RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

تخيل أنك تحاول توجيه روبوت عبر متاهة. في عالم الروبوتات، يسمى هذا "تخطيط الحركة" (motion planning). لفترة طويلة، كانت الطريقة الأذكى للقيام بذلك هي التعامل مع حركة الروبوت كأنها لعبة طاولة (checkers) على لوحة مسطحة: كل خطوة للأمام، أو للخلف، أو للجانب تكلف نفس القدر من الطاقة، والمسار الأقصر هو مجرد خط مستقيم. هذا يعمل بشكل رائع في الغرف البسيطة والخالية. لكن الحياة الواقعية ليست لوحة مسطحة. فكر في ذراع روبوت ذات مفاصل عديدة: تدوير معصم ثقيل قد يكون سهلاً، لكن رفع كتف ثقيل قد يكون مرهقاً للغاية. أو تخيل روبوتاً يحاول المرور بجانب جدار؛ الاقتراب كثيراً أمر خطير، لذا يجب أن تكون "تكلفة" التواجد بالقرب من الجدار عالية.

المشكلة هي أن معظم أدمغة الروبوتات لا تزال تستخدم رياضيات "اللوحة المسطحة" القديمة تلك. فهي لا تدرك أن بعض الاتجاهات أصعب من غيرها، أو أن بعض المناطق أكثر خطورة. تقدم هذه الورقة طريقة جديدة للتفكير تسمى RIT* (الأشجار المعلوماتية الريمانية - Riemannian Informed Trees). بدلاً من افتراض أن العالم مسطح ومتجانس، تفهم RIT* أن العالم "منحنٍ" و"مطاطي" اعتماداً على مكان وجودك والاتجاه الذي تتحرك فيه. الأمر يشبه الانتقال من خريطة تعامل الجبل والوادي كأنهما على نفس المسافة، إلى خريقة تعرف أن تسلق التل يتطلب جهداً أكبر بكثير من المشي عبر حقل. باستخدام هذه الرياضيات الأكثر ذكاءً، يمكن للروبوت إيجاد مسارات ليست قصيرة فحسب، بل هي الأسهل والأكثر أماناً للسفر.

المشكلة: خطأ "الخريطة المسطحة"

لسنوات، استخدمت أفضل مخططات الروبوتات حيلة تسمى "العينات المعلوماتية" (informed sampling). بمجرد أن يجد الروبوت أي طريقة للانتقال من النقطة (أ) إلى النقطة (ب)، فإنه يتوقف عن البحث في العالم بأكم، ويبدأ بالنظر فقط داخل "فقاعة بحث" محددة حول ذلك المسار. هذا يجعل العثور على مسار أفضل أسرع بكثير.

ومع ذلك، ترسم هذه المخططات فقاعات البحث الخاصة بها باستخدام هندسة مسطحة قياسية (المسافة الإقليدية). فهي تفترض أن التحرك متراً واحداً إلى اليسار يكلف نفس تكلفة التحرك متراً واحداً للأعلى. لكن في العالم الحقيقي، خاصة للروبوتات المعقدة ذات الأجزاء المتحركة العديدة، هذا خطأ.

• مشكلة التباين (Anisotropy): تخيل ذراع روبوت. تحريك مفصل معصم خفيف وسريع هو أمر رخيص. أما تحريك مفصل كتف ثقيل وبطيء فهو أمر مكلف. الخريطة المسطحة تعاملهما كمتساويين.
• مشكلة العوائق: إذا اصطدم الروبوت بجدار، فإنه يتعلم أن تلك المنطقة سيئة. لكن المخططات القياسية لا تتعلم تلقائياً مدى سوء تلك المنطقة أو كيفية تجنبها في المحاولات المستقبلية دون أن يتم برمجتها صراحةً بخريطة لكل عائق مسبقاً.

يجادل مؤلفو هذه الورقة بأن الاعتماد على هذه القواعد المسطحة والمحددة مسبقاً يجعل الروبوتات غير فعالة، خاصة في المساحات عالية الأبعاد (الروبوتات ذات المفاصل الكثيرة) أو في البيئات التي تتغير فيها "تكلفة" الحركة بناءً على الموقع.

الحل: RIT* و"الخريطة المطاطية"

تقدم الورقة إطار عمل RIT*، وهو نظام تخطيط جديد يستبدل الرياضيات المسطحة بـ الهندسة الريمانية (Riemannian geometry). إذا تخيلت عالم الروبوت كغشاء مطاطي، فإن الهندسة الريمانية تسمح لهذا الغشاء بالتمدد والتقلص.

• تمديد الخريطة: في المناطق التي تكون فيها الحركة صعبة (مثل رفع ذراع ثقيلة)، تتمدد الخريطة، مما يجعل تلك المناطق تبدو "أبعد" وأكثر تكلفة. وفي المناطق السهلة، تتقلص الخريطة.
• فقاعة البحث الجديدة: بدلاً من رسم دائرة مثالية أو شكل بيضاوي لفقاعة البحث الخاصة به، ترسم RIT* شكلاً يناسب "الخريطة المطاطية". فهي تركز بحثها فقط على المسارات التي تبدو رخيصة بالفعل على هذه الخريطة المنحنية الجديدة.
• الاتصالات الذكية: عندما يفكر الروبوت في ربط نقطتين، فإنه لا يتحقق فقط من الخط المستقيم. بل يستخدم مرشحاً "متتالياً" (cascading). يقوم أولاً بفحص سريع وخشن؛ فإذا بدا المسار مكلفاً، فإنه يتجاهله فوراً. فقط المسارات الواعدة هي التي تحصل على عملية حسابية كاملة ومفصلة. هذا يوفر وقتاً هائلاً من قدرة الحاسوب.

السلاح السري: CARM (التعلم من الاصطدامات)

الجزء الأكثر إثارة في الورقة هو الميزة المسماة CARM (تحسين المقياس المتكيف مع التصادم - Collision-Adaptive Metric Refinement).

عادةً، لجعل الروبوت يتجنب العوائق، يقوم المهندسون بتصميم "حقل تكلفة" يدوياً (خريطة تقول "ابتعد عن هنا"). ولكن ماذا لو كان الروبوت لا يعرف الخريطة بعد؟

• عملية التعلم: تتيح CARM للروبوت تعلم الخريطة أثناء التخطيط. في كل مرة يحاول فيها الروبوت سلوك مسار ويصطدم بجدار، تسجل CARM ذلك. وتقول: "حسناً، تلك البقعة خطيرة".
• حلقة التغذية الراجعة: تستخدم هذه "الاصطدامات" لإنشاء خريطة حرارية للخطر. ثم تقوم بتضخيم تكلفة التحرك بالقرب من تلك النقاط. في المرة القالية التي يخطط فيها الروبوت، فإنه يتجه طبيعياً بعيداً عن الأماكن التي اصطدم بها سابقاً.
• لا حاجة لمعرفة مسبقة: لا يحتاج الروبوت إلى خريطة مثالية للغرفة ليبدأ. يمكنه البدء بلوحة بيضاء (أو فكرة أساسية عن كيفية حركة مفاصله) ويتعلم العوائق أثناء تقدمه.

ما أظهرته التجارب

اختبر الباحثون RIT* في مجموعة متنوعة من العوالم المحاكات، من المتاهات البسيطة ثنائية الأبعاد إلى أذرع روبوتية معقدة ذات 14 بُعداً (مثل روبوت بذراعين).

• في العوالم البسيطة: عندما كان البيئة موحدة (بدون تكاليف معقدة)، أدت RIT* أداءً يضاهي أفضل الطرق الموجودة حالياً. لم تسبب أي خلل؛ بل اكتفت بمجاراة المنافسين.
• في العوالم المعقدة: هنا تألقت RIT*.
  • في بيئة ثلاثية الأبعاد ذات تكاليف معقدة وتعتمد على الاتجاه، وجدت RIT* حلولاً كانت أقل تكلفة بنسبة 13.0% من أفضل طريقة سابقة (BIT*).
  • في مهمة ذراع روبوت سداسية الأبعاد، حسنت RIT* تكلفة المسار النهائي بنسبة 9.0%.
  • في الاختبار الأصعب، وهو روبوت بذراعين ذو 14 بُعداً، كان التحسن هائلاً: وجدت RIT* مسارات كانت أفضل بنسبة تتراوح بين 24.8% إلى 63.5% من الطرق الأخرى. في هذه الحالات عالية الأبعاد، علقت الطرق القديمة "المسطحة" أو وجدت مسارات سيئة جداً، بينما استمرت RIT* في التحسن.
• اختبار الروبوت الحقيقي: قاموا حتى بتشغيل الخوارزمية على ذراع روبوت حقيقي من طراز UR10e. نجح الروبوت في تخطيط وتنفيذ حركات سلسة وخالية من الاصطدامات، مما أثبت أن الرياضيات تعمل في العالم الحقيقي وليس فقط في عمليات المحاكاة.

الخلاصة

تثبت هذه الورقة أنه من خلال معاملة عالم الروبوت كمشهد مرن ومنحنٍ بدلاً من شبكة مسطحة وجامدة، يمكننا إيجاد مسارات أفضل بكثير. RIT* لا تجد مجرد مسار؛ بل تجد المسار الأذكى من خلال فهم أن بعض الحركات أصعب من غيرها، ومن خلال التعلم من أخطائها (الاصطدامات) لتجنب الخطر.

بينما تتطلب الطريقة المزيد من قوة الحاسوب للقيام بالرياضيات المعقدة، إلا أن النتائج تظهر أنه بالنسبة للروبوتات المعقدة في البيئات الصعبة، فإن هذا الجهد الإضافي يؤتي ثماره من خلال حركات أفضل وأكثر أماناً وكفاءة. يقترح المؤلفون أنه مع زيادة تعقيد الروبوتات ودخولها في بيئات غير متوقعة، سيصبح هذا النوع من التفكير بـ "الخريطة المنحنية" أمراً ضرورياً.