Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
تقدم هذه الورقة إطار عمل ثنائي المرحلة لتخطيط الحركة الكينوديناميكية المدرك للمخاطر في البيئات الكوكبية غير المستقرة، والذي يجمع بين مخطط AO-RRT القائم على أخذ العينات والتحسين المتسلسل المحدب، باستخدام القيمة المشروطة للمخاطر (CVaR) لتحقيق خفض في المخاطر بنسبة تزيد عن 97% في كل من عمليات المحاكاة والتجارب على الأجهزة.
تخيل أنك تحاول تعليم روبوت كيف يمشي عبر غابة كثيفة وضبابية. يمتلك الروبوت خريطة، لكن الخريطة ليست مثالية؛ فقد تكون الأشجار أطول أو أقصر قليلاً مما هو مرسوم، وقد تكون الأرض زلقة أو مليئة بالصخور المخفية. إذا تبع الروبوت الخريطة بشكل أعمى فقط، فقد يتعثر، أو يسقط، أو يصطدم بشجرة لم يره قادماً. هذا هو جوهر تحدٍ كبير في علم الروبوتات: كيف تخطط لمسار عندما لا تكون متأكداً بنسبة 100% مما يبدو عليه العالم أو كيف سيكون رد فعل الروبوت تجاهه؟ يسمي العلماء هذا "تخطيط الحركة تحت ظروف عدم اليقين". الأمر لا يتعلق فقط بإيجاد أقصر طريق؛ بل يتعلق بإيجاد المسار الأكثر أماناً، وهو المسار الذي يأخذ في الاعتبار احتمال وقوع خطأ ما. إذا كان الروبوت يستكشف المريخ، حيث يمكن أن يعني الاصطدام نهاية مهمة تبلغ تكلفتها ملايين الدولارات، فإن التخمين ليس خياراً مطروحاً. أنت بحاجة إلى وسيلة لحساب المخاطر، وليس المسافة فحسب.
تتناول هذه الورقة البحثية هذه المشكلة تحديداً للروبوتات التي تستكشف الأسطح الكوكبية، مثل المناظر الطبيعية المتربة والصخرية للمريخ أو القمر. طور المؤلفون، الذين يعملون في معهد جورجيا للتكنولوجيا، "دماغين" لروبوت يساعده على التنقل بأمان حتى عندما يكون غير متأكد من التضاريس أو من حركاته الخاصة.
أولاً، يستخدم الروبوت طريقة تسمى AO-RRT (الأشجار العشوائية سريعة الاستكشاف ذات الأمثلية التقاربية). فكر في هذا كأن الروبوت يرسم بسرعة مسارات محتملة عديدة عبر الغابة، مثل متنزّه يرمي السهام على خريطة ليرى أين ستستقر. لكن هنا تكمن اللمسة المختلفة: بدلاً من مجرد اختيار أقصر مسار، يقوم هذا الروبوت بحساب "درجة مخاطرة" لكل خطوة. إنه يسأل نفسه: "إذا ذهبت إلى هنا، ما مدى احتمالية اصطدامي بصخرة إذا كانت الأرض زلقة؟" إنه يستخدم أداة رياضية تسمى القيمة المشروطة للمخاطرة (CVaR) للتركيز على أسوأ السيناريوهات. إذا بدا المسار جيداً في المتوسط ولكنه يحمل فرصة ضئيلة لحدوث اصطدام كارثي، فإن هذه الأداة تصنفه كمسار خطير.
بمجرد أن يرسم الروبوت مخططاً أولياً آمناً للمسار، ينتقل إلى الخطوة الثانية: البرمجة المتتالية المحدبة (SCP). تخيل أن المخطط الأول رُسم بيد مرتجفة؛ إنه آمن، لكنه ربما يكون متعرجاً أو متقطعاً بعض الشيء. تعمل الـ SCP كيد ثابتة وناعمة تقوم بتنقيح الرسم. إنها تأخذ ذلك المسار الخشن وتصقله، مما يجعل الحركات أكثر سلاسة وكفاءة مع الحفاظ على ضمانات السلامة. إنها تحل لغزاً رياضياً معقداً لضمان أن الروبوت لا يبدو فقط وكأنه يمكنه القيام بالالتفاف، بل إنه يستطيع فعلياً القيام به دون انزلاق أو اصطدام.
اختبر الباحثون هذا النظام بطريقتين: في محاكاة حاسوبية، وعلى روبوت حقيقي يسمى "روبوت ليو" (Leo rover) في مختبر يحاكي بيئة صخرية غير مؤكدة. كانت النتائج مذهلة. عندما تركوا الروبوت يخطط دون القلق بشأن المخاطر، اختار مساراً بدا فعالاً ولكنه تسبب في خطر اصطدام مشترك قدره 0.94. أشارت درجة المخاطرة العالية هذه إلى أن الروبوت كان شبه متأكد من الاصطدام بعائق، مما يؤدي إلى فشل المهمة على الأرجح. ومع ذلك، عندما استخدموا طريقتهم الواعية بالمخاطر، وجد الروبوت مساراً قلل من خطر الاصطدام هذا إلى 6 × 10⁻³ فقط (احتمال ضئيل قدره 0.006). والأكثر إثارة للإعجاب هو أن التخطيط الواعي بالمخاطر قلل من المخاطرة الإجمالية بأكثر من 97% مقار بالمسار المحفوف بالمخاطر، كل ذلك مع إبقاء تكلفة الطاقة (تكلفة التحكم) ثابتة تقريباً.
في اختبارات الأجهزة الواقعية، نجح الروبوت في تتبع هذه المسارات الآمنة على تضاريس رملية حبيبية، حتى عندما انزلقت عجلاته. على الرغم من عدم اليقين بشأن الأرض الزلقة، ظل الروبوت في مساره بمتوسط خطأ قدره 6 سم فقط. تُظهر الورقة البحثية أنه من خلال تعليم الروبوتات أن تخشى أسوأ السيناريوهات قليلاً، يمكننا توجيهها عبر المجهول دون أن تتحطم، مما يجعل استكشاف الفضاء أكثر أماناً وأكثر احتمالاً للنجاح.
ملخص تقني: تخطيط الحركة الكينوديناميكية الواعي بالمخاطر تحت ظروف عدم اليقين من أجل الملاحة الآمنة في البيئات الكوكبية
بيان المشكلة
يتطلب الاستكشاف الفضائي المستقل لوكلاء آليين إجراء تخطيط للحركة في بيئات تكون فيها التفاعلات غالباً غير معروفة. وتحديداً، فإن تعلم ميكانيكا التضاريس (مثل الروبوتات ذات العجلات) يفرض حالات من عدم اليقين يمكن أن تؤدي إلى خطط حركة محفوفة بالمخاطر، أو عمليات خطرة، أو فشل المهمة. علاوة على ذلك، فإن حالات عدم اليقين الناتجة عن الأنظمة القائمة على الإدراك تزيد من تفاقم تحدي الملاحة الآمنة. إن المخططات التقليدية التي تفشل في مراعاة تدهور القدرة على التوجيه، وديناميكيات التضاريس غير المنمذجة، وضوضاء المستشعرات، تخاطر بفشل المهمة بشكل حرج. وبينما عالجت الأعمال السابقة مسارات هندسية واعية بالمخاطر أو استخدمت مخططات محايدة للمخاطر مع وحدات تحكم مقيدة بالمخاطر، تعالج هذه الورقة الحاجة إلى قياس عدم اليقين في "نموذج الديناميكيات المتعلم" نفسه لتوليد مسار أولي واعٍ بالمخاطر.
المنهجية
يقوم النهج المقترح بتنفيذ تخطيط حركة كينوديناميكي أمثل من حيث التكلفة مع الوعي بالمخاطر من خلال إطار عمل يتكون من خطوتين:
1. قياس كمية عدم اليقين والنمذجة
نموذج الديناميكيات: يتم نمذجة النظام كروبوت يتحكم في السرعة من الدرجة الأولى مع بقايا ديناميكيات غير منمذجة d(x,u). يتم تقريب هذه البقايا باستخدام شبكة عصبية مستمرة ليبشيتز (Lipschitz-continuous).
التنبؤ المطابق (Conformal Prediction): لقياس كمية عدم اليقين في مخرجات الشبكة العصبية، يتم استخدام التنبؤ المطابق. يتم حساب الخطأ بين الديناميكيات المتبقية المتوقعة والحقيقة (المقاسة عبر التقاط الحركة) لإنشاء مجموعة ثقة M عند مستوى ثقة 95% لأخطاء التسارع الخطي والزاوي.
بناء حقل المخاطر: يتم نمذجة القرب من العوائق غير اليقينية كحقل مخاطر. لكل عائق i مع مقياس عدم يقين للحدود σi، يتم حساب درجة مخاطر ri(x) بناءً على المسافة الموقعة di(x). يتم دمج هذه القيم في خريطة مخاطر (RiskMap) واحدة محدودة في النطاق [0,1].
حقل المسافة الموقعة المنفوخ بالمخاطر (Risk-Inflated SDF): يتم تطبيق عقوبة مخاطر ناعمة عن طريق نفخ حقل المسافة الموقعة (SDF) للعوائق نحو الخارج بهامش "القيمة المعرضة للخطر المشروطة" (CVaR)، مما يخلق "RiskSDF" يعمل كحدود للقيد.
تقوم خوارزمية الأشجار العشوائية المتوسعة بسرعة والمتقاربة نحو الأمثلية (AO-RRT) بتوليد مسار قابل للتنفيذ ديناميكياً.
حساب المخاطر في الحلقة المغلقة: على عكس المخططات القياسية، يتم تقييم حواف الشجرة من خلال تتبع المرجع مفتوح الحلقة في حلقة مغلقة عبر أفق زمني، مع محاكاة الاضطرابات من مجموعة عدم اليقين M.
دالة التكلفة: تتضمن تكلفة الحافة القيمة المعرضة للخطر المشروطة (CVaR) لانتهاكات قيود التصادم الناعمة عبر مجموعة السيناريوهات الاضطرابية. يضمن ذلك أن المسار الأولي يأخذ في الاعتبار كلاً من الديناميكيات وعدم يقين موقع العوائق في خطوة واحدة، مما يوفر مقياس مخاطر متسق زمنياً.
الخطوة ب: صقل البرمجة المتسلسلة المحدبة (SCP)
يعمل مسار AO-RRT كحل أولي لـ SCP.
التحسين: يتم صياغة المشكلة غير الخطية كمسألة محدبة محلياً. تعمل دالة الهدف على تقليل جهد التحكم و CVaR (باستخدام صيغة Rockafellar-Uryasev epigraph) جنباً إلى جنب مع العقوبات على الأخطاء النهائية، وفائض العيوب، وانتهاكات هامش الـ SDF.
القيود: تتضمن المشكلة قيوداً تآلفية للديناميكيات، وحدود الحالة/التحكم، وخلوص السلامة بالنسبة لـ SDF الحقيقي. يتم حساب تدرجات خريطة المخاطر بدقة عبر التفاضل التلقائي (JAX).
المحلل (Solver): يتم حل المشكلة الجزئية المحدبة بشكل تكراري باستخدام محلل CLARABEL حتى التقارب، مما يضمن اتباع الديناميكيات غير الخطية مع تحسين السلاسة وتقليل المخاطر.
المساهمات الرئيسية
قياس كمية عدم اليقين: قياس كمية عدم اليقين في نماذج الديناميكيات القائمة على التعلم باستخدام التنبؤ المطابق.
خوارزمية AO-RRT الواعية بالمخاطر: صياغة AO-RRT مع حساب مخاطر الحلقة المغلقة (CVaR) كدالة تكلفة لتوليد مسار أولي يتجنب بطبيعته المناطق عالية المخاطر.
التحسين المشترك: صياغة مشكلة تخطيط الحركة غير الخطية كتحسين محلي محدب يقلل بشكل مشترك من CVa and تكلفة التحكم ضمن الهوموتوبي (homotopy) الذي توفره حلول AO-RRT، مما يضمن الجدوى الديناميكية.
النتائج التجريبية
تم التحقق من صحة النهج من خلال عمليات المحاكاة والتجارب العتادية على مركبة "ليو" (Leo rover) مجهزة بكاميرا ستيريو ZED 2i ووحدة Jetson Orin AGX، وهي تتنقل في تضاريس حبيبية.
المقارنة في المحاكاة:
بدون تكلفة واعية بالمخاطر: قامت خوارزمية AO-RRT بتقليل تكلفة التحكم، لكنها خططت لمسار يمر مباشرة بين مناطق عالية المخاطر، مما أدى إلى خطر تصادم مشترك قدره 0.94. قلل صقل SCP هذا الرقم إلى 0.29، لكن المسار ظل في الهوموتوبي عالي المخاطر.
مع التكلفة الواعية بالمخاطر: ولدت خوارزمية AO-RGT مساراً أولياً في جوار العوائق ذات عدم اليقين المنخفض. حقق صقل SCP اللاحق خطراً مشتركاً للتصادم قدره 6×10−3 مع تكلفة تحكم بلغت 18.4 وحدة.
تقليل المخاطر: أظهر النهج الواعي بالمخاطر انخفاضاً في المخاطر بنسبة تزيد عن ~97% مقارنة بالنهج المحايد للمخاطر عبر المسارات.
الأداء العتادي:
رغم انزلاق العجلات الناتج عن التضاريس، تمكن متحكم يعتمد على الانكماش (contraction-based controller) باستخدام سرعات التغذية الأمامية المعدلة حسب الانزلاق من تتبع المسار المخطط له بخطأ جذر متوسط المربعات (RMS) قدره 6 سم.
نجح النظام في بناء خرائط مخاطر من السحب النقطية وتنفيذ مسارات قابلة للتنفيذ ديناميكياً في بيئة غنية بالعوائق.
الأهمية والادعاءات
يزعم المؤلفون أن هذا العمل يوفر حلاً أكثر أماناً ووعياً بالمخاطر لتخطيط الحركة في تطبيقات الروبوتات الكوكبية والقمرية، وهو أمر بالغ الأهمية لنجاح المهمة. من خلال دمج قياس كمية عدم اليقين مباشرة في حلقة التخطيط الكينوديناميكي، يقلل هذا الأسلوب بشكل كبير من احتمالية الفشل الحرج للمهمة أو العمليات الخطرة. تؤكد الورقة أنه بينما يمكن لـ SCP وحده صقل المسارات، فإنه لا يستطيع الهروب من الهوموتوبيات عالية المخاطر؛ لذلك فإن التمهيد الواعي بالمخاطر المقدم بواسطة AO-RRT ضروري لتحقيق تقليل المخاطر بنسبة 97% المذكورة. وتحديداً، تشير الورقة إلى أن خطوة AO-RRT الواعية بالمخاطر وحدها تولد حلاً أولياً للمسار بمخاطر أقل بنسبة **97%** مقارنة بالنهج المحايد للمخاطر، في حين أن صقل SCP بعد AO-RRT المحايد للمخاطر يقلل فقط من خطر التصادم المشترك بنسبة ~69% (من 0.94 إلى 0.29) ولكنه يفشل في الهروب من المنطقة عالية المخاطر.