CAAT: Contact-Aware Attention Scaling and Tactile Masking for Data-Efficient Contact-Rich Manipulation

تخيل روبوتًا يحاول تعلم كيفية التقاط بيضة هشة. إذا كان لدى الروبوت عينان فقط، فبإمكانه رؤية البيضة وهي مستقرة على الطاولة والتخطيط لحركته. ولكن في اللحظة التي تلمس فيها أصابعه البيضة، تُحجب رؤية الكاميرا، وهنا يحدث السحر الحقيقي: يحتاج الروبوت إلى الشعور بالضغط، والانزلاق، والملمس ليعرف ما إذا كان يمسكها بقوة شديدة أو بضعف شديد. هذا هو عالم "التلاعب الغني بالتلامس" (contact-rich manipulation)، حيث يعتمد نجاح الروبوت على التبديل بين "النظر" و"الشعور". لفترة طويلة، كان تعليم الروبوتات القيام بذلك يشبه محاولة تعليم طالب قراءة خريطة والشعور بالتضاريس في نفس الوقت، دون إخباره متى يغير سرعته. يحاول عقل الروبوت (الذي يكون عادةً ذكاءً اصطناعيًا معقدًا يُسمى "Transformer") تخمين متى يستمع إلى عينيه ومتى يستمع إلى جلده، وغالبًا ما يصاب بالارتباك لأن جزء "الشعور" لا يحدث إلا لجزء ضئيل جدًا من المهمة.

تقدم هذه الورقة البحثية حيلة ذكية تسمى CAAT (توسيع الانتباه المدرك للتلامس والتقنيع اللمسي) لمساعدة الروبوتات على معرفة متى تبدل الأنماط بدقة. فكر في CAAT كمنظم مرور ذكي لحواس الروبوت. بدلًا من ترك الروبوت يخمن متى ينتبه للمس، يستخدم CAAT قاعدة بسيطة: "إذا لم تكن تلمس أي شيء، ثق بعينيك؛ وإذا كنت تلمس شيئًا، ثق بجلدك". كما يمتلك قوة خارقة ثانية: فهو يعمل مثل سماعات إلغاء الضوضاء لحاسة اللمس لدى الروبوت. عندما لا تلمس أصابع الروبوت أي شيء، لا تزال مستشعرات الجلد تشعر بالخلفية (مثل الهواء أو الطاولة)، وهو أمر ممل ومشتت. يقوم CAAT بكتم ضوضاء الخلفية تلك فورًا حتى لا يسمع الروبوت إلا الإشارات "العالية" للتلامس الفعلي. ومن خلال الجمع بين هاتين الحيلتين، يتعلم الروبوت بشكل أسرع ويصبح أفضل بكثير في المهام الصعبة، حتى عندما لا يكون قد رأى أمثلة كثيرة ليتعلم منها.

المشكلة: الارتباك الحسي للروبوت

الروبوتات بارعة في التحرك عبر المساحات الفارغة باستخدام كاميراتها. يمكنها رؤية كوب، أو زجاجة، أو مفتاح وتحديد مكان الإمساك بها. لكن في اللحظة التي تبدأ فيها بلمس الأشياء، تتغير اللعبة. في العالم الحقيقي، تعتمد مهام مثل فك غطاء مرطبان أو إدخال مفتاح في قفل على أحاسيس فيزيائية دقيقة — مثل انزلاق طفيف أو تغير في الضغط — وهي أشياء لا تستطيع الكاميرات رؤيتها ببساطة.

المشكلة هي أن الروبوتات غالبًا ما تجد صعوبة في معرفة متى تنتقل من "وضع الرؤية" إلى "وضع اللمس". تستخدم معظم الروبوتات الحالية عقلًا اصطناعيًا قياسيًا يمزج جميع المعلومات معًا، آملًا في اكتشاف التوازن الصحيح من تلقاء نفسه. الأمر يشبه طلب حل مسألة رياضية من طالب بينما يستمع في الوقت نفسه إلى الراديو؛ يتعين على الروبوت تخمين أي حاسة هي المهمة في كل ثانية. وبما أن جزء "اللمس" من المهمة غالبًا ما يكون قصيرًا ونادرًا مقارنة بجزء "النظر"، فإن عقل الروبوت يغرق في البيانات المرئية ويغفل غالبًا عن الإشارات اللمسية الحاسمة. وهذا يجعل التعلم بطيئًا وغير فعال، خاصة إذا لم يكن لدى الروبوت آلاف المحاولات التدريبية للدراسة.

الحل: سحر خطوتين من CAAT

يقترح المؤلفون CAAT، وهو إطار عمل خفيف الوزن يعمل كمرشح ذكي لحواس الروبوت. هو لا يستبدل عقل الروبوت، بل يعطيه تعليمات أفضل حول كيفية الاستماع. يعمل CAAT في خطوتين متميزتين:

1. اللمس "المانع للضوضاء" (التقنيع اللمسي الديناميكي)
تخيل أنك تحاول سماع همس في غرفة صاخبة. إذا كانت الغرفة مليئة بالثرثرة المستمرة في الخلفية، فلن تتمكن من سماع الهمس. وبالمثل، فإن مستشعرات اللمس في الروبوت "تشعر" دائمًا بشيء ما، حتى عندما لا يلمس الشيء (مثل الشعور بالهواء أو الطاولة). هذه ضوضاء خلفية ثابتة.
يقدم CAAT "لمسًا مرجعيًا" — وهو الشعور بأصابع الروبوت عندما لا تلمس أي شيء. وبينما يتحرك الروبوت، يقارن CAAT اللمس الحالي بالمرجع باستمرار. إذا كان جزء من المستشعر يشعر تمامًا مثل المرجع، يفترض CAAT أنه مجرد ضوضاء خلفية ويقوم بكتمه. أما إذا شعر جزء من المستشعر بشيء مختلف (بسبب الضغط على جسم ما)، يقوم CAമാണ് برفع مستوى الصوت. هذا يسمح للروبوت بالتركيز فقط على أجزاء أصابعه التي تتفاعل فعليًا مع العالم، متجاهلاً الباقي.

2. "منظم المرور الذكي" (توسيع الانتباه المدرك للتلامس)
بمجرد اختفاء الضوضاء، لا يزال يتعين على الروبوت تحديد ما إذا كان سينظر أو يشعر. يستخدم CAAT قاعدة بسيطة ومبرمجة مسبقًا:

• قبل التلامس: عندما يكون الروبوت في طريقه للإمساك بجسم ما، يخبر CAAT العقل: "ثق بعينيك!"، حيث يعزز أهمية المعلومات المرئية حتى يتمكن الروبوت من التنقل والمحاذاة.
• أثناء التلامس: في اللحظة التي يلمس فيها الروبوت الجسم، يقلب CAAT المفتاح. يقول: "ثق بجلدك!"، حيث يعزز أهمية المعلومات اللمسية حتى يتمكن الروبوت من ضبط قبضته وقوته.

هذا ليس تخمينًا معقدًا؛ إنه قاعدة هيكلية مبنية داخل النظام. لا يتعين على الروبوت تعلم متى يغير النمط؛ فالنظام يتولى ذلك تلقائيًا بناءً على ما إذا كان الروبوت يلمس شيئًا أم لا.

ما وجدوه: تعلم أسرع، نتائج أفضل

اختبر الباحثون CAAT بطريقتين: في محاكاة حاسوبية وفي العالم الحقيقي باستخدام يد روبوت مادية.

في المحاكاة:
استخدموا معيارًا يسمى UniVTAC بخمس مهام مختلفة، مثل رفع زجاجة أو إدخال أنبوب.

• بدون CAAT، حققت الطرق القياسية (التي تدمج الرؤية واللمس فقط) معدل نجاح متوسط قدره حوالي 51.6%.
• مع CAAT، قفز معدل النجاح إلى 69.6%.
• هذا تحسن هائل قدره 18.0 نقطة مئوية عن الطريقة القياسية و10.0 نقاط مئوية عن الطرق المتقدمة الأخرى التي تحاول تعلم قواعد التبديل بمفردها.
• والأهم من ذلك، أن CAAT عمل بشكل أفضل حتى عندما أُعطي الروبوت قدرًا ضئيلًا جدًا من البيانات للتعلم (كما قليلة كـ 25 عرضًا توضيحيًا)، مما يثبت أن هذا "التبديل الذكي" يساعد الروبوتات على التعلم بشكل أسرع.

في العالم الحقيقي:
اختبروا الروبوت في ثلاث مهام صعبة: رفع زجاجة، فتح صندوق، واستخراج بنك طاقة (Power Bank). جربوا CAAT مع ثلاثة أنواع مختلفة من عقول الروبوت (ACT، وDiffusion Policy، وπ0).

• نهج "خلط كل شيء معًا" القياسي نجح بنسبة تتراوح بين 25% إلى 36% فقط.
• مع CAAT، ارتفعت معدلات النجاح لتصل إلى 55% - 66%، اعتمادًا على العقل المستخدم.
• في المتوسط، تفوق CAAT على أفضل الأساليب الموجودة بمقدار 21.1 نقطة مئوية.
• كان التحسن الأكثر دراماتيكية في مهمة "فتح الصندوق"، حيث فشلت الأساليب القياسية تقريبًا (10% إلى 35% نجاح)، بينما نجح CAAT بنسبة 50% إلى 60%.

لماذا يهم هذا؟

تشير الورقة البحثية إلى أن المفتاح لتحسين تلاعب الروبوتات ليس مجرد إعطائهم المزيد من البيانات أو عقولًا أكبر؛ بل هو إعطاؤهم "الحس السليم" حول كيفية عمل حواسهم. من خلال إخبار الروبوت صراحةً بأن ينظر عندما يتحرك ويشعر عندما يلمس، ومن خلال تصفية ضوضاء الخلفية المملة من مستشعرات اللمس الخاصة به، يجعل CAAT الروبوت أكثر كفاءة.

وجد المؤلفون أن هذا النهج يعمل عبر أنواع مختلفة من عقول الروبوت، مما يعني أنه أداة مرنة يمكن إضافتها إلى العديد من الأنظمة الموجودة. وبينما تبدو النتائج واعدة للغاية، تشير الورقة إلى أن هذه النت Results محددة بالمهام المختبرة (مثل الرفع والإدخال) وبالإعداد الخاص للروبوت المستخدم. ومع ذلك، فإن الفكرة الجوهرية — وهي أن الروبوتات تحتاج إلى قواعد واضحة لمعرفة متى تثق في عينيها مقابل جلدها — تبدو خطوة قوية للأمام لجعل الروبوتات قادرة على التعامل مع المهام الدقيقة التي تعتمد بكثافة على التلامس دون الحاجة إلى سنوات من الممارسة.