلفون بتشغيل سيناريوهين مختلفين.

السيناريو 1: السيارة المبطئة (مركبة دوبنز - Dubins Vehicle)
استخدموا نموذج سيارة بسيطة تنعطف ولكن لا يمكنها التحرك جانبياً. كان للسيارة "الحقيقية" عيب خفي: كانت أبطأ مما توقعه النموذج بسبب الاحتكاك (محاكى بواسطة معامل $\beta_v$). اختبروا مستويات عدم تطابق قدرها 0.05، 0.10، 0.15، و0.20.

• النتيجة: عندما استخدموا طريقتهم "المضيقة"، نجح الروبوت في الوصول إلى الهدف وتجنب الاصطدامات بمعدل يطابق أو يتجاوز ضمان السلامة الخاص بهم. على سبيل المثال، إذا طلبوا معدل نجاح 90%، فقد نجح الروبوت في المهمة أكثر من 90% من المرات.
• المقايضة: كلما طلبوا سلامة أعلى (مثلاً 99% بدلاً من 90%)، كبرت "فقاعة الأمان"، وأصبح الممر أضيق، وصعب على المخطط إيجاد أي مسار. انخفض معدل نجاح إيجاد مسار، لكن المسارات التي وجدها كانت أكثر موثوقية.
• المقارنة: قارنوا ذلك بمخطط قياسي يتجاهل عدم التطابق. وجد المخطط القياسي مسارات أكثر، لكن تلك المسارات فشلت في العالم الحقيقي بمعدل تكرار أكبر بكثير. كانت طريقة المؤلفين أكثر نجاحاً في إكمال المهمة بأمان بالفعل.

السيناريو 2: الطائرة بدون طيار المتذبذبة (الدرون المسطح - Planar Quadrotor)
اختبروا طائرة بدون طيار أكثر تعقيداً ذات 6 أبعاد والتي تحتوي على ضوضاء عشوائية (هبات رياح) وتستخدم نموذج شبكة عصبية متعلمة (والتي غالباً ما تكون غير كاملة).

• النتيجة: حتى مع وجود الفوضى المضافة من الضوضاء العشوائية والنموذج المتعلم، صمدت الطريقة. كان "التغطية التجريبية" (مدى تكرار بقاء الروبوت داخل فقاعة الأمان) دائماً أعلى من المستهدف.
• الأداء: عند مستوى سلامة مستهدف قدره 90%، حققت طريقتهم معدل إتمام مهمة بنسبة 100% على الدرون الحقيقي، بينما تمكن المخطط "الاسمي" القياسي من تحقيق حوالي 55% فقط. وهذا يوضح أنه من خلال كونك أكثر حذراً في مرحلة التخطيط، تحصل على نتيجة أفضل بكثير في العالم الحقيقي.

ماذا وجدوا وماذا يعني ذلك؟

تثبت الورقة البحثية أنك لست بحاجة لمعرفة الفيزياء الدقيقة لروبوت ما لتخطيط مسار آمن. تحتاج فقط إلى نموذج تقريبي وبعض البيانات لقياس مدى خطأ ذلك النموذج. من خلال استخدام "التنبؤ المطابق" لإنشاء "فقاعة أمان" وتصغير مساحة التخطيط وفقاً لذلك، يمكنك تحويل مشكلة محفوفة بالمخاطر وغير مؤكدة إلى مشكلة آمنة وقابلة للحل.

يوضح المؤلفون أن هذا النهج "مستقل عن المخطط" (planner-agnostic)، مما يعني أنه يعمل مع أي خوارزمية تخطيط (مثل خوارزمية RRT التي استخدموها). لا يهم كيف يجد المخطط المسار؛ طالما ظل المسار ضمن المناطق المضيقة، فإن الضمان يظل قائماً.

ومع ذلك، هناك ثمن. كلما طلبت سلامة أكثر (كلما ارتفع الاحتمال الذي تريده)، أصبح المخطط أكثر تحفظاً. "الممر" يصبح أضيق، وفي بعض الأحيان لا يستطيع المخطط إيجاد مسار على الإطلاق. وجد المؤلفون أنه بينما ينخفض معدل نجاح المخطط (إيجاد أي مسار) مع ارتفاع مطالب السلامة، فإن موثوقية المسارات التي يجدها ترتفع بشكل هائل. في تجاربهم، تفوقت طريقتهم باستمرار على التخطيط القياسي الذي يتجاهل أخطاء النموذج، مما يثبت أن القليل من الحذر الرياضي يذهب بعيداً في الحفاظ على سلامة الروبوتات.

باختصار، توفر الورقة طريقة قوية ومدعومة رياضياً لقول: "أنا لا أعرف بالضبط كيف يتحرك هذا الروبوت، لكني أعرف مدى بعد تخميني عن الواقع، لذا سأخطط كما لو كان العالم أكثر خطورة مما يبدو". وتظهر التجارب أن هذه الاستراتيجية تعمل، محولةً مقامرة محتملة الخطورة إلى مهمة موثوقة.