ODG-NoMaD: Overhead-Camera Direction-Guided NoMaD

تخيل روبوتًا أُرسل إلى غرفة لم يسبق له رؤيتها، مكلّفًا بالعثور على بقعة محددة على الأرض. لا يملك الروبوت خريطة، ولا تعليمات، ولا أحد ليرشده. يمكنه فقط رؤية ما هو أمام عينيه مباشرة من خلال كاميرا واحدة. في مثل هذا الموقف، غالبًا ما يتصرف الروبوت المدرب على الاستكشاف كشخص يتجول في مدينة جديدة دون بوصلة: يتحرك للأمام، وينعطف عندما يصطدم بجدار، ويعود أحيانًا لزيارة أماكن سبق له المرور بها. قد يعثر في النهاية على الهدف بمحض الصدفة، لكنه في أغلب الأحيان يتجول بلا هدف، عالقًا في زوايا محلية من الغرفة، غير قادر على استيعاب الصورة الكبيرة لمكان توجهه. هذا هو التحدي الجوهري للملاحة الذاتية في المساحات المجهولة: كيف تمنح الروبوت ردود الفعل المحلية لتجنب العوائق الفورية مع توفير الوعي العالمي اللازم للوصول إلى وجهة بعيدة.

لقد طور الباحثون أنظمة تعلم قوية تسمح للروبوتات بتعلم كيفية الحركة من خلال مشاهدة آلاف الأمثلة، بدلاً من برمجتها بقواعد صارمة. أحد هذه الأنظمة، المعروف باسم NoMaD، بارع بشكل ملحوظ في أمرين: الملاحة إلى هدف محدد عند عرضه عليه من خلال صورة، واستكشاف منطقة مجهولة عند عدم وجود هدف. ومع ذلك، في وضع الاستكشاف، يفتقر النظام إلى الشعور بالاتجاه؛ فهو يولد مسارات عديدة محتملة، ولكن بدون دليل عالمي، لا يمكنه معرفة أي اتجاه يؤدي نحو الهدف. إنه نظام تفاعلي، بمعنى أنه يستجيب لما يراه الآن، لكنه ليس استراتيجيًا. ولحل هذه المشكلة، ابتكر فريق من البراعة من شركة "إنفوسيس" (Infosys) والمعهد الهندي للتكنولوجيا في كانبور طريقة جديدة تجمع بين قدرة الروبوت المتعلمة على الحركة وبين رؤية بسيطة لمرة واحدة للغرفة من الأعلى.

يعمل النهج الجديد، المسمى ODG-NoMaD، من خلال منح الروبوت لمحة خاطفة عن مساحة العمل بأكملة عبر كاميرا مثبتة في السقف قبل أن يبدأ في التحرك. تلتقط هذه الكاميرا العلوية صورة عمق واحدة، تقيس المسافة إلى الأجسام، وتستخدمها لبناء خريطة علوية للغرفة. توضح هذه الخريطة أين توجد الجدران، وأين توجد الأثاث، وأين توجد الأرضية المفتوحة. وباستخدام هذه الخريطة، يرسم مخطط حاسوبي مسارًا مستقيمًا وآمنًا من نقطة انطلاق الروبوت إلى الهدف. ثم يتم تقسيم هذا المسار إلى اتجاهات بسيطة، تخبر الروبوت إلى أين يتجه في أي لحظة معينة. والابتكار الحاسم هنا هو أن هذا الاتجاه العالمي لا يُستخدم لاستبدال عملية اتخاذ القرار الخاصة بالروبوت، بل يتم حقنه بلطف في نموذج التعلم الحالي للروبوت أثناء تشغيله. لا يزال الروبوت يستخدم كاميرته الخاصة لرؤية الأرض وتجنب الاصطدامات الفورية، لكن لديه الآن انحياز طفيف يسحبه نحو الاتجاه الصحيح.

اختبر الباحثون هذا النظام في بيئة مكتبية محاكية، وهي مساحة مليئة بالطاولات والكراسي والحاويات، تشبه ما قد يوجد في مكان عمل حقيقي. وقارنوا الطريقة الجديدة بالنسخة القياسية غير الموجهة من الروبوت، وبنظام آخر يحاول توجيه الروبوت عبر الإشارة مباشرة إلى الهدف. أظهرت النتائج فرقًا هائلاً؛ فبدون أي توجيه، تجول الروبوت القياسي بعيدًا عن المسار وتوقف بعيدًا عن الهدف في معظم المحاولات. ومع ذلك، نجحت الطريقة الجديدة في توجيه الروبوت إلى الهدف في كل تجربة، حيث قللت متوسط المسافة التي أخفق في الوصول إليها بنحو سبع مرات مقارنة بالنسخة غير الموجهة. كما تفوقت على النظام الذي يشير مباشرة إلى الهدف، لأن الطريقة الجديدة وجهت الروبوت على طول اتجاه عام بدلاً من إجباره على التوجه نحو نقطة واحدة، مما سمح له بالبقاء مرنًا وقابلًا للتكيف.

ولعل الاكتشاف الأكثر أهمية كان كيفية تعامل النظام مع المفاجآت. في بعض الاختبارات، وضع الباحثون عوائق جديدة في الغرفة بعد إنشاء الخريطة العلوية وتخطيط المسار. لم تكن هذه العوائق موجودة في الخريطة، لذا لم يكن بإمكان الروبوت معرفة وجودها. الروبوت الموجه القياسي، الذي يعتمد فقط على المسار المخطط مسبقًا، كان سيحاول القيادة مباشرة نحو هذه الأجسام الجديدة. ومع ذلك، استخدم نظام ODG-NoMaD الكامل فحصًا ثانيًا في الوقت الفعلي؛ فبينما كان الروبوت يتحرك، استخدم كاميرته الموجودة على متنه لمسح الأرض مباشرة أمامه. وإذا اكتشف عائقًا جديدًا يعترض المسار المخطط، فإنه يقوم فورًا بحساب مسار التفافي آمن، ملتفًا حول الجسم مع الحفاظ على اتجاهه العام نحو الهدف. وقد سمح هذا للروبوت بالوصول إلى الهدف دون الاصطدام بأي شيء، حتى عندما تغيرت البيئة بعد رسم الخريطة الأولية.

تثبت هذه الدراسة أنه من الممكن منح روبوت قائم على التعلم شعورًا بالاتجاه العالمي دون الحاجة إلى إعادة تدريبه أو تعليمه قواعد جديدة. فببساطة، من خلال إضافة رؤية علوية لمرة واحدة وطريقة للتحقق من العوائق الفورية، حول الباحثون مستكشفًا يهيم على وجهه إلى ملاح هادف. يعمل النظام بالكامل أثناء تشغيل الروبوت، مستخدمًا النموذج المدرب مسبقًا كما هو تمامًا، لكنه يوجه خياراته من خلال دفعة عالمية لطيفة. وهذا يشير إلى مسار عملي للروبوتات التي تحتاج إلى العمل في مساحات ديناميكية ومجهولة، مثل مناطق الكوارث أو المستودعات المزدحمة، حيث يجب أن تكون قادرة على إيجاد طريقها إلى هدف ما مع التفاعل بأمان مع التغييرات غير المتوقعة في العالم الحقيقي.