Adaptive Repulsive Pheromone Clustering for Foraging Robot Swarms

في الزوايا الهادئة من الطبيعة، من الطرق السريعة الصاخبة لمستعمرات النمل إلى المسارات المتناثرة للنحل، تحل الكائنات البسيطة مشكلات معقدة دون وجود قائد مركزي. إنهم يفعلون ذلك من خلال نظام من القواعد المحلية والإشارات المشتركة، وهو مجال علمي يُعرف باسم روبوتات السرب (swarm robotics). يبني الباحثون في هذا المجال فرقاً من الروبوتات الصغيرة ذاتية القيادة التي تحاكي هذه المجموعات الطبيعية لأداء مهام مثل جمع الطعام أو تنظيف الحطام. والهدف هو إنشاء كيان جماعي يكون أعظم من مجموع أجزائه، وقادراً على التكيف مع البيئات المتغيرة دون الحاجة إلى معرفة كل روبوت بالصورة الكاملة. ويعد "البحث عن الموارد" (foraging) تحدياً شائعاً لهذه الفرق الروبوتية: كيف يمكن العثور على الموارد المتناثرة وجمعها بكفاءة؟ إذا ركزت الروبوتات بشكل مفرط على الأماكن التي فحصتها بالفعل، فإنها تضيع الوقت؛ وإذا كانت عشوائية للغاية، فإنها تفقد الأهداف السهلة. إن إيجاد التوازن الصحيح بين استكشاف مناطق جديدة واستغلال الموارد المعروفة هو المفتاح لجعل هذه الأسراب مفيدة في العالم الحقيقي.

قام فريق من الباحثين في جامعة تكساس ريو غراندي (The University of Texas Rio Grande Valley) بتطوير استراتيجية جديدة لحل عملية التوازن هذه، ومعالجة خلل محدد في كيفية بحث أسراب الروبوتات عن الموارد حالياً. في عملهم، ركزوا على طريقة قياسية تسمى "خوارزمية البحث عن الموارد من مكان مركزي" (Central Place Foraging Algorithm)، والتي توجه الروبوتات للعودة إلى عش مركزي بعد العثور على مورد، ثم ترسلهم مجدداً للبحث عن المزيد. وبينما تعمل هذه الطريقة بشكل جيد عندما تكون الموارد متجمعة، إلا أنها تعاني عندما تكون الموارد متناثرة أو عندما تكون منطقة البحث واسعة. المشكلة تكمن في أن الروبوتات تميل إلى الوقوع في حلقة مفرغة، حيث تزور مراراً وتكراراً نفس الأماكن المألوفة بينما تتجاهل مساحات شاسعة غير مستكشفة قد تحتوي على الإمدادات المتبقية. وتصبح عدم الكفاءة هذه حرجة مع انخفاض الموارد، حيث تقضي الروبوتات وقتاً غير متناسب في البحث عن العناصر القليلة الأخيرة.

ولإصلاح ذلك، قدم الباحثون تقنية تسمى "التجميع الفيروموني التنافري التكيفي" (Adaptive Repulsive Pheromone Clustering). فبدلاً من مجرد تحديد أماكن العثور على الأشياء الجيدة، يقوم الروبوتات في هذا النظام الجديد أيضاً بتحديد الأماكن التي بحثوا فيها ولم يجدوا شيئاً. فعندما يتحرك الروبوت عبر البيئة، فإنه يترك وراءه أثراً رقمياً من "الفيرومونات التنافرية" في المواقع التي زارها. وهذه ليست إشارات لجذب الروبوتات الأخرى، بل هي تحذيرات للابتعاد. وعندما يعود الروبوت إلى العش المركزي، فإنه يبلغ عن هذه المواقع. ثم يقوم العش بتجميع هذه التقارير في مجموعات (clusters)، مما يخلق خريطة ذهنية لـ "مناطق عدم الذهاب". تسمح هذه الخريطة للنظام المركزي بتحديد المساحات الفارغة بين المجموعات وتوجيه الروبوتات خصيصاً نحو تلك المناطق غير الملموسة. إنه تحول من مجرد اتباع مسار إلى تجنب ما هو معروف بنشاط، مما يضمن انتشار السرب لتغطية الحقل بأكمله بدلاً من الدوران حول نفس البقع القليلة.

اختبر الباحثون هذا النهج الجديد باستخدام محاكاة حاسوبية لسرب روبوتات في ساحة افتراضية. وقارنوا طريقتهم الجديدة بالخوارزمية القياسية ونسخة محسنة أخرى تقسم منطقة البحث إلى شبكة. غطت الاختبارات سيناريوهات مختلفة، بما في ذلك أحجام مختلفة لمناطق البحث، وأعداد مختلفة من الموارد، وطرق مختلفة لتشتت هذه الموارد — بعضها في مجموعات متراصة، وبعضها في نمط عشوائي، وبعضها يتبع توزيعاً طبيعياً حيث توجد عناصر كثيرة في بضعة مواقع ومعظم المواقع بها عناصر قليلة. وأظهرت النتائج أن طريقة التجميع الجديدة تفوقت باستمرار على الطرق الأخرى. وفي المحاكاة التي كان على الروبوتات فيها جمع جميع الموارد المتاحة، أنهت الطريقة الجديدة المهمة بشكل أسرع، خاصة عندما كانت الموارد منتشرة أو عندما كانت منطقة البحث كبيرة.

ظهر التحسن الأكثر أهمية خلال المراحل النهائية من البحث. ففي الطريقة القياسية، غالباً ما تقضي الروبوتات ما يقرب من نصف وقتها الإجمالي في محاولة العثور على آخر اثني عشر بالمائة من الموارد. ومع التجميع التكيفي الجديد، كانت الروبوتات أكثر كفاءة في هذه المرحلة المتأخرة. وفي السيناريوهات التي كانت فيها الموارد متناثرة بشكل عشوائي، قللت الطريقة الجديدة من الوقت اللازم لجمع الجزء الأخير من الموارد بنسبة تصل إلى ستين بالمائة مقارنة بالطرق القديمة. وحتى في المراحل المبكرة من البحث، أظهرت الطريقة الجديدة تحسناً بنسبة عشرة بالمائة في سرعة الاكتشاف. ووجد الباحثون أن هذا النهج يعمل بشكل جيد بغض النظر عن عدد الموارد الموجودة أو حجم منطقة البحث، مما يشير إلى أن النظام يتوسع بفعالية مع زيادة صعوبة المهمة.

سلط أحد النتائج المحددة الضوء على الفرق بين الطرق عندما كانت الموارد متناثرة في نمط عشوائي. فبينما كانت الطريقة القديمة القائمة على الشبكة تعاني من صعوبة التكيف مع زيادة حجم منطقة البحث، حافظت طريقة التجميع الجديدة على وتيرة ثابتة. لاحظ الباحثون أنه مع زيادة حجم الساحة، نما الوقت المطلوب لإنهاء المهمة بشكل أبطأ بكثير في طريقتهم الجديدة مقارنة بالطرق الأخرى. وهذا يشير إلى أن النظام قوي بما يكفي للتعامل مع بيئات أكبر وأكثر تعقيداً دون فقدان الكفاءة. وتوضح الدراسة أن استخدام خريطة مشتركة لما لا يجب البحث فيه، يمكن لسرب من الروبوتات البسيطة أن يتجنب فخ التكرار ويغطي مناطق جديدة بشكل أكثر فعالية.

يوضح هذا العمل أن تغييراً بسيطاً في كيفية مشاركة الروبوتات للمعلومات — من خلال التركيز بقدر ما يتم التركيز على ما هو ممتلئ، على ما هو فارغ أيضاً — يمكن أن يحسن بشكل كبير أداء الفريق الروبوتي. ويشير الباحثون إلى أن هذه الاستراتيجية تتوافق مع قيود الروبوتات في العالم الحقيقي، والتي غالباً ما تمتلك قدرات حوسبة محدودة واتصالات متقطعة. ومن خلال إبقاء الحسابات المعقدة في العش المركزي وترك الروبوتات تتبع قواعد بسيطة بناءً على الخريطة الناتجة، يظل النظام عملياً للنشر المستقبلي. وتخلص الدراسة إلى أن هذا النهج التكيفي يوفر طريقة موثوقة لإدارة مجموعات كبيرة من الروبوتات، مما يضمن عدم إضاعة الوقت في إعادة زيارة نفس الأرض، بل التحرك بشكل منهجي نحو المجهول.