Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol
تقدم هذه الورقة سير عمل يعتمد على النماذج اللغوية يستخدم تقنية التوليد المعزز بالاسترجاع ثنائي المسار وخادم بروتوكول سياق النموذج (MCP) مخصص لتوليد ومحاكاة وتصحيح برامج روبوتات ABB RAP-ID بشكل آلي وتكراري من خلال الأوصاف الطبيعية، مما يقلل الأخطاء الخاصة بالمجال عبر التغذية الراجعة القابلة للتنفيذ من برمجيات المحاكاة الصناعية.
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
في عالم التصنيع الحديث، تعد المرونة هي الهدف الأسمى. لم تعد المصانع تكتفي بإنتاج ملايين القطع المتطابقة؛ بل يجب أن تتكيف بسرعة لإنتاج نسخ مختلفة من المنتجات، مثل سيارة مزودة بفتحة سقف وأخرى بدونها، أو عبوة ذات حجم مختلف قليلاً. ولمواكبة هذه التغييرات، تحتاج الروبوتات الصناعية إلى إعادة برمجة مستمرة. تقليدياً، كانت هذه مهمة بطيئة وصعبة مقتصرة على المتخصصين الذين يتحدثون لغة معقدة خاصة بالآلات. يتعين عليهم كتابة الكود يدوياً، والتحقق منه مقابل المخطط الفيزيائي لأرض المصنع، واختباره لضمان عدم اصطدام الروبوت أو إسقاطه لقطعة ما. وبينما أظهر الذكاء الاصطناعي مؤخراً وعوداً في ترجمة الأفكار البشرية إلى كود حاسوبي، إلا أن هذه الأنظمة الذكية غالباً ما تواجه صعوبة في التعامل مع القواعد الصارمة والمحددة للآلات الصناعية. فقد تكتب كوداً يبدو صحيحاً على الشاشة، لكنه يفشل بمجرد أن يحاول روبوت حقيقي التحرك، ببساطة لأن الذكاء الاصطناعي لا يستطيع "رؤية" القيود الفيزيائية لخلية المصنع أو السلوك المحدد لأدوات الروبوت.
لقد طور فريق من الباحثين في جامعة تشالمرز للتكنولوجيا في السويد طريقة جديدة لسد هذه الفجوة، حيث ابتكروا نظاماً يسمح بإعادة برمجة الروبوتات باستخدام اللغة الإنجليزية العادية مع التحقق تلقائياً مما إذا كانت التعليمات ستعمل بالفعل. يجمع نهجهم بين نموذج لغوي قوي وبيئة محاكاة متخصصة، مما يخلق حلقة حيث يقوم الكمبيوتر بكتابة الكود، واختباره في مصنع افتراضي، ثم إصلاح أخطائه بناءً على النتائج. ركز الباحثون على روبوتات ABB، وهي شائعة في المصانع حول العالم، واستخدموا "توأماً رقمياً" — وهو نسخة افتراضية مثالية للروبوت ومساحة عمله — ليعمل كشبكة أمان. وبدلاً من مجرد توليد نصوص، يتصل النظام مباشرة ببرنامج المحاكاة، ويرفع الكود، ويراقب حركة الروبوت، ويحلل بدقة سبب فشل المهمة إذا حدث ذلك.
يتضمن جوهر طريقتهم خطوتين متميزتين تعملان معاً. أولاً، يستخدم النظام تقنية تسمى "التوليد المعزز بالاسترجاع". تخيل طالباً يؤدي امتحاناً ويُسمح له بالاطلاع على كتاب مدرسي ومجموعة من الأمثلة المحلولة قبل الإجابة. يقوم الكمبيوتر بشيء مشابه: عندما يطلب منه إنسان "التقاط صندوق ووضعه على منصة"، يبحث النظام أولاً في قاعدة بيانات من الكتيبات التقنية الرسمية وأمثلة الكود الواقعية من شركة تصنيع سيارات كبرى. يضمن هذا أن يستخدم الكمبيوتر الأوامر الصحيحة والمحددة للروبوت، بدلاً من التخمين أو ابتكار قواعد غير موجودة. تقلل هذه الخطوة بشكل كبير من عدد الأخطاء الأساسية، مثل استخدام نوع خاطئ من البيانات أو الخطأ في كتابة أمر ما، وهي أخطاء شائعة عندما يحاول الذكاء الاصطناعي كتابة الكود من الصفر.
ومع ذلك، أدرك الباحثون أنه حتى الكود الذي يكون سليماً من الناحية القواعدية ويتبع جميع القواعد يمكن أن يفشل في العالم الحقيقي. قد ينجح الروبوت في التقاط صندوق، ولكن إذا كان الصندوق أطول مما هو متوقع، فقد لا يتمكن قابض الروبوت من تحريره بشكل صحيح، أو قد يعلق الربوت في وضعية لا يمكنه الوصول إليها فيزيائياً. ولحل هذه المشكلة، بنى الفريق اتصالاً مخصصاً بين النموذج اللغوي وبرنامج المحاكة. يعمل هذا الاتصال كجهاز تحكم عن بعد، مما يسمح للكمبيوتر برفع الكود الذي تم توليده إلى الروبوت الافتراضي، وتشغيل المحاكاة، ثم قراءة تقرير مفصل عما حدث. يتحقق النظام ليس فقط من الكود نفسه، بل من سلوك الروبوت أيضاً: هل سقط الجزء؟ هل اصطدم ذراع الروبوت بحائط؟ هل اكتشفت المستشعرات الجسم؟
في اختباراتهم، وضع الباحثون هذا النظام أمام سلسلة من التحديات. طلبوا منه التعامل مع مهام مثل نقل صناديق بأحجام مختلفة وبناء أهرامات من الكتل. في حالة محددة، طُلب من النظام نقل صندوق أخضر طويل وصندوق برتقالي أقصر. الكود الأولي، الذي ولده الذكاء الاصطناعي، عمل بشكل مثالي مع الصندوق البرتقالي القصير. ومع ذلك، عندما تم تطبيق نفس الكود على الصندوق الأخضر الطويل، فشل الروبوت في تحرير الجزء لأن نقطة التحرير كانت منخفضة جداً، مما تسبب في بقاء القابض عالقاً داخل الصندوق. كان من الممكن لفحص حاسوبي قياسي للكود أن يتجاهل هذا تماماً، حيث كانت التعليمات صحيحة من الناحية التركيبية. ولكن لأن النظام قام بتشغيل المحاكاة، فقد رأى فشل القابض في الإفلات. ثم استخدم هذا التعليود لتعديل ارتفاع نقطة التحرير تلقائياً وحاول مرة أخرى، ونجح في حل المشكلة.
أظهرت النتائج أن حلقة التغذية الراجعة هذه كانت ضرورية. وبينما قللت الخطوة الأولى المتمثلة في البحث في الكتيبات التقنية من العديد من الأخطاء الأساسية، فإن القدرة على تشغيل الكود في المصنع الافتراضي هي التي كشفت عن الأخطاء الفيزيائية الدقيقة التي كانت ستؤدي إلى إخفاقات في العالم الحقيقي. نجح النظام في تحديد مشكلات مثل الأهداف التي لا يمكن الوصول إليها وحركات الروبوت غير المتناسقة التي لا تظهر إلا عندما يحاول الروبوت تنفيذ المهمة فعلياً. وفي إحدى الحالات، علق ذراع الروبوت في وضعية صعبة بعد بضع حركات، وهي مشكلة لم تصبح مرئية إلا بعد تشغيل المحاكاة لفترة من الوقت. اكتشف النظام ذلك، وأعاد ضبط وضعية الروبوت إلى نقطة بداية أكثر أماناً، وأكمل المهمة.
يؤكد الباحثون أن هذا النظام لا يحل محل المهندسين البشريين بالكامل. فالمصنع الافتراضي، والأدوات، والمهام المحددة لا تزال بحاجة إلى إعداد من قبل البشر مسبقاً. كما أن النظام لا يصمم مخطط المصنع أو الأجهزة الفيزيائية للروبوت. بدلاً من ذلك، يعمل كمساعد عالي المهارة يأخذ فكرة بشرية ويحولها بسرعة إلى برنامج يعمل، ممسكاً بالأخطاء التي قد تتطلب ساعات من التصحيح اليدوي. تشير الدراسة إلى أنه من خلال ربط توليد الكود مباشرة بتنفيذ المهام في بيئة محاكاة، يمكن للمصانع إعادة برمجة روبوتاتها بشكل أسرع وبأخطاء أقل. يقدم هذا النهج مساراً عملياً لجعل التصنيع المرن أكثر سهولة، مما يسمح لخطوط الإنتاج بالتكيف مع منتجات جديدة دون التأخير الطويل والتكاليف العالية للبرمجة التقليدية. يوضح العمل أن مستقبل برمجة الروبوتات لا يكمن فقط في ذكاء اصطناعي أكثر ذكاءً، بل في ذكاء اصطناعي يمكنه الرؤية، والاختبار، والتعلم من أفعاله في عالم افتراضي قبل لمس عالم حقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.