Situation Aware Frontier Prioritization for Quadruped Search and Rescue
تقترح هذه الورقة طريقة لتحديد أولويات الحدود بناءً على الوعي بالموقف لروبوتات البحث والإنقاذ رباعية الأرجل، تدمج بين كسب المعلومات، وأهمية الإنقاذ، وتكاليف التضاريس للتفوق على استراتيجيات الاستكشاف الكلاسيكية في البيئات الداخلية المعقدة والمزدحمة من خلال تعظيم معدلات استعادة الضحايا.
المؤلفون الأصليون:Kevin Farias, Santiago Martin, Barbara Flores, Vinicio Melgar, Igor Nunes, Hiago Sodre, Pablo Moraes, Ricardo B. Grando
تخيل عالماً تكون فيه الروبوتات هي المستجيب الأول في حالات الكوارث، تندفع نحو المباني المنهارة أو الغرف المظلمة المليئة بالحطام للعثور على أشخاص في محنة. هذا هو المجال المثير لـ البحث والإنقاذ (SAR)، حيث يلتقي العلم بالبطولة في المواقف العصيبة. ولكي تكون هذه الروبوتات مفيدة، يجب أن تكون مستقلة، مما يعني أنها تستطيع تحديد وجهتها دون الحاجة إلى إنسان يمسك بجهاز تحكم عن بعد. وللقيام بذلك، تستخدم خوارزميات الاستكشاف، والتي هي بمثקابة نظام تحديد المواقع الداخلي وعقل اتخاذ القرار للروبوت. تساعد هذه الخوارزميات الروبوت على بناء خريطة ذهنية للمجهول، وتحديد ما إذا كان ينبغي له الانعطاف يساراً، أو يميناً، أو السير في خط مستقيم. والسؤال الكبير الذي يحاول الباحثون حله هو: كيف يقرر الروبوت أي مسار هو "الأفضل"؟ هل المسار الأفضل هو الأقصر؟ أم المسار الذي يكشف عن أكبر مساحة جديدة؟ أم المسار الأكثر احتمالاً للوصول إلى ضحية محاصرة؟ إذا اختار الروبوت ببساطة المسار الأقصر، فقد يفوت الشخص المختبئ في زاوية صعبة. وإذا اختار فقط المسار الذي يظهر أكبر مساحة جديدة، فقد يتوه في طريق مسدود بينما ينتظر ضحية في مكان قريب. إن إيجاد التوازن المثالي هو المفتاح لإنقاذ الأرواح.
تقدم هذه الورقة استراتيجية ذكية جديدة لـ الروبوتات رباعية الأرجل — وهي آلات ذات أربع أرجل تشبه الكلاب وتبرع في المشي فوق الحطام حيث قد تتعثر الروبوتات ذات العجلات. أراد الباحثون، الذين يعملون في أوروغواي، تعليم هذه الروبوتات كيف تكون "واعية بالموقف". فبدلاً من الاستكشاف الأعمى، يُمنح الروبوت مجموعة خاصة من الأولويات. فكر في الأمر كأنك محقق يحل لغزاً؛ قد يقوم المحقق التقليدي بفحص كل غرفة بترتيب أبجدي (طريقة "الحدود الأقرب") أو يركز فقط على الغرف التي تحتوي على أكبر قدر من الأدلة (طريقة "كسب المعلومات"). لكن المحقق الواعي بالموقف يعرف أن الغرفة التي يصدر منها همس خافت لطلب استغاثة هي أهم من الغرفة التي تحتوي على أكبر قدر من ذرات الغبار، حتى لو كانت تلك الغرفة أصعب في الوصول إليها.
يقترح المؤلفون نظام تسجيل يعمل مثل "رادار الإنقاذ". في كل مرة ينظر فيها الروبوت إلى مسار محتمل (يسمى "حدوداً")، فإنه يحسب درجة بناءً على خمسة أشياء: مقدار الخريطة الجديدة التي سيراها، وكمية ما سبق أن نظر إليه في تلك المنطقة، ومدى احتمالية العثين على ضحية هناك، ومدى وعورة الأرض، والمسافة التي سيمشيها. ثم يختار الروبوت المسار صاحب أعلى درجة. ولاختبار ذلك، لم يستخدموا حطاماً حقيقياً (لأنه سيكون خطيراً ومكلفاً)؛ بل قاموا ببناء عالمين رقميين في محاكاة حاسوبية تسمى "Gazebo". العالم الأول كان عبارة عن متاهة بسيطة وسهلة تحتوي على ضحية واحدة، ليكون بمثابة "اختبار منطقي" للتأكد من أن الروبوت لن يصطدم. أما العالم الثاني فكان كابوساً فوضوياً ومزدحماً يحتوي على ضحيتين، وطرق مسدودة، وفروع مربكة، وقد صُمم لاختبار قدرة الروبوت على اتخاذ القرار بشكل حقيقي.
كانت النتائج مذهلة. في العالم البسيط، عملت جميع استراتيجيات الروبوت المختلفة بشكل جيد، رغم أن طريقة "كسب المعلومات" القياسية تفوقت قليلاً على الطريقة الجديدة. وهذا يشير إلى أنه عندما تكون المهمة سهلة، فأنت لا تحتاج إلى عقل فائق التعقيد؛ إذ تكفي قاعدة بسيطة. ومع ذلك، في العالم المعقد والفوضوي، تغيرت القصة تماماً. أصبحت طريقة "الوعي بالموقف" الجديدة هي الفائزة بوضوة. فقد نجحت في إتمام المهمة بنسبة 100% (20 من أصل 20 جولة) وحققت متوسط العثور على 2.00 ضحية في كل جولة. وفي المقابل، أكملت طريقة "كسب المعلومات" القياسية المهمة بنسبة 70% فقط ووجدت عدداً أقل من الضحايا. وحتى روبوت "الحدود الأقرب"، الذي يختار ببسا simply أقرب مسار، تمكن من العث de على ضحايا لكنه لم يكمل المهمة بموثوقية مثل الطريقة الجديدة.
تشير الورقة إلى أن هذا النهج الجديد يعد خطوة كبيرة للأمام، ولكن فقط عندما تصبح البيئة صعبة. وجد الباحثون أن الطريقة الجديدة لم تجعل الروبوت يتحرك بشكل أسرع أو أبعد فحسب؛ بل في الواقع، قطع الروبوت الجديد مسافة أقصر (57.45 متراً) وأنهى المهمة في وقت أقل (373.5 ثانية) من الطرق الأخرى في السيناريو المعقد. وهذا يثبت أن الروبوت لم يكن يعمل بجهد أكبر فحسب، بل كان يعمل بذكاء أكبر، متجاهلاً المسارات غير المجدية ومركزاً طاقته حيث تكمكن الأهمية. ويخلص المؤلفون إلى أنه بينما تكون قواعد الاستكشاف البسيطة مناسبة للمهام السهلة، فإن تحديد الأولويات "الواعي بالموقف" أمر ضروري عندما تكون البيئة مزدحمة وعندما لا يعود الخيار بشأن الاتجاه التالي واضحاً. ومع ذلك، فهم يقرون بأن هذه النتائج تقتصر حالياً على عمليات المحاكاة الحاسوبية، وأن الخطوة الكبيرة التالية ستكون في معرفة ما إذا كان بإمكان روبوت حقيقي، مادي، التعامل مع نفس الفوضى في العالم الحقيقي.
ملخص تقني: تحديد أولويات الحدود الواعية بالموقف للروبوتات رباعية الأرجل في مهام البحث والإنقاذ
بيان المشكلة تتطلب مهام البحث والإنقاذ (SAR) في البيئات الداخلية غير المعروفة أنظمة روبوتية يمكنها الاستكشاف ذاتياً، والتنقل في المساحات المزدحمة، وتعظيم احتمالية العثัง على الضحايا ضمن ميزانية زمنية محددة. وبينما توفر الروبوتات رباعية الأرجل قدرة فائقة على الحركة في البيئات المزدحمة والمقيدة مقارنة بالأنظمة ذات العجلات، فإن الاستكشاف الذاتي لهذه الروبوتات يواجه تحدياً محدداً: استراتيجيات اختيار الحدود الكلاسيكية (مثل: أقرب حد، كسب المعلومات، أو الوعي بالمخاطر) مصممة أساساً لتغطية الخرائط العامة أو تقليل عدم اليقين. هذه النهج القياسية لا توازن صراحةً بين توسيع الخريطة وبين احتمالية اكتشاف الضحايا. وفي السيناريوهات المعقدة التي تحتوي على فروع متعددة، وعوائق جزئية، وازدحام، قد لا يكون "الحد" الأقرب أو الأكثر إفادة لرسم الخرائط هو نفسه الحد الذي يدعم بشكل أفضل عملية اكتشاف الضحايا.
المنهجية يقترح البحث استراتيجية تحديد أولويات الحدود الواعية بالموقف لروبوت رباعي الأرجل يعمل بمفرده في مهام البحث والإنقاذ. تحافظ هذه الطريقة على إطار عمل الاستكشاف القائم على الحدود الكلاسيكي، ولكنها توسع آلية تسجيل النقاط (Scoring) لتشمل أهدافاً خاصة بالإنقاذ إلى جانب المقاييس الهندسية والمعلوماتية.
دالة تسجيل النقاط (Scoring Function): يتم تخصيص درجة J(f) لكل حد مرشح f تُحسب كما يلي: J(f)=wII(f)+wOO(f)+wRR(f)−wTT(f)−wDD(f) حيث أن:
I(f): كسب المعلومات (يعزز توسيع الخريطة).
O(f): عجز الملاحظة (يفضل المناطق المستكشفة بشكل ضعيف).
R(f): الأهمية المتعلقة بالإنقاذ (المكون المبتكر)، وتُنمذج كدالة لأدلة الضحايا المؤقتة. وهي ترفع درجة الحدود القريبة من المناطق المكانية ذات المنفعة العالية لعمليات الإنقاذ أو إشارات الضحايا المؤقتة.
T(f): عقوبة التضاريس (تثبط المناطق الصعبة أو الخطرة).
D(f): تكلفة السفر (تعاقب مسافات السفر الطويلة).
w المصطلحات: معاملات الوزن.
بنية النظام: تم التنفيذ باستخدام ROS 2 والتقييم في بيئة Gazebo باستخدام روبوت رباعي الأرجل من نوع Unitite Go2. تتضمن سلسلة العمليات ما يلي:
رسم الخرائط وتقدير الحالة: تحديث تدريجي لخريطة الإشغال المحلية.
استخراج وترتيب الحدود: تجميع وترتيب الحدود باستخدام درجة الأهداف المتعددة المقترحة.
التعامل مع الضحايا: عملية تأكيد بصري خفيفة الوزن حيث يتم تجميع الاكتشافات المؤقتة وإزالة التكرار المكاني قبل ترقيتها إلى ضحايا مؤكدين، مما يضمن أن يعمل الروبوت كمستكشف أولاً ومفتش محلي ثانياً.
تنفيذ الحركة المحلية: متحكم محلي مشترك ومنطق استرداد يُستخدم عبر جميع الطرق لضمان أن تعكس فروق الأداء الاختلافات في اختيار الحدود وليس في التحكم منخفض المستوى.
مقارنات خط الأساس (Baselines): يتم تقييم الطريقة المقترحة مقابل ثلاث استراتيجيات راسخة:
أقرب حد (Nearest Frontier): يختار الحد الذي يمكن الوصول إليه بأقل مسافة سفر.
كسب المعلومات (Information Gain): يختار الحدود التي تعظم المنفعة المتوقعة للخريطة (تقليل الاعتلاج/الإنتروبي).
الاستكشاف الواعي بالمخاطر (Risk-Aware Exploration): يُدخل عقوبات على المناطق غير المؤكدة أو غير الآمنة.
الإعداد التجريبي أُجريت التجارب في بيئتين داخليتين محاكاتين:
السيناريو S1 (سهل): تخطيط بسيط يحتوي على ضحية واحدة وازدحام محدود، ليكون بمثابة اختبار منطقي (Sanity Check).
السيناريو S2 (معقد): تخطيط يحتوي على ضحيتين، وازدحام كبير، وهياكل تفرع غامضة مصممة لإظهار الاختلافات في سلوك اختيار الحدود. تم اختبار كل طريقة على مدار 20 جولة لكل سيناريو مع وضعيات بدء عشوائية. شملت المقاييس معدل الإكمال، واستعادة الضحايا (متوسط الضحايا المؤكدين)، وقت أول ضحية، وقت المهمة، وطول المسار.
النتائج الرئيسية
السيناريو البسيط (S1): أدت جميع الطرق وظائفها بشكل موثوق. حقق خط الأساس "كسب المعلومات" أعلى معدل إكمال (95%) واستعادة ضحايا (0.95)، بينما ظلت الطريقة المقترحة تعمل ولكنها لم تتفوق على أقوى خط أساس. يشير هذا إلى أن الوعي بالموقف يصبح أقل أهمية عندما تكون خيارات الحدود بديهية.
السيناريو المعقد (S2): أظهرت الطريقة المقترحة أداءً متفوقاً:
معدل الإكمال: 100% (20/20 جولة)، متفوقة على "كسب المعلومات" (70%)، و"أقرب حد" (90%)، و"الوعي بالمخاطر" (95%).
استعادة الضحايا: حققت متوسط 2.00 ضحية مؤكد لكل جولة، وهو الأعلى بين جميع النهج.
الكفاءة: أكملت الطريقة المقترحة المهمة في أقصر وقت (373.5 ثانية) وقطعت أقصر مسافة (57.45 مترًا)، بينما قطع خط الأساس "كسب المعلومات" مسافة أطول بكثير (91.05 مترًا) مع نتائج أسوأ.
الأهمية والادعاءات يزعم البحث أن تحديد أولويات الحدود الواعية بالموقف تكون أكثر فائدة عندما تحتوي البيئة على قدر كافٍ من الازدحام وهياكل التفرع لجعل اختيار الحدود أمراً غير بديهي. في مثل هذه البيئات المعقدة، تكون أهداف الاستكشاف العامة (التغطية، تقليل عدم اليقين) غير كافية بمفردها. ومن خلال دمج الأهمية المتعلقة بالإنقاذ وعجز الملاحظة صراحةً في ترتيب الحدود، نجحت الطريقة المقترحة في الموازنة بين توسيع الخريطة واكتشاف الضحايا. تشير النتائج إلى أن القيمة الأساسية لهذا النهج تكمن في تحسين جودة قرارات الحدود في البيئات المهيكلة والمزدحمة، مما يؤدي إلى رفع موثوقية المهمة ومعدلات استعادة الضحايا دون زيادة في جهد التنقل.
المساهمات
طريقة لتحديد أولويات الحدود الواعية بالموقف للبحث والإنقاذ باستخدام الروبوتات رباعية الأرجل، توجه الاختيار عبر كسب المعلومات، وعجز الملاحظة، والأهمية المتعلقة بالإنقاذ، وعقوبة التضاريس، وتكلفة السفر.
بروتوكول تقييم قائم على المحاكاة باستخدام بيئتين داخليتين متمايزتين (بسيطة ومعقدة) للتمييز بين سلوكيات اختيار الحدود.
مقارنة تجريبية تثبت أن الطريقة المقترحة تحقق أعلى معدل إكمال وأعلى استعادة للضحايا في السيناريوهات المعقدة مقارنة بخطوط الأساس: "أقرب حد"، و"كسب المعلومات"، و"الوعي بالمخاطر".