TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

تخيل روبوتًا يحاول إيجاد طريقه عبر عالم لا يريد أن يُرسم له خريطة. لعقود من الزمن، علم العلماء الروبوتات كيفية التنقل باستخدام "العيون" — الكاميرات وأجهزة الليزر التي تمسح المشهد بحثًا عن معالم. ولكن ماذا يحدث عندما تنطفئ الأضواء، أو يحل الضباب، أو عندما يسير الروبوت عبر غابة كثيفة حيث تغطي الأوراق الأرض؟ تصاب "العيون" بالعمى. وهنا يأتي دور مجال تقدير الموقع عبر الحس العميق (proprioceptive odometry). فكر في الأمر كأنه "الحس الداخلي" للروبوت، تمامًا كما يمكنك معرفة ما إذا كنت تسير على أرضية زلقة أو مسار وعر بمجرد الشعور بالحركة في عضلاتك ومفاصلك، دون الحاجة إلى رؤية قدميك. ومع ذلك، فإن التحدي يكمما في أن هذا الحس الداخلي يسهل خداعه. فإذا انزلقت قدم الروبوت على صخرة مبللة أو غاصت في طين ناعم، ترتبك مستشعراته الداخلية، ويبدأ في الاعتقاد بأنه يتحرك في خط مستقيم بينما هو في الواقع ينزلق جانبيًا. ومع مرور الوقت، تتراكم هذه الأخطاء الصغيرة، ويضيع الروبوت تمامًا.

يقدم هذا البحث حلاً جديدًا يسمى TRACE، وهو نظام ذكي مصمم لمساعدة الروبوتات ذات الأرجل (مثل الكلاب رباعية الأرجل أو الروبوتات البشرية) على معرفة مكانها، حتى عندما تنزلق أقدامها، أو تغوص، أو تتدحرج على تضاريس غريبة. بدلاً من الاعتماد على قواعد جامدة أو إعدادات يدوية لتخمين ما إذا كانت القدم تنزلق، يستخدم TRACE نموذج تعلم عميق يعمل مثل مدرب ذو خبرة عالية. فهو يراقب تاريخ حركات الروبوت وقراءات المستشعرات، ويتعلم تجاهل "الضجيج" الناتج عن القدم المنزلقة والتركيز على "الإشارة" الناتجة عن الخطوة الثابتة. لقد درب الباحثون هذا النظام في عالم افتراضي مليء بالفوضى العشوائية — أرضيات زلقة، حصائر ناعمة، ونتوءات غير متوقعة — ثم اختبروه على روبوت حقيقي في الطبيعة. ووجدوا أن TRACE أفضل بكثير في إبقاء الروبوت على المسار الصحيح مقارنة بالطرق القديمة، حيث قلل من "الانحراف" (المسافة التي يعتقد الروبوت أنه يبعدها عن مكانه الفعلي) بأكثر من النصف في بعض المواقف الصعبة.

مشكلة "الأذن الداخلية" للروبوت

لفهم سبب أهمية TRACE، يجب أن ننظر إلى كيفية محاولة الروبوتات عادةً عد خطواتها. تخيل أنك تسير في غرفة مظلمة وعيناك مغمضتان. تحاول عد خطواتك لتعرف المسافة التي قطعتها. إذا خطوت على قشرة موزة وانزلقت، فقد يعتقد عقلك أنك خطوت خطوتين بينما لم تخطُ سوى واحدة. بالنسبة للروت، هذا كابوس. فإذا اعتقد أنه تحرك 10 أمتار للأمام بينما تحرك فعليًا 5 أمتار فقط، فسوف يصطدم في النهاية بجدار كان يظن أنه بعيد.

حاولت الطرق القديمة حل هذه المشكلة باستخدام مرشحات رياضية. هذه المرشحات تشبه المعلمين الصارمين الذين يقولون: "إذا كانت قدمك على الأرض، فيجب أن تكون ثابتة". لكن في العالم الحقيقي، الأقدام ليست ثابتة دائمًا؛ فهي تتدحرج، أو تغوص في الرمال، أو تنزلق على الجليد. وعندما يفترض "المعلم الصارم" أن القدم ثابتة بينما هي في الواقع تنزلق، تنهار الرياضيات ويضيع الروبوت. حاولت طرق أخرى استخدام الكاميرات، ولكن كما ذكرنا، تفشل الكاميرات في الظلام أو في الطقس السيئ.

دخول TRACE: "المدرب الذكي"

ابتكر مؤلفو هذا البحث نظام TRACE (التقدير الواعي بالاتصال المعتمد على الانتباه القوي والمجزأ - Tokenized Robust Attention for Contact-Aware Estimation). بدلاً من المعلم الصارم، فكر في TRACE كـ مدرب ذكي شاهد آلاف الساعات من مشي الروبوتات على كل أنواع الأسطح التي يمكن تخيلها.

إليك كيف يعمل بكلمات بسيطة:

1. المدخلات: يرسل الروبوت باستمرار تدفقًا من البيانات إلى TRACE: مدى سرعة دورانه (الجيروسكوب)، وقوة تسارعه (مقياس التسارع)، وموضع وسرعة كل مفصل في أرجله.

2. خدعة "الانتباه": هذا هو الجزء السحري. يستخدم TRACE آلية تسمى الانتباه المتقاطع (cross-attention). تخيل أن الروبوت لديه أربعة أرجل، وكل رجل تصرخ بحالتها للمدرب:

   • الرجل 1 تقول: "أنا على أرض صلبة! أنا مستقرة!"
   • الرجل 2 تقول: "أنا أنزلق على الجليد! أنا عديمة الفائدة الآن!"
   • الرجل 3 تقول: "أنا أغوص في الطين!"
   • الرجل 4 تقول: "أنا في الهواء، أتأرجح!"

   في الماضي، كان على الروبوت تخمين أي رجل يستمع إليها بناءً على قاعدة بسيطة (مثل "إذا كانت القوة منخفضة، فهي في الهواء"). أما TRACE، فهو يتعلم الاستماع. إنه يخصص "وزنًا" أو "درجة انتباه" لكل رجل. إذا كانت الرجل تنزلق أو تغوص، يتعلم TRACE خفض مستوى صوتها. وإذا كانت الرجل ثابتة، فإنه يرفع مستوى الصوت. يفعل ذلك دون أن يخبره أي إنسان: "مهلاً، هذا انزلاق!"، بل يستنتج النمط من البيانات فقط.

3. فحص الفيزياء: لضمان عدم قيام الروبوت بالتخمين بشكل عشوائي، يحتوي TRACE أيضًا على "فحص فيزيائي". فهو يقارن سرعة الروبوت المقدرة مع المسافة التي يعتقد أنه قطعها. إذا لم تتطابق الرياضيات (مثل إذا قال الروبوت إنه يتحرك بسرعة بينما أرجله لا تتحرك كثيرًا)، فإن النظام يصحح نفسه. هذا يشبه عداءً يدرك فجأة: "انتظر، أنا ألهث كأنني أركض بسرعة، لكنني لم أتحرك إنشًا واحدًا؛ لا بد أنني أركض في مكاني".

التدريب في فوضى المحاكاة

لا يمكنك مجرد تعليم روبوت المشي على أرضية واحدة ناعمة وتوقع أن يتعامل مع غابة طينية. لقد درب الباحثون TRACE في محاكي افتراضي يسمى RaiSim. لكنهم لم يجعلوا العالم مملًا ومسطحًا فحسب، بل جعلوه فوضويًا.

• قاموا بتغيير التضاريس عشوائيًا: أرض مسطحة، سلالم، صخور وعرة، ومراتب هوائية ناعمة.
• قاموا بتغيير الانزلاق عشوائيًا: أحيانًا كانت الأرض زلقة للغاية، وأحيانًا لزجة.
• قاموا بتغيير حركة الروبوت عشوائيًا: جعلوا الروبوت يمشي بأنماط وسرعات مختلفة.

يسمى هذا عشوائية السياسة (policy randomization). إنه يشبه تدريب طالب ليس فقط لاختبار محدد واحد، بل لكل التغييرات الممكنة في الاختبار. ومن خلال رؤية الكثير من الطرق المختلفة التي يمكن للروبوت أن يتحرك أو ينزلق بها، تعلم TRACE تجاهل "الخدع" المحددة للتدريب والتركيز على الحقيقة العالمية لكيفية تفاعل الأرجل مع الأرض.

اختبار العالم الحقيقي

بعد التدريب في العالم الافتراضي، أخذ الفريق الروبوت الخاص بهم، المسمى Raibo2، إلى العالم الحقيقي. واختبروه في:

• الأرض المسطحة: الأشياء السهلة.
• التضاريس الوعرة: منحدرات خشبية وكتل.
• الأسطح الزلقة: لوح مغطى بمسحوق حمض البوريك (زلق جدًا!).
• التضاريس الناعمة: مرتبة هوائية تهتز وتغوص.
• المسارات الخارجية: عشب، تربة صلبة، وسلالم.

وقارنوا TRACE بثلاث طرق أخرى:

1. IEKF-SR: مرشح الرياضيات القديم "المعلم الصارم".
2. Legolas: طريقة تعتمد على التعلم الصرف ولا تستخدم قواعد الفيزياء.
3. NMN-IEKF: طريقة هجينة تحاول المزج بين الاثنين.

النتائج: انحراف أقل، وثقة أكبر

كانت النتائج مبهرة. في تجربة التضاريس الناعمة (المرتبة الهوائية)، حيث كانت الأرض رخوة وغير متوقعة، قلل TRACE من خطأ موقع الروبوت بنسبة 53.8% مقارنة بأفضل طريقة سابقة. وعلى الأرض الزلقة، قلل الخطأ بنسبة 44.1%.

ماذا يعني هذا؟ إذا اعتقدت الروبوتات الأخرى أنها تبعد 10 أمتار عن نقطة البداية، فقد تكون في الواقع تبعد 15 مترًا (خطأ فادح). ومع ذلك، كان TRACE أقرب بكثير إلى الحقيقة. لم يرتبك بسبب انزلاق أو غوص الأقدام لأن آلية "الانتباه" لديه عرفت كيف تتجاهل الأرجل غير الموثوقة.

تحقق الباحثون أيضًا مما إذا كان TRACE "ينتبه" حقًا للأشياء الصحيحة. نظروا إلى البيانات ورأوا أنه عندما كانت القدم تنزلق، انخفضت درجة انتباه النظام لتلك القدم إلى ما يقرب من الصفر. وعندما كانت القدم ثابتة، ارتفت الدرجة. أثبت هذا أن الروبوت لم يكن يخمن فحسب؛ بل كان يتعلم الوثوق بالمستشعرات الصحيحة وتجاهل المستشعرات الخاطئة.

لماذا يهم هذا الأمر

يخلص البحث إلى أن TRace يمثل خطوة كبيرة للأمام لأنه لا يحتاج إلى كاميرا لرؤية العالم، ولا يحتاج إلى إنسان لبرمجة قواعد معقدة لكل نوع من أنواع الانزلاق. إنه يتعلم أن يكون قويًا من تلقاء نفسه.

ومع ذلك، فإن المؤلفين حذرون من الادعاء بأن هذه المشكلة قد "حُلّت". فقد أشاروا إلى أنه رغم براعة TRACE، إلا أنه لا يزال يعتمد على جودة التدريب في المحاكاة. كما ذكروا أن العمل المستقبلي يمكن أن يتطلع إلى التنبؤ بدقة بمدى مقدار انزلاق القدم، وليس فقط تجاهلها. ولكن في الوقت الحالي، يظهر TRACE أنه من خلال تعليم الروبوتات "الاستماع" إلى أجسادها بأذن ذكية ومتكيفة، يمكننا مساعدتها على التنقل في العالم الحقيقي الفوضوي وغير المتوقع دون أن تضيع.

باختصار، TRACE يشبه منح الروبوت قوة خارقة: القدرة على معرفة مكانه، حتى عندما تكذب عليه الأرض التي يقف عليها.