← أحدث الأبحاث
🤖 AI

GOAG: Generative and Object-Agnostic Grasp Planner for Dexterous Robotic Manipulation

يُعد GOAG نموذجاً توليدياً عميقاً جديداً غير مرتبط بكائن محدد، يستفيد من التوافق الهندسي بين أسطح تلامس القابض والكائن لتعميم تخطيط الإمساك بكفاءة على الأجسام غير المرئية دون الحاجة إلى بيانات تدريب خاصة بكل كائن، محققاً أداءً رائداً في كل من التجارب المحاكاتية والواقعية.

المؤلفون الأصليون: Julien Merand, Boris Meden, Mathieu Grossard, Liming Chen

نُشر 2026-08-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Julien Merand, Boris Meden, Mathieu Grossard, Liming Chen

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

لطالما كانت الروبوتات بارعة في المهام المتكررة، حيث تتحرك بدقة على مسارات ثابتة في المصانع. ومع ذلك، عندما يُطلب منها الوصول إلى درج مبعثر والتقاط جسم عشوائي، فإنها غالباً ما تتعثر. لا يكمن التحدي في الأجهزة، التي تطورت لتشمل أيديًا ذات أصابع متعددة قادرة على المناورة الدقيقة، بل في البرمجيات التي تخبر تلك الأيدي بكيفية التحرك. لكي يتمكن الروبوت من الإمساك بجسم ما، يجب عليه حساب مكان تلامس أصابعه بدقة مع السطح ليمسك به بإحكام دون إسقاطه أو سحقه. تعتمد الطرق التقليدية على مكتبات ضخمة من الأمثلة المحسوبة مسبقاً، والتي تُعلم الروبوت كيفية الإمساك بأشكال محددة مثل كوب القهوة أو مفك البراغي. ومع ذلك، يصطدم هذا النهج بحائط مسدود عندما يواجه الروبوت جسماً جديداً لم يره من قبل؛ ولأن بيانات التدريب مرتبطة بأشكال محددة، فإن الروبوت يعاني في التعميم، وغالباً ما يفشل في إيجاد قبضة مستقرة على أي شيء لم يره سابقاً.

اقترح فريق من الباحثين طريقة مختلفة تماماً لحل هذه المشكلة، حيث نقلوا التركيز من الجسم إلى اليد نفسها. فبدلاً من تعليم الروبوت كيفية الإمساك بآلاف الأجسام المختلفة، علموه كيف تعمل يده الخاصة. الفكرة الجوهرية هي أنه لكي تنجح القبضة، يجب أن يتطابق سطح أصابع الروبوت وسطح الجسم تماماً في نقاط التلامس بينهما. إذا ضغطت إصبع روبوت ضد جدار، فإن شكل منطقة التلامس على الإصبع يكون مطابقاً لشكل منطقة التلامس على الجدار. أدرك الباحثون أنه من خلال دراسة هندسة يد الروبوت فقط والطرق التي يمكن لمفاصلها التحرك بها، يمكنهم تعلم مجموعة عالمية من قواعد التلامس. يسمح هذا النهج للروبوت بتعلم "استراتيجية إمساك" دون أن يرى جسماً واحداً خلال مرحلة التدريب.

طوّر الباحثون نظاماً أطلقوا عليه اسم GOAG، وهو اختصار لـ "مخطط القبض التوليدي والمستقل عن الأجسام" (Generative and Object-Agnostic Grasp Planner). في مرحلة التدريب، يتجاهل النظام الأجسام تماماً. بدلاً من ذلك، يقوم بتوليد الملايين من التكوينات العشوائية ليد روبوتية، محاكياً كيف يمكن للأصابع أن تنثني، أو تنتشر، أو تنغلق. ولكل وضعية من وضعيات اليد هذه، يحدد النظام المناطق المحددة على الأصابع التي ستكون متاحة للمس شيء ما. يتعلم النظام الأنماط الإحصائية لمناطق التلامس هذه، حيث يحفظ جوهر "بصمة" القبضة الناجحة بناءً فقط على ميكانيكا اليد نفسها. ويمثل هذا تحولاً عن الطرق السابقة التي كانت تتطلب مجموعات بيانات ضخمة تربط بين أجسام محددة وقبضات محددة. ومن خلال التدريب على اليد فقط، يتجنب النظام الانحياز لتعلم الأشكال المحددة الموجودة في قاعدة بيانات التدريب الخاصة به.

عندما يصبح النظام جاهزاً للاستخدام، يتم تقديمه لجسم جديد لم يره من قبل. يقوم الروبوت بمسح الجسم لفهم شكله، ثم يسأل النموذج المدرب عن مكان تلامس الأصابع. ولأن النموذج تعلم القدرات الجوثية لليد، فإنه يستطيع فوراً توليد قائمة بنقاط التلامس الصالحة على الجسم الجديد والتي تتوافق مع حركة اليد. بعد ذلك، يحسب النظام زوايا المفاصل الدقيقة اللازمة لتحريك الأصابع إلى تلك النقاط. والأهم من ذلك، قبل أن يحاول الروبوت التقاط الجسم، يقوم البرنامج بإجراء فحص سريع للتأكد من أن القبضة المقترحة مستقرة فيزيائياً، والتحقق من أن القوى المعنية ستمنع الجسم من الانزلاق. إذا كانت التخمينة الأولى غير مستقرة، يقوم النظام بسرعة بتوليد مجموعة جديدة من نقاط التلامس ويحاول مجدداً، مكرراً هذه العملية لمرات قليلة فقط حتى يجد قبضة آمنة.

اختبر الفريق هذا النهج في كل من عمليات المحاكاة الحاسوبية ومع ذراع روبوت حقيقي مجهز بيد متعددة الأصابع. قاموا بتقييم النظام على مجموعة متنوعة من الأجسام، بما في ذلك تلك الموجودة في مجموعات الاختبار القياسية المستخدمة من قبل باحثين آخرين. في عمليات المحاكاة، حققت الطريقة متوسط معدل نجاح بلغ 86.93 بالمائة عند اختبارها على أجسام من مجموعة بيانات MultiDex، متفوقة بذلك على الأساليب الرائدة الأخرى التي تم تدريبها خصيصاً على تلك البيانات. ولعل الأمر الأكثر إثارة للإعجاب هو أن النظام ولد قبضات بشكل أسرع بكثير من منافسيه، خاصة عندما طُلب منه إنتاج طرق عديدة مختلفة للإمساك بجسم واحد. كما اختبر الباحثون النظام على روبوت حقيقي، حيث نجح في الإمساك بأحد عشر جسماً مختلفاً من مجموعة بيانات YCB، والتي تشمل عناصر يومية مثل الموز، والأدوات، والحاويات. وأكدت هذه التجارب الواقعية أن الاستراتيجية التي تعلمت في المحاكاة يمكن أن تنتقل مباشرة إلى الأجهزة المادية.

تشير النتائج إلى أنه من خلال فصل عملية التعلم عن أجسام محددة، يمكن للروبوتات تحقيق مستوى من المرونة كان من الصعب بلوغه سابقاً. لا يحتاج النظام إلى إعادة التدريب في كل مرة يتم فيها تقديم جسم جديد؛ بل يطبق ببساطة فهمه ليده الخاصة على الشكل الجديد. وبينما يشير الباحثون إلى أن الطريقة تعمل بشكل أفضل مع الأجسام التي تناسب نطاق وصول الروبوت بسهولة، فإن القدرة على التعميم على أشكال غير مرئية دون تعرض مسبق تمثل خطوة كبيرة للأمام. يوضح هذا العمل أن الروبوت يمكنه تعلم كيفية الإمساك بالمجهول من خلال فهم نفسه أولاً، مما يفتح مساراً نحو آلات أكثر قدرة وتكيفاً يمكنها العمل في بيئات العالم الحقيقي غير المتوقعة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →