← أحدث الأبحاث
💻 computer science

VikPath: A Vision Kansformer Framework for Effective Obstacle Avoidance in Self-Supervised Pathfinding

يُعد VikPath إطار عمل للتعلم الذاتي الموجه يتميز بوحدة Vision Kansformer مبتكرة تتعلم توزيعات العوائق دون الحاجة إلى بيانات مصنفة لتوليد مسارات أكثر سلاسة وأماناً وكفاءة مع زمن استجابة أقل بكثير في الاستدلال مقارنة بالأساليب المتطورة.

المؤلفون الأصليون: Junyao Wang, Yulin Xu, Mohammad Abdullah Al Faruque

نُشر 2026-08-25
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC0 1.0

المؤلفون الأصليون: Junyao Wang, Yulin Xu, Mohammad Abdullah Al Faruque

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 الروبوتات والمركبات ذاتية القيادة، تُعد القدرة على إيجاد طريق من النقطة (أ) إلى النقطة (ب) تحدياً جوهرياً. لعقود من الزمن، حلت الحواسيب هذه المعضلة باستخدام قواعد رياضية تعامل العالم كشبكة من المربعات، حيث تحسب أقصر مسافة مع محاولة تجنب الجدران. تعمل هذه الطرق التقليدية بشكل جيد في الغرف البسيطة والمتوقعة، لكنها غالباً ما تعاني في المساحات المعقدة والمزدحمة حيث تتكدس العوائق جنباً إلى جنب. تميل القواعد القديمة إلى إنتاج مسارات تكون تقنياً هي الأقصر، لكنها قريبة بشكل خطير من الأجسام، أو مسارات تتطلب انعطافات مفاجئة وحادة لا تستطيع المركبة الحقيقية القيام بها فيزيائياً. علاوة على على ذلك، فإن العديد من المحاولات الحديثة لتعليم الحواسيب كيفية التنقل بشكل أفضل اعتمدت على عرض آلاف الأمثلة للمسارات المثالية التي أنشأها بشر أو حواسيب أخرى. وهذا النهج يعيبه وجود خلل: فإذا كانت الأمثلة غير مثالية أو منحازة، فإن نظام التعلم يرث تلك الأخطاء نفسها، وغالباً ما يفشل عند مواجهة بيئة جديدة لم يسبق له رؤيتها.

لقد طور فريق من الباحثين في جامعة كاليفورنيا، إيرفاين، نهجاً جديداً يسمى "فيك باث" (VikPath) يغير كيفية تعلم الآلات للتنقل دون الحاجة إلى معلم يرشدها إلى الطريق. فبدلاً من حفظ المسارات المعدة مسبقاً، يتعلم نظامهم فهم تخطيط البيئة من تلقاء أنفسهم، تماماً كما قد ينظر شخص إلى غرفة مزدحمة ويعرف غريزياً أين توجد المساحات المفتوحة وأين تكون تجمعات الأثاث ضيقة جداً بحيث يصعب المرور عبرها. لقد أنشأ الباحثون وحدة تعلم خاصة تنظر إلى خريطة العوائق وتملأ التفاصيل المفقودة، حيث تتعلم التنبؤ بمكان وجود العوائق على الأرجح ومدى القرب الذي يجب أن تلتزم به المسارات الآمنة منها. وهذا يسمح للنظام بإنشاء "خريطة احتمالية"، وهي دليل ذهني يسلط الضوء على الممرات المفتوحة والآمنة ويحذر من المناطق المزدحمة للغاية، حتى لو كانت تلك المناطق فارغة تقنياً.

إن جوهر هذا النظام الجديد هو بنية فريدة تجمع بين فكرتين قويتين لفهم العلاقات المكانية. فهو يستخدم طريقة تقوم بإخفاء أجزاء من الخريطة وتجبر الكمبيوتر على تخمين ما هو مفقود بناءً على السياق المحيط، وهي تقنية تساعده على تعلم هيكل البيئة بدلاً من مجرد حفظ أنماط محددة. ولجعل هذه التخمينات أكثر دقة ومرونة، يستخدم النظام إطاراً رياضياً يمكنه تكييف قواعده الداخلية لتناسب الأشكال والأحجام المحددة للعوائق التي يواجهها. وبمجرد أن يتعلم النظام قراءة الخريطة وفهم أين تكمن المخاطر، فإنه يستخدم عملية بحث منقحة لرسم مسار. هذه العملية لا تبحث فقط عن الخط الأقصر؛ بل تعاقب بنشاط المسارات التي تقترب كثيراً من العوائق وتثبط الانعطافات الحادة والمفاجئة. والنتيجة هي مسار ليس فعالاً فحسب، بل سلس وآمن أيضاً، يتجنب التضييقات والتحركات المتشنجة التي تعاني منها الطرق القديمة.

عندما اختبر الباحثون نظامهم مقابل أفضل الأساليب الموجودة، كانت النتائج مذهلة. ففي سلسلة من الاختبارات باستخدام ثلاثة أنواع مختلفة من البيئات المعقدة، وجد "فيك باث" باستمرار مسارات كانت أكثر أماناً بشكل ملحوظ من تلك التي وجدتها الخوارزميات التقليدية. وفي المتوسط، حافظت المسارات التي أنشأها النظام الجديد على مسافة أكبر بنسبة 3.28 بالمائة من العوائق مقارنة بأفضل طريقة تالية، مما يعني أن الروبوت سيكون أقل عرضة للاحتكاك بجدار أو العلوق في فجوة ضيقة. وفي الوقت نفسه، كانت المسارات أكثر سلاسة، مع تغييرات أقل حدة في الاتجاه، مما يجعل من السهل على المركبة الفيزيائية اتباعها. ولعل الأمر الأكثر إثارة للدهشة هو أن النظام كان سريعاً للغاية؛ فقد أتم حساباته في جزء بسيط من الوقت الذي تتطلبه الطرق المتقدمة الأخرى القائمة على التعلم، حيث أظهر انخفاضاً بنسبة 87.07 بالمائ في الوقت المستغرق لإيجاد المسار. وتأتي هذه السرعة من حقيقة أن النظام لا يحتاج إلى معالجة أمثلة معقدة ومصنفة مسبقاً أو إجراء خطوات إضافية لتنعيم المسار بعد العثور عليه؛ إذ إن السلامة والسلاسة مدمجتان في عملية البحث منذ البداية.

إن الاختبار الحقيقي لأي نظام ملاحة هو ما إذا كان بإمكانه التعامل مع عالم لم يره من قبل. لقد درب الباحثون نظامهم على مجموعة واحدة من الخرائط، ثم طلبوا منه التنقل في بيئات مختلفة تماماً، بما في ذلك تخطيطات تشبه شوارع المدن ومستويات ألعاب الفيديو، دون أي تدريب إضافي. وقد تكيف النظام على الفور، محافظاً على قدرته على إيجاد مسارات آمنة وسلسة، وتجنب الحاجة إلى إعادة تعليم البشر قواعد البيئة الجديدة. وهذا يشير إلى أن النظام قد تعلم فهماً عميقاً لكيفية توزيع العوائق في الفضاء، بدلاً من مجرد حفظ أنماط محددة. ومن خلال تعليم الآلات فهم شكل الخطر وقيمة الرحلة السلسة، يقدم هذا العمل طريقة جديدة للأنظمة ذاتية القيادة للتحرك عبر عالمنا المعقد المليء بالعوائق بثقة وكفاءة أكبر.

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 →