Learning the Right Abstraction: Neural Reduced Dynamics for Complex Robot Control
تقدم هذه الورقة إطار عمل الديناميكيات المختزلة العصبية (NRD) الذي يتعلم تجريدات الحالة المثلى لتمكين تدريب السياسات السريع وعالي الإنتاجية في النماذج المبسطة، محققاً نقلاً ناجحاً من نوع "الصفر" (zero-shot transfer) وأداءً تحكمياً فائقاً في عمليات محاكاة روبوتية معقدة وعالية الدقة.
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
تواجه الروبوتات التي تتحرك عبر العالم الحقيقي مشكلة جوهرية: فيزياء حركتها معقدة للغاية. فعندما تسير مركبة ذات عجلات فوق تربة ناعمة، أو منصة مجنزرة تتسلق تلاً صخرياً، فإن الأرض تدفع للخلف بطرق يصعب التنبؤ بها. ولبناء روبوت يمكنه التعامل مع هذه الظروف، يعتمد المهندسون غالباً على عمليات محاكاة حاسوبية تحاكي العالم الحقيقي بدقة متناهية. تقوم هذه المحاكاة بحساب كيفية تفاعل كل عجلة، وكل وصلة في الجنزير، وكل حبة رمل. ومع ذلك، تأتي هذه الدقة بثمن باهظ؛ إذ إن تشغيل هذه المحاكاة التفصيلية بطيء جداً لدرجة أنه قد يستغرق من الكمبيوتر سنوات لتعلم مهمة بسيطة، مثل قيادة سيارة عبر حقل، لأن الكمبيوتر لا يمكنه العمل بالسرعة الكافية لتجربة ملايين المحاولات المختلفة.
ولحل هذه المشكلة، لجأ الباحثون إلى نهج مختلف: تعليم الروبوت باستخدام نسخة مبسطة من العالم. يشبه هذا الأمر كيف يتدرب الطيار في جهاز محاكاة طيران يلتقط الشعور بالطيران دون الحاجة إلى نمذجة كل جزيء من جزيئات الهواء. ويكمن التحدي في معرفة ما يجب الاحتفاظ به وما يجب التخلي عنه بدقة. فإذا كانت المحاكاة بسيطة للغاية، ستتعلم الروبوتات عادات سيئة تفشل في الواقع، وإذا كانت معقدة للغاية، سيكون التعلم بطيئاً. ويصبح السؤال: ما هو المستوى الصحيح من التفاصيل لإبقاء الروبوت ذكياً وسريعاً في آن واحد؟
لقد طور فريق من الباحثين في جامعة ويسكونسن–ماديسون طريقة جديدة للإجابة على هذا السؤال. فقد أنشأوا نظاماً يتعلم نسخة "مختزلة" من فيزياء الروبوت. فبدلاً من محاولة التنبؤ بكل تفصيل دقيق لآلة معقدة، يتعلم نظامهم تتبع المتغيرات المحددة التي تهم المهمة المطلوبة فقط. بالنسبة للمركبة، قد يعني هذا تتبع سرعة دوران العجلات ومقدار الوزن الذي يضغط عليها، مع تجاهل الموقع الدقيق لكل برغي في المحرك. وبالنسبة لذراع آلية، قد يعني ذلك تتبع زوايا المفاصل مع حساب موقع اليد باستخدام رياضيات بسيطة خارج عملية التعلم. وهذا يسمح للكمبيوتر بتشغيل المحاكاة أسرع بآلاف المرات مما سبق، مما يجعل من الممكن تدريب الروبوت من خلال التجربة والخطأ في غضون دقائق بدلاً من سنوات.
اختبر الباحثون هذه الفكرة على روبوتين مختلفين تماماً. كان الأول عبارة عن مركبة عسكرية مصممة للقيادة فوق أرض وعرة وغير مستوية. قاموا بتدريب نظام تحكم داخل نموذجهم السريع والمبسط لاتباع مسار محدد عبر ثلاثة أنواع من التضاريس: أرض صلبة مستوية، وتربة ناعمة تغوص فيها العجلات، وأرض صلبة متعرجة لم يسبق للروبوت رؤيتها من قبل. وعندما أخذوا الروبوت المدرب ووضعوه مرة أخرى في المحاكي البطيء عالي الدقة ليروا ما إذا كان بإمكانه القيام بالمهمة حقاً، نجح في ذلك. فقد اتبع الروبوت المسار بدقة عالية على جميع الأسطح الثلاثة. ومن المثير للاهتمام أن الروبوت الواحد الذي تم تدريبه على النموذج المبسط كان أداؤه أفضل من الروبوتات التي تم تدريبها بشكل منفصل لكل نوع من أنواع الأرض. حتى إنه تعامل مع التضاريس المتعرجة بشكل مثالي، رغم أنه لم يتدرب عليها من قبل، مما يثبت أن النموذج المبسط قد تعلم القواعد الحقيقية للقيادة بدلاً من مجرد حفظ بيانات التدريب.
تضمن الاختبار الثاني مركبة مجنزرة مجهزة بذراع آلية. هنا، قام الباحثون بتقسيم المشكلة إلى مهمتين منفصلتين. أولاً، علموا المركبة كيفية القيادة إلى نقطة محددة على الأرض. ثانياً، علموا الذراع كيفية تحريك يدها إلى نقطة معينة في الفضاء. وفي كلتا الحالتين، استخدموا نماذجهم السريعة والمبسطة لتدريب أنظمة التحكم. كانت النتائج مذهلة؛ فقد قادت المركبة إلى مائة هدف مختلف وتوقفت ضمن ربع متر من الهدف في كل مرة. أما الذراع الآلية فقد وصلت إلى 97 هدفاً من أصل مائة هدف بدقة قدرها خمسة سنتيمترات فقط، ودون الاصطدام بالأرض أو بالمركبة نفسها. وقد عملت النماذج المبسطة أسرع بنحو أربعة مراتب عشرية (10,000 مرة) من المحاكي التفصيلي، مما يعني أن عملية التدريب التي كانت ستستغק شهوراً في النظام البطيء قد اكتملت في أقل من ساعة.
إن النتيجة الرئيسية لهذا العمل هي أن أفضل طريقة لتبسيط عالم الروبوت ليست بجعله أصغر، بل بجعله أكثر ذكاءً فيما يحتفظ به. فقد وجد الباحثون أن التبسيط الأمثل يعتمد كلياً على ما يحاول الروبوت القيام به. فبالنسبة للمركبة، كانت أهم الأشياء لتتبعها هي القوى المؤثرة على الإطارات وسرعة العجلات، لأن هذه العوامل تحدد كيف تنزلق المركبة أو تغوص. وبالنسبًة للذراع، كانت أهم الأشياء هي زوايا المفاصل، لأن موقع اليد هو مجرد نتيجة رياضية لتلك الزوايا. ومن خلال الاحتفاظ بالفيزياء الأساسية وحساب الباقي باستخدام معادلات بسيطة، حافظ النظام على قدر كافٍ من الدقة للعمل في العالم الحقيقي مع اكتساب السرعة اللازمة للتعلم.
لا يثبت هذا النهج بعد إمكانية عمل هذه الروبوتات على أجهزة مادية في العالم الحقيقي، حيث أُجريت الاختبارات بالكامل داخل الكمبيوتر. ومع ذلك، تظهر النتائج أن نموذجاً مبسطاً ومصمماً بعناية يمكن أن يعمل كجسر قوي بين فيزياء العالم الحقيقي البطيئة والدقيقة وبين التعلم الضخم والسريع المطلوب لتعليم الروبوت. وهذا يشير إلى أننا لسنا بحاجة إلى محاكاة كل شيء لتعليم الروبوت؛ بل نحتاج فقط إلى محاكاة الأشياء الصحيحة. فمن خلال التركيز على الفيزياء المحددة التي تتحكم في المهمة، يمكن للمهندسين الآن تدريب آلات معقدة للتعامل مع البيئات الصعبة بسرعة ومرونة كانت بعيدة المنال في السابق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.