VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain

تخيل أنك تعلم روبوتاً كيف يقود سيارة. في عالم ألعاب الفيديو أو مواقف السيارات المسطحة، حيث كل شيء سلس ومتوقع، يكون هذا الأمر سهلاً: تخبر الروبوت "انعطف يساراً"، وهو يعرف تماماً كيف ستتمسك عجلاته بالأرض وكيف ستتحرك السيارة. لكن، إذا ألقيت بهذا الروبوت نفسه في العالم البري الوعر، المليء بالوحل والمنحدرات والنتوءات، سيتغير كل شيء. الأرض هنا ليست مجرد سطح مستوٍ؛ بل هي مسار عقبات حي يتنفس، مليء بالتلال والمنخفضات والطين والصخور التي تتحرك تحت الإطارات. هذا هو عالم الديناميكا الحركية (kinodynamics)—وهو مصطلح معقد لوصف فهم كيفية تفاعل جسم المركبة الفيزيائي (كتلتها، ونظام تعليقها، وعجلاتها) مع الأرض لإنتاج الحركة.

لكي يتمكن الروبوت من التنقل في هذه الفوضى بأمان، فإنه يحتاج إلى "كرة بلورية" تتنبأ بدقة بما سيحدث لاحقاً. فإذا أخطأ الروبوت في تقديره، قد ينقلب، أو يعلق، أو يصطدم. التحدي الكبير هو أن كل روبوت مُصمم بشكل مختلف (بعضها بأربع عجلات، وبعضها بمسارات مجنزرة، بعضها ثقيل، وبعضها خفيف)، وكل بقعة أرض تختلف عن غيرها. تقليدياً، إذا أردت روبوتاً جديداً أن يقود في جبل جديد، سيتعين عليك قضاء أسابكت في تعليمه من الصفر، وجمع البيانات حتى يتعلم أصول المهنة. ولكن ماذا لو كان بإمكانك فقط "تحميل" خبرات الربوتات الأخرى وتكييفها فوراً مع الروبوت الجديد؟ هذا هو حلم التكيف عبر المركبات (cross-vehicle adaptation): مشاركة مهارات القيادة بين آلات مختلفة بحيث يمكنها التعلم فوراً، حتى في تضاريس لم ترها من قبل.

هنا يأتي دور ورقة بحثية بعنوان VertiAKD التي تقدم حلاً ذكياً جديداً. فقد أدرك الباحثون، بالتعمل مع فريق في جامعة جورج ميسون، أنه بينما تختلف الروبوتات، فإن الفيزياء الكامنة وراء كيفية صراعها أو انزلاقها فوق الأرض الوعرة تشترك في أنماط خفية. لقد بنوا نظاماً يعمل بمثابة مترجم عالمي للقيادة في الطرق الوعرة. فبدلاً من إجبار الروبوت الجديد على إعادة تعلم كل شيء من الصفر، ينظر نظام VertiAKD إلى مكتبة من تجارب القيادة السابقة للعديد من الروبوتات المختلفة. إنه يجد "قصص القيادة" المحددة التي تتوافق مع وضع الروبوت الجديد الحالي—تماماً مثل البحث عن وصفة تعمل مع نوع معين من الدقيق وفرن محدد.

يعمل النظام عبر ثلاث خطوات سحرية. أولاً، ينشئ "بنك ذاكرة" مشتركاً حيث يخزن كيفية تعامل المركبات المختلفة مع التضاريس المختلفة، مع ترميز أشياء مثل مدى انحدار التل وما إذا كانت الأرض صخرية أو رملية. ثانياً، عندما يصل روبوت جديد ببيانات جديدة ضئيلة جداً (لا تتجاوز دقيقة واحدة من القيادة)، يقوم النظام بمسح بنك الذاكرة الخاص به للعثين على أكثر التجارب السابقة صلة. هو لا يكتفي بالنسخ فقط؛ بل يمزجها معاً مثل "دي جي" (DJ) يجمع أفضل العينات من أغنيات مختلفة لإنشاء مقطوعة موسيقية مثالية جديدة. هذا يمنح الروبوت الجديد "بداية قوية" أو تخميناً ذكياً حول كيفية تحركه.

لكن السحر الحقيقي يحدث في الخطوة التالية. فالنظام يدرك أن أي تخمين ليس مثالياً، خاصة في جبل جديد. لذا، يستخدم خدعة رياضية تسمى المربعات الصغرى المتكررة (Recursive Least Squares - RLS) لتعديل توقعاته باستمرار في الوقت الفعلي أثناء قيادة الروبوت. فكر في الأمر كأنه مساعد طيار يهمس في أذن السائق: "مهلاً، أنت تنزلق أكثر مما ظننت، عدل توجيهك"، ويكرر ذلك مراراً وتكراراً، مما يصقل فهم الروبوت في كل ثانية دون الحاجة إلى التوقف لإعادة تعلم الكتاب بأكمله.

اختبر الباحثون هذه الفكرة بطريقتين: في محاكي حاسوبي عالي التقنية يسمى Verti-Bench، وعلى سيارات روبوتية حقيقية في ساحة اختبار. وقد وضعوا نظام VertiAKD في مواجهة طرق أخرى، بما في ذلك تلك التي تحاول التعلم من الصفر أو مجرد نسخ ولصق البيانات القديمة. كانت النتائج مذهلة؛ فعند منح النظام دقيقة واحدة فقط من البيانات الجديدة، قلل VertiAKD أخطاء التنبؤ بنسبة تصل إلى 34.52% مقار End بـمجرد نسخ البيانات القديمة، وبنسبة هائلة بلغت 94.43% مقارنة بالطرق الرائدة الأخرى. وفي العالم الحقيقي، يعني هذا أن الروبوت تمكن من التنقل بنجاح في تضاريس صعبة وغير مرئية حيث فشلت الطرق الأخرى تماماً.

ومع ذلك، يوضح المؤلفون بحذر أن "كرتهم البلورية" لها حدود. فهي تعمل بشكل رائع على الأرض الصلبة، الصخرية، أو العشبية حيث يهم شكل التضاريس أكثر من غيره. ولكن إذا كانت الأرض عبارة عن طين ناعم ولزج أو ثلوج عميقة تغير شكلها مع غوص العجلات فيها، فإن النظام الحالي يعاني لأنه لا يفهم بعد الفيزياء المعقدة للغوص والانزلاق. في الوقت الحالي، يعد VertiAKD قفزة هائلة للأمام للروبوتات التي تحتاج للقيادة بسرعة وأمان على الأرض الوعرة والمتغيرة، مما يثبت أنه مع وجود نوع صحيح من الذاكرة المشتركة، يمكن للروبوت أن يتعلم القيادة كالمحترفين في طرفة عين.