← أحدث الأبحاث
💻 computer science

Perception-and-action system for humanoid robot task execution in construction

تقترح هذه الورقة نظام إدراك وحركة مبتكر يتكون من Humanoid-PoseNet وHumanoid-ActionNet يُمكّن الروبوتات البشرية من تعلم وتنفيذ مهام البناء بموثوقية من خلال العروض البشرية، محققةً متوسط خطأ في تتبع الحركة يبلغ 82.45 ملم.

المؤلفون الأصليون: Yanxi Liu, Yizhi Liu

نُشر 2026-08-04
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yanxi Liu, Yizhi Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً لا تكون فيه الروبوتات مجرد آلات ضخمة على عجلات أو أذرع مثبتة في الجدرب، بل شركاء يشبهوننا في المظهر والحركة. هذا هو مجال الروبوتات البشرية (humanoid robotics)، وهو مجال يحاول بناء آلات يمكنها السير في مساحاتنا التي صنعها البشر — مثل مواقع البناء، أو المطابخ، أو المكاتب — والقيام بالأعمال الشاقة دون الحاجة إلى دليل تعليمات لكل خطوة. التحدي الكبير؟ البشر فوضويون، مرنون، وفريدون؛ أما الروبوتات فهي دقيقة، صلبة، ومبنية وفق مخططات محددة. إذا حاولت نسخ حركة الإنسان مباشرة على روبوت، فقد يتعثر الروبوت، أو يسقط، أو تكسر مفصله لأن ساقيه أقصر أو وركيه ينثني بشكل مختلف. ولحل هذه المشكلة، يستخدم العلماء إعادة استهداف الحركة (motion retargeting) (وهي طريقة متطورة لقول "ترجمة حركات البشر إلى حركات روبوتات") والتعلم التعزيزي (reinforcement learning) (وهي طريقة يتعلم من خلالها الروبوت عن طريق التجربة والخطأ، حيث يحصل على "مكافآت" للبقاء منتصباً و"عقوبات" للسقوط). الهدف هو السماح للروبوتات بالتعلم من مراقبتنا، حتى تتمكن في النهاية من مساعدتنا في بناء عالمنا، مثل حمل الطوب أو تسلق السلالم تماماً كما يفعل العامل البشري.

دخلت هذه الدراسة الجديدة، التي تعمل بمثادة مترجم بارع ومدرب صارم لروبوت يدعى Unitree G1. أراد الباحثون معرفة ما إذا كان بإمكان روبوت بشري أن يشاهد عامل بناء يؤدي مهمة ما، ويفهم ما يفعله، ثم يقوم به بنفسه دون أن يسقط. لقد بنوا نظاماً يتكون من جزأين لتحقيق ذلك. أولاً، أنشأوا "مترجماً" يسمى Humanoid-PoseNet. فكر في هذا كدماغ كاميرا ذكي للغاية يراقب فيديو لعامل بشري. هو لا يرى شخصاً فحسب؛ بل يحسب بدقة مكان كل مفصل في الفضاء ثلاثي الأبعاد. ولكن الجزء الصعب هنا هو: جسم الإنسان مشكل بشكل مختلف عن جسم الروبوت. لذا، يقوم هذا الدماغ فوراً بإعادة كتابة حركات الإنسان إلى نسخة تناسب شكل جسم الروبوت المحدد، مما يضمن عدم محاولة الروبوت للي مفاصله بطرق مستحيلة.

بمجرد أن يعرف الروبوت ماذا يجب أن يحرك، فإنه يحتاج إلى معرفة كيف يتحرك دون أن يصطدم. وهنا يأتي دور الجزء الثاني، Humanoid-ActionNet. هذا هو المدرب الداخلي للروبوت، والذي تم تدريبه باستخدام طريقة "المعلم والطالب". "المعلم" هو نسخة قوية جداً من الروبوت تعيش في محاكاة حاسوبية وتعرف كل شيء عن الفيزياء (مثل مدى ثقل الطوبة أو مدى انزلاق الأرض). يتعلم المعلم الطريقة المثالية للحركة للحفاظ على التوازن. ثم يقوم بتعليم نسخة "الطالب" من الروبوت. الطالب هو الذي سيخرج فعلياً إلى العالم الحقيقي، لكن لا يُسمح له بالاعتماد على أسرار الفيزياء؛ بل عليه أن يتعلم فقط من خلال الشعور بمفاصله ومراقبة الحركات المستهدفة، تماماً كما سيفعل روبوت حقيقي. وهذا يضمن أنه عندما يغادر الروبوت الحاسوب ويخطو نحو موقع بناء حقيقي، فإنه لن يشعر بالارتباك بسبب الاختلاف بين المحاكاة والواقع.

اختبر الفريق هذا النظام مع 30 مهمة بناء مختلفة، من حمل الأنابيب الثقيلة ورص المواد إلى الإشارة بالأعلام والمشي على أرض غير مستوية. بدأوا بتسجيل خمسة متطوعين بشريين يؤدون هذه المهام في استوديو التقاط الحركة. ثم تركوا نظام الروبوت يتعلم من هذه التسجيلات. كانت النتائج واعدة: نجح الروبوت في تعلم أداء ثماني من هذه الأفعال الإنشائية المعقدة. في عمليات المحاكاة الحاسوبية، تتبع الروبوت الحركات البشرية بمتوسط خطأ قدره حوالي 82.45 ملم (متوسط خطأ موضع المفصل) عبر مفاصله. وعندما وضعوا الروبوت تحت الاختبار في العالم الحقيقي، تمكن من حمل الأنابيب، وحمل كتل الخرسانة، وحتى التلويح بعلم مع الحفاظ على توازنه، مما أثبت أن "الترجمة" و"التدريب" قد نجحا.

ومع ذلك، فإن الورقة البحثية حذرة في عدم تسمية هذا حلاً مثالياً. لاحظ الباحثون أنه بينما استطاع الروبوت القيام بهذه المهام، إلا أنه لم يكن خالياً من العيوب. في المحاكاة، فشلت بعض المحاولات، حيث فقد الروبوت توازنه أو تعثر، خاصة عندما لم تتطابق فيزياء العالم الحقيقي (مثل الاحتكاك أو الوزن) تماماً مع النموذج الحاسوبي. كما أشاروا إلى أن يدي الروبوت ليستا ببراعة يد الإنسان، لذا فبينما يمكنه حمل كتلة، فإنه لا يستطيع بالضرورة الإمساك بها بنفس الدقة التي يمتلكها العامل البشري. تشير الدراسة إلى أن هذا النهج هو خطوة أولى صلبة نحو امتلاك روبوتات يمكنها العمل جنباً إلى جنب معنا في مواقع البناء، ولكن لا يزال هناك الكثير من العمل للقيام به لجعلها موثوقة وقادرة على التكيف مثل البشر الذين يحاولون محاكاتهم. لقد أظهر النظام أنه من الممكن تعليم الروبوت كيف يتحرك مثل العامل، لكن الرحلة من "تعلم المشي" إلى "بناء ناطحة سحاب" لا تزال في بدايتها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →