DeepInsight II: One Trace from Benchmark to Robot
يمدّد DeepInsight II إطار التقييم الموحد لسلفه ليشمل طبقة الذكاء الاصطناي المجسد عبر قياس أداء الملاحة، والتلاعب، والتحكم في كامل الجسم عبر تجارب المحاكاة والروبوتات الحقيقية، مما يؤسس مسار تشخيص مستمر وموجه للإصلاح يجسّر الفجوة بين المحاكاة والواقع من خلال هويات تتبع مشتركة.
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
يسعى مجال الذكاء الاصطناعي الفيزيائي إلى بناء آلات يمكنها التحرك في العالم الحقيقي، وليس فقط التفكير داخل جهاز كمبيوتر. ولتحقيق ذلك، يقوم المهندسون بتكديس طبقات مختلفة من الذكاء فوق بعضها البعض. في القمة تماماً، توجد طبقة الاستنتاج، التي تشبه عقلاً يفهم اللغة ويخطط للمهام المعقدة. وتحتها توجد طبقات المهارات التي تتعامل مع أفعال محددة، مثل المشي نحو باب أو التقاط كوب. وفي القاعدة تماماً، توجد طبقة التحكم التي تدير عضلات ومفاصل الروبوت للحفاظ على توازنه. لسنوات عديدة، تمكن العلماء من اختبار طبقة الاستنتاج العلوية بدقة عالية باستخدام الاختبارات القياسية والبيانات المشتركة. ومع ذلك، كان اختبار الطبقات الأدنى التي تلمس العالم المادي بالفعل أكثر صعوبة؛ إذ غالباً ما يبني كل مختبر ساحة اختبار فريدة خاصة به، باستخدام روبوتات وقواعد مختلفة، مما يجعل من الصعب مقارنة النتائج أو معرفة ما إذا كان الروبوت سيعمل حقاً عند خروجه من المختبر.
لقد عالج فريق في "إكس بنج روبوتيكس" (XPENG Robotics) هذا التجزؤ عبر إنشاء طريقة موحدة لاختبار هذه الطبقات الأدنى، مما جسر الفجوة بين المحاكاة الحاسوبية والأجهزة الواقعية. يقدم تقريرهم الجديد، "ديب إنسايت 2" (DeepInsight II)، نظاماً يسمح للباحثين بتشغيل الاختبار نفسه تماماً على روبوت افتراضي وروبوت حقيقي، ومعاملة كليهما كجزء من تجربة واحدة مستمرة. وبدلاً من بناء نوع جديد من الروبوتات أو خوارزمية جديدة، قاموا ببناء "مسطرة قياس" أفضل. يربط هذا النظام بين عقل الاستنتاج، وطبقات المهارة، والمتحكم الفيزيائي في وحدة متماسكة واحدة، مما يسمح بتتبع الفشل من اللحظة التي يتعثر فيها الروبوت على الأرض وصولاً إلى القرار المحدد الذي تسبب في ذلك التعثر.
بدأ الباحثون باختبار مدى قدرة نظامهم على محاكاة المعايير المرجعية الموجودة للملاحة والتحكم في الأشياء. أخذوا نسخاً منزلة من "أدمغة الروبوتات" واختبروها مقابل مهام قياسية، مثل اتباع التعليمات للمشي عبر منزل أو التقاط أشياء في مطبخ محاكى. وأظهرت النتائج أن نظامهم الموحد يمكنه إعادة إنتاج درجات هذه الاختبارات القياسية بدقة عالية، مما أثبت أن مسطرة القياس الجديدة لم تشوه البيانات. كانت هذه خطوة أولى حاسمة، أكدت أن البنية التحتية الجديدة يمكنها التعامل مع الواقع المعقد والفوضوي لتصاميم الروبوتات وإصدارات البرامج المختلفة دون كسر قواعد الاختبارات الأصلية.
بعد ذلك، وجه الفريق اهتمامهم إلى التحكم في كامل جسم الروبوت، وهي الطبقة المسؤلة عن إبقاء الآلة منتصبة وتتحرك بسلاسة. قاموا بجمع أربعة أنظمة تحكم مختلفة من مجموعات بحثية متنوعة وشغلوها عبر مجموعة معيارية من مهام الحركة في محاكاة عالية الدقة. ووجدوا أنه بينما استطاعت جميع الأنظمة أداء المهام، إلا أن بعضها كان أفضل بكثير من غيره في تجنب السقوط والحفاظ على حركة دقيقة. وقد برز نظام واحد، على وجه الخصوص، كالأكثر موثوقية، حيث أتم جميع الحركات تقريباً بدقة عالية. سمحت مرحلة المحاكاة هذه باستبعاد المرشحين الأضعف بسرعة وأمان قبل المخاطرة بأي آلة مادية.
حدثت القفزة الأكثر أهمية عندما نقلوا هذه الأنظمة المؤهلة من شاشة الكمبيوتر إلى روبوت حقيقي. اختاروا نسختين من نفس نظام التحكم وشغلوهما عبر تجارب متطابقة، حيث حاول الروبوت الافتراضي والروبوت الحقيقي أداء المهام ذاتها في نفس الوقت. ومن خلال ربط هاتين التجربتين تحت هوية واحدة، تمكنوا من مقارنة النتائج مباشرة. واكتشفوا أنه بينما ارتكب الروبوت الحقيقي أخطاءً أكثر قليلاً من الافتراضي، إلا أن ترتيب الأنظمة ظل كما هو؛ فالنظام الذي حقق أفضل أداء في المحاكاة كان هو الأفضل أيضاً على الأرض الحقيقية. أكد هذا أن المحاكاة كانت متنبئاً جديراً بالثقة بالأداء في العالم الحقيقي، بشرط أن تكون ظروف الاختبار محكومة بدقة.
بعيداً عن مجرد قياس النجاح، طور الباحثون طريقة لتشخيص سبب فشل الروبوت بالضبط. فعندما يتعثر الروبوت أو يسقط شيئاً، غالباً ما يكون من غير الواضح ما إذا كان الخطأ ناتجاً عن خطة سيئة، أو حركة خرقاء، أو سوء فهم للبيئة. أنشأ الفريق أداة تشخيصية تفكك الفشل إلى فئات محددة. ووجدوا أن بعض حالات الفشل حدثت لأن طبقات الروبوت المختلفة لم تكن تتحدث اللغة نفسها؛ فعلى سبيل المثال، قد يتوقف طبقة الملاحة عند الوصول إلى نقطة ما، لكن طبقة الترحيب تتطلب أن يكون الروبوت موجهاً في اتجاه معين، وهو تفصيل تجاهلته الطبقة الأولى. وحدثت حالات فشل أخرى لأن الروبوت ببساطة لم يستطع التحرك فيزيائياً إلى الوضع المطلوب، مهما كانت الخطة مثالية.
من خلال تطبيق أداة التشخيص هذه على كل من عمليات المحاكاة والعمليات الواقعية، أظهر الفريق قدرتهم على تحديد السبب الدقيق للفشل. في أحد الأمثلة الواقعية، فشل الروبوت في تحية شخص ما لأن خريطته الداخلية انحرفت قليلاً، مما جعله يتوقف بعيداً عن المتناول. حدد النظام التشخيصي هذا كخطأ في الحدود، حيث لم يتطابق تعريف الروبوت لـ "الوصول" مع الواقع المادي للموقف. هذا المستوى من التفصيل يسمح للمهندسين بإصلاح الواجهة أو القاعدة المحددة التي تعطلت، بدلاً من التخمين حول الجزء الذي يحتاج الروبوت إلى إعادة بنائه.
يُظهر هذا العمل أن الفجوة بين المحاكاة والواقع يمكن تضييقها ليس بجعل المحاكاة أفضل، بل عبر خلق لغة مشتركة للتقييم. ومن خلال معاملة العالمين الافتراضي والحقيقي كفرعين لنفس التجربة، أثبت الباحثون أنه يمكنهم نقل نفس الاختبار من الكمبيوتر إلى روبوت حقيقي دون فقدان القدرة على مقارنة النتائج. لا يحل هذا النهج كل مشاكل الروبوتات، ولكنه يوفر طريقة واضحة وموثوقة لقياس التقدم وفهم سبب وفشل الروبوت بدقة. إنه يحول عملية اختبار الروبوتات المعقدة والغامضة إلى رحلة شفافة وقابلة للتتبع، مما يمنح المهندسين الثقة لنقل ابتكاراتهم من المختبر إلى العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.