Why Personalization Matters: Cross-Subject Challenges in EMG-IMU-based HRI Activity Recognition

تخيل أرضية مصنع حيث يعمل إنسان وروبوت جنباً إلى جنب، يتبادلان الأدوات ويجمعان الأجزاء معاً. ولكي تبدو هذه الشراكة طبيعية وآمنة، يحتاج الروبوت إلى فهم ما ينوي الإنسان فعله حتى قبل حدوث الفعل نفسه. لا يمكنه الانتظار لتلقي أمر صوتي أو ضغطة زر؛ بل يجب عليه قراءة الإشارات الخفية للنوايا البشرية. وبينما يمكن للكاميرات والميكروفونات أن تساعد، إلا أنها غالباً ما تفشل في الواقع الفوضوي والصاخب والمزدحم لورشة العمل. ويكمن الحل الأفضل في الاستماع إلى الجسد نفسه. فمن خلال تثبيت مستشعرات على ذراع العامل، يمكن للنظام اكتشاف الشرارات الكهربائية الضئيلة لانقباض العضلات وحركة الطرف، وترجمة هذه الإشارات البيولوجية إلى فهم واضح لما يريد الإنسان من الروبوت القيام به.

لقد وضع فريق من الباحثين في البرازيل هدفاً لاختبار مدى نجاح هذه الفكرة في بيئة واقعية معقدة. فقد أنشأوا مجموعة جديدة من البيانات تسمى MAGIC-HRI، صُممت لتعليم الروبوتات كيفية التعرف على مجموعة واسعة من الحركات البشرية. وبدلاً من التركيز على مجرد عدد قليل من الأفعال البسيطة، طلبوا من أحد عشر متطوعاً أداء ثلاثة وخمسين مهمة مختلفة. وتراوحت هذه المهام بين القيام بإيماءات يدوية محددة والإشارة بالأرقام بلغة الإشارة البرازيلية، إلى تسليم الأدوات فعلياً، وربط البراغي، وإمساك الأشياء. ارتدى المتطوعون سواراً متخصصاً مزوداً بمستشعرات تقيس نشاط العضلات والحركة. ثم قام الباحثون بتغذية هذه البيانات في برامج حاسوبية لمعرفة ما إذا كان بإمكان الآلة أن تتعلم التمييز بين حركة "الالتقاط" وحركة "التسليم"، أو بين أمر "التوقف" وأمر "الاستمرار".

وكشفت النتائج عن عقبة كبيرة في جعل هذه التكنولوجيا تعمل للجميع. فعندما تم تدريب البرنامج الحاسوبي على بيانات من جميع المتطوعين ثم اختباره على مزيج من حركاتهم الخاصة، حقق أداءً جيداً، حيث حدد الأفعال بشكل صحيح في معظم الأحيان. ومع ذلك، تغير الوضع بشكل جذري عندما اختبر الباحثون النظام على شخص لم يره من قبل. في هذا السيناريو، حيث كان على النموذج تخمين نوايا مستخدم جديد دون أي تدريب مسبق على ذلك الفرد تحديداً، انخفض أداؤه بشكل حاد. لقد عانى النظام من صعوبة في "التعميم"، مما يعني أنه لم يستطع بسهولة نقل ما تعلمه من شخص إلى آخر. ويشير هذا إلى أن كل جسم بشري يتحرك وتعمل عضلاته بطريقة فريدة، مما يخلق حاجزاً لا تستطيع طرق التدريب القياسية تجاوزه بسهولة.

ولحل هذه المشكلة، اختبر الباحثون استراتيجية تُعرف باسم "التخصيص". فقد قاموا بمحاكاة موقف يتقدم فيه مستخدم جديد إلى الروبوت، ويُسمح للنظام بالتعلم من عدد قليل فقط من حركاته المحددة قبل أن يبدأ في العمل. ووجدوا أن كمية ضئيلة من البيانات الجديدة أحدثت فرقاً هائلاً. فعندما عُرض على النظام سبع عينات فقط من شخص جديد، قفزت قدرته على التعرف على أفعال ذلك الشخص إلى أكثر من خمسة وستين بالمائة. تشير هذه النتيجة إلى أنه بينما لا يستطيع الروبوت فهم الغريب فوراً، فإنه يستطيع التكيف بسرعة إذا مُنح لحظة وجيزة لتعلم أسلوبه الخاص. وتخلص الدراسة إلى أنه لكي تكون المستشعرات القابلة للارتداء موثوقة حقاً في البيئات الصناعية، يجب أن يتضمن النظام مرحلة معايرة قصيرة حيث يتعلم البصمة الفريدة لكل عامل جديد. وبدون هذه الخطوة، ستظل هذه التكنولوجيا هشة للغاية أمام الطبيعة غير المتوقعة للتعاون بين الإنسان والروبوت.