LabDex: A Hierarchical Benchmark for Dexterous Manipulation in Laboratories

تخيل عالماً حيث يتم تنفيذ العمل الأكثر دقة وتكراراً وحساسية في مختبر الكيمياء ليس بواسطة يد بشرية، بل بواسطة آلة. لعقود من الزمن، حلم العلماء بأتمتة هذه المساحات لتسريع الاكتشاف، لكن الروبوتات التي بنيناها حتى الآن غالباً ما تكون خرقاء. فهي مجهزة بمقابض بسية تشبه الملاقط، يمكنها الإمساك بصندوق أو كتلة، لكنها تعاني في أداء الحركات الانسيابية الدقيقة المطلوبة للتعامل مع أنبوب اختبار زجاجي، أو سكب سائل دون سكب، أو تحريك محلول بقضيب رفيع. وللمضي قدماً، احتاج الباحثون إلى وسيلة لتعليم الآلات نوع البراعة التي يمتلكها البشر—القدرة على استخدام الأصابع للشعور، والتعديل، والتحكم في الأشياء بعنابة. هذا هو تحدي "التلاعب الماهر"، وهو مجال يسعى لمنح الروبوتات أيدٍ يمكنها فعل ما هو أكثر من مجرد الإمساك بالأشياء؛ يجب أن تكون قادرة على أداء مهام معقدة متعددة الخطوات تتطلب لمسة لطيفة ويداً ثابتة.

في دراسة جديدة، أنشأ فريق من الباحثين ساحة اختبار ضخمة وجديدة لحل هذه المشكلة، وتحديداً للمختبرات الكيميائية. وقد أطلقوا عليها اسم "LabDex". وبدلاً من مجرد طلب التقاط جسم واحد من الروبوت، قام الباحثون بتنظيم النطاق الكامل للعمل المختبري في تسلسل هرمي واضح مكون من ثلاثة مستويات. في القاعدة توجد "المهارات الذرية"، وهي الحركات الأساسية الصغيرة مثل الإمساك بقضيب زجاجي، أو سكب الماء، أو هز أنبوب. المستوى التالي هو "المهارات التركيبية"، حيث يجب على الروبوت ربط عدة من تلك الحركات الصغيرة معاً لإكمال وظيفة واحدة، مثل التقاط دورق، وصب محتوياته، ثم وضعه. وأخيراً، في القمة توجد "سير العمل طويل الأمد"، وهي تجارب كاملة تتطلب من الروبوت أداء تسلسل طويل من الإجراءات المختلفة لتحقيق نتيجة علمية نهائية. ومن خلال تفكيك العمل بهذه الطريقة، استطاع الفريق معرفة أين ينجح الروبوت وأين يفشل بدقة، بدلاً من مجرد النظر فيما إذا كانت التجربة النهائية قد نجحت أم لا.

لبناء هذا المعيار، أنشأ الباحثون نظاماً موحداً يعمل في كل من العالم الحقيقي وفي محاكاة حاسوبية. في مختبرهم الفيزيائي، استخدموا ذراع روبوت مجهزة بيد متطورة متعددة الأصابع تشبه في شكلها وحركتها اليد البشرية. وقام مشغل بشري، يرتدي قفازات بيانات خاصة ويستخدم أجهزة تتبع الحركة، بالتحكم عن بُعد في الروبوت لأداء هذه المهام من خلال توجيهه فيزيائياً عبر الحركات. سجل الروبوت كل حركة، وكل زاوية كاميرا، وكل وضعية للمفاصل، مما خلق مكتبة من آلاف العروض التوضيحية. ثم قاموا بترجمة هذه الدروس من العالم الحقيقي إلى بيئة افتراضية، مما سمح لهم باختبار تعلم الروبوت في مساحة رقمية آمنة وقابلة للتكرار قبل تجربتها مرة أخرى على الأجهزة الفعلية. يضمن هذا النهج المزدوج ألا تكون البيانات مجرد مجموعة من الأرقام، بل تمثيلاً أميناً للحقائق الفيزيائية لمختبر الكيمياء.

بعد ذلك، وضع الباحثون العديد من أكثر أنظمة تعلم الروبوتات تقدماً تحت الاختبار باستخدام هذا المعيار الجديد. وراقبوا هذه الأنظمة وهي تحاول تعلم المهام من بيانات العرض التوضيحي. وكانت النتائج كاشفة؛ فبينما تمكنت بعض النماذج الأحدث والأكثر تقدماً من أداء المهام البسيطة ذات الخطوة الواحدة بنجاح—مثل التقاط دورق أو وضعه على طاولة بدقة عالية—إلا أنها عانت بشكل كبير عندما طُلب منها ربط تلك الخطوات معاً. وعندما أصبحت المهام أكثر تعقيداً، تتطلب سكب سائل من حاوية إلى أخرى ثم إعادة الحاوية، انخفضت معدلات النجاح بشكل حاد. تمكن النموذج الأكثر قدرة من إكمال متوسط 0.73 من المهارات الذرية لكل مهمة متعددة الأجزاء، ولكن لم يتمكن أي من النماذج من إنهاء التسلسل الكامل لتجربة كاملة بمفرده.

أظهر فحص أدق للفشل أن المشكلة لم تكن مجرد ارتكاب خطأ لمرة واحدة، بل في كيفية تسبب خطأ صغير في مرحلة مبكرة في إفساد كل ما يأتي بعده. على سبيل المثال، إذا نجح الروبوت في التقاط قمع ولكن أمسك به بزاوية خاطئة قليلاً، فإنه سيفشل في إدخاله في الدورق، وستتوقف التجربة بأكملها. وجدت الدراسة أن الروبوتات كانت سيئة بشكل خاص في التعامل مع الأشياء الطويلة أو الرفيعة أو المصنوعة من الزجاج، مثل أنابيب الاختبار والأسطوانات المدرجة. هذه الأشياء حساسة للغاية لمكان ملامسة الأصابع لها، وافتقرت الروبوتات إلى التحكم الدقيق لتعديل قبضتها في الوقت الفلي. علاوة على ذلك، عندما أضاف الباحثون أشياء إضافية إلى الطاولة تشبه الهدف، ارتبكت الروبوتات، فغالباً ما كانت تمسك بالشيء الخاطئ أو تفشل في التصرف تماماً.

كما اختبر الفريق مدى قدرة هذه الروبوتات على التعلم من المزيد من البيانات. ووجدوا أن مجرد إظهار المزيد من الأمثلة للروبوت حول كيفية أداء مهمة ما يساعد، ولكن إلى حد معين فقط. فقد تحسنت النماذج الأكثر تقدماً بشكل ملحوظ عندما رأت مئات العروض التوضيحية بدلاً من بضعة عروض فقط، مما يشير إلى أن هذه الأنظمة تحتاج إلى قدر هائل من الخبرة لتعلم الفروق الدقيقة بين السكب الناجح والسكب المنسكب. ومع ذلك، حتى مع هذه البيانات الإضافية، لم تستطع الروبوتات إكمال التجارب الطويلة والمستمرة التي يمكن لكيميائي بشري القيام بها بسهة. وتخلص الدراسة إلى أنه بينما أحرزنا تقدماً في تعليم الروبوتات أداء حركات فردية بسيطة، فإن القدرة على دمج تلك الحركات في سير عمل مستقر وموثوق وطويل الأمد تظل عقبة رئيسية.

لا يدعي هذا العمل أنه حل مشكلة المختبر المستقل. بدلاً من ذلك، فإنه يقدم خريطة واضحة للمكان الذي يعيق الطريق. ومن خلال إظهار المهارات المفقودة بدقة وكيف تؤدي الأخطاء في خطوة واحدة إلى تتابع تدميري يفسد العملية برمتها، قدم الباحثون هدفاً دقيقاً للتحسينات المستقبلية. يعمل معيار "LabDex" كمقياس معياري، مما يسمح للفرق المختلفة بقياس تقدمها مقابل نفس المجموعة من المهام الصعبة والواقعية. إنه تذكير بأن بناء روبوت يمكنه العمل حقاً في مختبر يتطلب أكثر من مجرد ذراع قوية؛ إنه يتطلب يداً يمكنها التفكير، والشعور، والتكيف، تماماً مثل الأيدي البشرية التي قامت بهذا العمل لقرون.