One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

تخيل روبوتًا صُمم ليقود نفسه عبر غابة، ليس على طريق معبد، بل عبر البرية الخام والمتحولة في أقصى الشمال. لكي تعمل هذه الآلات، يجب أن تعرف مكانها في كل ثانية. عادةً، تعتمد هذه الروبوتات على إشارات من أقمار صناعية تدور في أعالي السماء، تمامًا كما يستخدم هاتفك الذكي نظام تحديد المواقع العالمي (GPS) للعثور على مقهى. ولكن في الغابات شبه المدارية العميقة في كندا، غالبًا ما تحجب الأشجار الكثيفة السماء، ويمكن للهواء نفسه أن يبتلع الإشارات. عندما تفشل إشارة القمر الصناعي، يجب على الروبوت الاعتماد على عينيه ومستشعراته للملاحة، وهي عملية تسمى "القياس التقديري" (odometry). الأمر يشبه المشي في غرفة مظلمة وعيناك مغمضتان، محاولاً عد خطواتك لتعرف المسافة التي قطعتها. المشكلة هي أن الغرفة تتغير. في الصيف، تكون الغابة خضراء ومليئة بالأوراق؛ وفي الشتاء، تكون مدفونة تحت أمتار من الثلوج، وتصبح الأشجار عارية وقاحلة. بالنسبة للآلة، هذا التحول الموسمي يشبه إعادة ترتيب الأثيث في الغرفة فجأة بينما تحاول المشي خلالها.

هذا هو التحدي الذي سعى فريق من الباحثين في جامعة لافال في كيبيك لحله. أرادوا معرفة ما إذا كان أذكى برنامج ملاحة متاح اليوم يمكنه الصمود لمدة عام كامل في غابة غاباتية شبه مدارية. لم يكتفوا بمحاكاة ذلك على جهاز كمبيوتر، بل بنوا روبوتًا حقيقيًا، وهو مركبة مجنزرة بحجم سيارة صغيرة، وأرسلوها إلى البرية. قادوا المركبة عبر 64 كيلومترًا من طرق الغابات والتضاريس الوعرة، وسجلوا البيانات خلال حرارة الصيف، وتحلل الخريف، والبرد القارس في الشتاء. كانت تقلبات درجات الحرارة شديدة، حيث تغيرت بأكثر من 60 درجة مئوية من أدفأ الأيام إلى أبرد الليالي. كان الهدف هو اختبار تسعة أنظمة ملاحة مختلفة، تتراوح من طرق بسيطة لعد دوران العجلات إلى الذكاء الاصطناński المعقد الذي يحاول بناء خريطة ثلاثية الأبعاد للعالم في الوقت الفعلي. أرادوا معرفة أي الأنظمة ستستمر في العمل عندما يتغير العالم من حولها تمامًا، وأيها سيتوقف ببساطة عن العمل.

كانت النتائج مفاجئة. وجد الباحثون أن الأنظمة الأكثر تطورًا، تلك التي تستخدم الكاميرات لـ "رؤية" العالم أو الخوارزميات المعقدة لبناء خرائط تفصيلية، كانت غالبًا الأكثر هشاشة. فعندما تتغير الفصول، تكافح هذه الأنظمة المتقدمة للتعرف على المكان نفسه. فالكاميرا التي تنظر إلى غابة في الصيف ترى أوراقًا خضراء وضوء شمس متقطع؛ أما في الشتاء، فتصبح تلك الغابة نفسها نفقًا من الثلج الأبيض والجذوع الداكنة. البرنامج، الذي تم تدريبه على بيانات من المدن أو المناخات المعتدلة، لم يستطع الربط بينهما. كان يصاب بالارتباك، ويفقد مكانه، وينحرف عن مساره. وفي كثير من الحالات، كان أداء هذه الأنظمة عالية التقنية أسوأ بكثير من طريقة أبسط تعتمد فقط على عد عدد دورات العجلات واستخدام مستشعر أساسي لتخمين الاتجاه. هذه الطريقة البسيطة، المعروفة باسم "القياسة التقديرية الحسية" (proprioceptive odometry)، لم تهتم بشكل الغابة، بل اهتمت فقط بحركة الروبوت نفسه. ورغم أنها لم تكن مثالية، إلا أنها أثبتت أنها ثابتة بشكل ملحوظ، وفشلت أقل بكثير من نظيراتها المعقدة عندما تراكمت الثلوج أو غطت الجليد الأشجار.

كشفت الدراسة أيضًا أن إضافة المزيد من التعقيد إلى النظام غالبًا ما تجعله أكثر عرضة للتعطل. بعض البرامج المتقدمة حاولت إصلاح أخطائها من خلال البحث عن أماكن زارتها من قبل، وهي عملية تسمى "إغلاق الحلقة" (loop closure). في المدينة، يعمل هذا جيدًا لأن المباني تبدو متشابهة طوال العام. أما في الغابة شبه المدارية، فإن "المعالم" كانت غير موثوقة. فقد يبدو كوم الثلج في الشتاء مثل شجيرة في الصيف، أو قد تختفي شجرة خلف تلة ثلجية. كان البرنامج يحاول مطابقة هذه الميزات، فيخطئ في التقدير، ثم يرتكب خطأً فادحًا في تحديد موقعه. وجد الباحثون أن هذه الأنظمة المعقدة كانت حساسة للغاية تجاه البيئة المتغيرة لدرجة أنها غالبًا ما تفشل تمامًا، مما يؤدي لتوقف الروبوت في مكانه. في المقابل، استمرت الأنظمة الأبسط، التي لا تحاول بناء خريطة مثالية للعالم، في المضي قدمًا، حتى لو كانت منحرفة قليلاً عن المسار.

تعلق أحد أهم الاكتشافات بالفرق بين المستشعرات نفسها. الكاميرات، التي تعد رائعة لرؤية التفاصيل في المدينة، كانت الأكثر تأثرًا بالفصول. في الصيف، يمكن للكاميرا رؤية الكثير من الميزات لتتبعها، ولكن في الشتاء، يخلق الثلج سطحًا أبيض مسطحًا وخاليًا من الميزات يربك البرنامج. يقود الروبوت فوق الثلج، فلا ترى الكاميرا سوى البياض، مما يؤدي لفقدان نظام الملاحة لإحساسه بالاتجاه. أما الرادار والليدار (Lidar)، اللذان يستخدمان موجات الراديو ونبضات الليزر لقياس المسافة، فقد كانا أكثر صمودًا. استطاعا الرؤية عبر الثلج والظلام، ولم يعتمدا على المظهر البصري للأشجار. ومع ذلك، حتى هذه المستشعرات واجهت صعوبات عندما يتغير شكل الأرض نفسها. فعندما يقود الروبوت فوق كومة ثلجية، يتغير ميل المركبة، مما يغير الطريقة التي ترى بها المستشعرات الأرض. هذا التحول الفيزيائي، مقترنًا بتغير المناظر الطبيعية، جعل حتى أنظمة الرادار تعاني عند محاولة مطابقة رحلة جديدة بخريطة قديمة.

اختبر الباحثون أيضًا ما إذا كان بإمكان الروبوت تعلم مسار في موسم معين وتكراره في موسم آخر، وهي مهمة تُعرف بـ "التعليم والتكرار" (Teach and Repeat). علموا الروبوت مسارًا في الصيف وطلبوا منه قيادة المسار نفسه في الشتاء. كانت النتائج مختلطة. الأنظمة القائمة على الليدار، التي تستخدم الليزر لإنشاء خريطة ثلاثية الأبعاد، تمكنت من إكمال المهمة في حالات كثيرة، ويرجع ذلك إلى قدرتها على رؤية الأشجار العالية التي تظل ثابتة حتى عندما تُدفن الأرض. أما أنظمة الرادار، التي ترى فقط مقطعًا مسطحًا من العالم، وأنظمة الكاميرا، التي تعتمد على الأنماط البصرية، فقد فشلت بمعدل أكبر بكثير. الرادار، على وجه الخصوص، ارتبك بسبب تغير زاوية الأرض عندما صعد الروبوت فوق أكوام الثلج، مما أدى لفقدان التوافق مع الخريطة التي تعلمها قبل أشهر. أما أنظمة الكاميرا، فلم تتمكن ببساطة من العثور على ما يكفي من الأدلة البصرية لمعرفة مكانها، خاصة عندما كان الروبوت يقود على طرق غير ممهدة حيث يكون الثلج عميقًا ومتجانسًا.

بعيدًا عن البرمجيات، فرض الواقع المادي للبيئة شبه المدارية تحديات خاصة كان على الباحثين التغلب عليها لمجرد استمرار التجربة. كان البرد عدوًا مستمرًا؛ فالبطاريات تفقد طاقتها بسرعة أكبر في درجات الحرارة المتجمدة، وجنازير الروبوت، التي صُممت لمساعدته على الحركة فوق الثلج، تطلبت طاقة ضعف ما تطلبه العجلات في الصيف. اضطر الفريق للتعامل مع علوق الروبوت في الثلج، ليس فقط بسبب عمقه، بل بسبب نوع الثلج أيضًا. فالثلج الجديد والجاف في شهر نوفمبر سمح للروبوت بالتماسك والحركة، لكن الثلج الرطب والثقيل في أبريل كان يجعل الجنازير تدور دون تحريك المركبة للأمام. كما كان لزامًا الحفاظ على نظافة المستشعرات من الثلج والجليد، وإلا ستتوقف عن العمل تمامًا. وحتى "الحقيقة الأرضية" (ground truth)، وهي البيانات المرجعية المستخدمة للتحقق من صحة مسار الروبوت، كان من الصعب الحصول عليها. اضطر الفريق لاستخدام رافعة خاصة لرفع الروبوت وهزه في اتجاهات مختلفة لمعايرة مستشعراته، لأن البرد الشديد والتضاريس الوعرة جعلا المعايرة القياسية مستحيلة.

تخلص الدراسة إلى أنه بينما قطعنا خطوات كبيرة في مجال ملاحة الروبوتات، تظل الغابة شبه المدارية حدودًا معادية للآلات ذاتية القيادة. إن الخوارزميات الأكثر تقدمًا، والتي تعمل ببراعة في المدن أو المختبرات المحكومة، ليست جاهزة بعد للعالم البري والمتغير في الشمال. فهي هشة للغاية، وتعتمد بشكل مفرط على بقاء العالم كما كان عليه عندما تم تعليمها. الطرق الأبسط، التي تعتمد على حركة الروبوت الخاصة، أثبتت أنها الأكثر موثوقية، مما يشير إلى أنه بالنسبة لروبوت في أعماق الشمال، قد يكون من الأفضل أن يثق في خطواته الخاصة بدلاً من محاولة التعرف على المناظر الطبيعية. ويؤكد الباحثون أنه للمضي قدمًا، يحتاج المجال إلى طرق أفضل لاختبار هذه الأنظمة في ظروف العالم الحقيقي، وليس فقط في عمليات المحاكاة. ويقترحون أن الاختبارات المستقبلية يجب أن تذكر صراحةً عدد مرات فشل الأنظمة، وليس فقط مدى دقتها عندما تعمل. وحتى ذلك الحين، يظل حلم وجود روبوت يمكنه التجول في الغابة شبه المدارية طوال العام، ويتنقل عبر الثلوج العميقة والفصول المتغيرة بمفرده، بعيد المنال. الغابة تتغير، والآلات ليست مستعدة بعد لمواكبتها.