← أحدث الأبحاث
💻 computer science

NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

تقدم الورقة البحثية NeSAM، وهو إطار عمل عصبي-رمزي يدمج ميكانيكا التربة (Bekker-Wong) القابلة للتفاضل مع ديناميكيات متبقية متعلمة وتقدير آني لمعلمات التربة، لتحسين دقة التنبؤ بالديناميكا الحركية للمركبات في الطرق الوعرة وأداء الملاحة على التضاريس القابلة للتشوه بشكل كبير.

المؤلفون الأصليون: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

نُشر 2026-08-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

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

إن قيادة مركبة عبر طريق معبد ومستوٍ هي عملية يمكن التنبؤ بها؛ حيث تتماسك العجلات مع السطح، ويقوم المحرك بتدويرها، وتتحرك السيارة للأمام تماماً كما تمليه قوانين الفيزياء على السطح الصلب. ولكن بمجرد إخراج تلك المركبة ذاتها من الطريق المعبد إلى حقل من التربة الناعمة، أو الرمال المفككة، أو الطين غير المستوي، تتغير القواعد فوراً. لم يعد الأرض مجرد مسرح صلب، بل أصبحت مشاركاً حياً ومتغيراً. فبينما تضغط العجلة للأسفل، تغوص في الأرض؛ وبينما تدور، تقوم بتمزيق التربة جانبياً. هذه التشوهات تخلق قوى تسحب المركبة عن مسارها، مما يتسبب في انزلاقها، أو ميلها، أو علوقها بطرق لا يمكن لأوامر التوجيه البسيطة تصحيحها بسهولة. ولكي تتمكن الروبوتات والمركبات ذاتية القيادة من التنقل في هذه البيئات الوعرة بأمان، يجب أن تكون قادرة ليس فقط على التنبؤ بالمكان الذي ستتجه إليه، بل بكيفية تفاعل الأرض تحتها مع وزنها وحركتها. وبدون هذه الاستشرافية، قد تخطط المركبة لمسار يبدو خالياً من العوائق على الخريطة، لكنه يؤدي إلى أخدود عميق أو فقدان مفاجئ للسيطرة في اللحظة التي تلامس فيها التربة.

لقد حاول الباحثون طويلاً حل هذه المشكلة باستخدام نهجين مختلفين. تعتمد إحدى الطريقتين على معادلات الفيزياء الكلاسيكية التي تصف سلوك التربة تحت الضغط، باستخدام معاملات مثل الصلابة والاحتكاك لحساب القوى. وبينما تستند هذه النماذج إلى ميكانيكا العالم الحقيقي، إلا أنها غالباً ما تجد صعوبة في استيعاب الواقع المعقد والمضطرب لنظام تعليق المركبة، وتشوه الإطارات، والخصائص الفريدة لرقعة معينة من الأرض. أما الطريقة الأخرى فتستخدم الذكاء الاصطناعي للتعلم من البيانات، عبر مراقبة كيفية تحرك المركبة ومحاولة تخمين الخطوة التالية. وتتميز هذه النماذج القائمة على التعلم بالمرونة، لكنها غالباً ما تعمل كـ "صناديق سوداء"، حيث لا تقدم سوى القليل من الرؤية حول سبب انزلاق المركبة أو غوصها، ويمكن أن تفشل عند مواجهة ظروف تربة لم يسبق لها رؤيتها من قبل. ولم يكن أي من النهجين وحده كافياً لتوفير كل من الدقة العالية والفهم الواضح للقوى الفيزيائية المؤثرة.

ولسد هذه الفجوة، طور فريق من الباحثين نظاماً جديداً يسمى NeSAM، وهو اختصار لـ "التنقل التكيفي للتربة العصبي-الرمزي" (Neuro-Symbolic Soil Adaptive Mobility). هذا الإطار لا يختار بين الفيزياء والتعلم، بل ينسجهما معاً في نموذج واحد متماسك. يعمل النظام أولاً من خلال النظر إلى التضاريس أمام المركبة، مستخدماً الكاميرات لرؤية شكل الأرض ونوع المادة المصنوعة منها، مثل العشب أو التراب أو الرمل. ثم يستخدم مكوناً متخصصاً يعتمد على ميكانيكا التربة الراسخة لتقدير مدى غوص العجلات وكيفية مقاومة التربة لحركة المركبة. يوفر هذا أساساً متيناً قائماً على الفيزياء للتنبؤ. ومع ذلك، ولأن ظروف العالم الحقيقي نادراً ما تكون مثالية، يستخدم النظام أيضاً نموذج "بواقي" (residual model) قائماً على التعلم. فكر في هذا النموذج كآلية ضبط دقيق تتعلم الاختلافات المنهجية الصغيرة بين ما تتنبأ به معادلات الفيزياء وما تفعله المركبة بالفعل، مما يصحح التقدير ليتناسب مع الواقع.

تكمن القوة الحقيقية لنظام NeSAM في قدرته على التكيف في الوقت الفعلي. فبينما تتحرك المركبة، يقارن النظام باستمرار بين تنبؤاته والحركة الفعلية التي يلاحظها. فإذا غاصت المركبة بعمق أكبر مما هو متوقع، أو انزلقت أكثر مما تنبأ به النموذج، يستخدم النظام مرشحاً رياضياً لتحديث فهمه الداخلي لخصائص التربة. إنه يسأل فعلياً: "إذا كانت الأرض تتصرف بهذه الطريقة، فما هي معاملات التربة التي يجب أن تكون موجودة؟" ثم يقوم بتعديل نموذجه بناءً على ذلك. وهذا يسمح للمركبة بالتعلم عن الأرض المحددة التي تعبرها أثناء سيرها، مما يحسن تنبؤاتها للثواني القليلة القادمة من السفر. اختبر الباحثون هذا النظام بطريقتين: أولاً، في محاكاة حاسوبية عالية التفصيل تحاكي الفيزياء المعقدة للتفاعل بين التربة والمركبة، وثانياً، على روبوت حقيقي ذي أربع عجلات يقود عبر مسار اختبار في العالم الحقيقي مع تضاريس متنوعة.

أظهرت النتائج أن هذا النهج الهجين تفوق بشكل كبير على الأساليب الحالية. ففي المحاكاة الحاسوبية، قلل نظام NeSAM أخطاء التنبؤ بنسبة تصل إلى 30 بالمائة مقارنة بأفضل النماذج البديلة. وعند اختباره على الروبوت المادي، حسن الدقة بنسبة تقارب 29 بالمائة. والأهم من ذلك، أثبت النظام قيمته عندما توجب على المركبة عبور مسار كانت فيه ظروف التربة مختلفة عما تم تدريبه عليه. في هذه السيناريوهات الصعبة، فشل إصدار النظام الذي يفتقر إلى التكيف مع التربة في إكمال المسار في معظم التجارب، حيث فقد السيطرة أو علق في التربة. وفي المق المقابل، نجح الإصدار التكيفي في إكمال الغالبية العظمى من جولاته، محافظاً على المركبة قريبة جداً من مسارها المقصود وحافظ على استقرار وضعيتها. ومن خلال الجمع بين موثوقية القوانين الفيزيائية ومرونة التعلم الآلي، يقدم NeSAM طريقة قوية للمركبات ذاتية القيادة لفهم واجتياز العالم غير المتوقع والقابل للتشوه خارج الطرق المعبدة.

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 →