Stay Seated: Learning Omnidirectional Humanoid Locomotion on a Passive Mobile Chair with Casters
تقدم هذه الورقة إطار عمل للتعلم التعزيزي يُمكّن روبوتاً بشرياً من تحقيق حركة جلوس في جميع الاتجاهات قوية ومباشرة من المحاكاة إلى الواقع (zero-shot sim-to-real) على كرسي متحرك سلبي، وذلك عبر توسيع بيئات تتبع السرعة القياسية بمكافآت وإعدادات اتصال متخصصة، مع إثبات أن الجمع بين تنظيم انزلاق القدم مع تعلم التماثل أو التعلم المنهجي يوازن بفعالية بين كفاءة الطاقة وأداء التتبع.
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
تخيل روبوتًا يمكنه الجلوس والعمل على مكتب تمامًا مثل البشر. لسنوات، علم المهندسون الروبوتات كيف تمشي على قدمين، لكن الوقوف ساكنًا يتطلب طاقة مستمرة؛ إذ يجب أن تعمل محركات الروبوت بجهد كبير لمجرد الحفاظ على توازنه ضد الجاذبية، مما يولد حرارة ويستنزف الطاقة. ومع ذلك، يمتلك البشر حلاً أبسط للمهام الطويلة: نحن نجلس. فمن خلال إراحة وزننا على كرسي، نحرر عضلاتنا ونتمكن من التحرك في أرجاء المكتب دون أن نضطر للوقوف أبدًا. وقد أثار هذا الملاحظة البسيطة سؤالًا جديدًا للباحثين في مجال الروبوتات: هل يمكن لروبوت بشري أن يتعلم التحرك أثناء الجلوس، باستخدام كرسي ذو عجلات وقدميه ليدفع نفسه للأمام، وللخلف، وللجانب؟
وضع فريق من الباحثين نصب أعينهم الإجابة على هذا السؤال من خلال تعليم روبوت التنقل أثناء الجلوس على كرسي متحرك سلبي. وبخلاف الكرسي المتحرك ذاتي القيادة الذي يتحرك من تلقه، لا يحتوي هذا الكرسي على محرك؛ بل هو مجرد مقعد على عجلات. وللتحرك، يجب على الروبوت استخدام قدميه للدفع مقابل الأرض، مما يدفع به وبالكرسي في أي اتجاه. التحدي معقد لأن الروبوت لا يمكنه ببساطة تثبيت جسمه بالكرسي. بل يجب عليه الحفاظ على توازن دقيق ومتغير، بحيث يظل وركه ملامسًا للكرسي بينما تجد قدماه موطئ قدم على الأرض لتوليد الحركة. وإذا فقد الروبوت الاتصال بالمقعد أو انزلق كثيرًا، تفشل المهمة.
ولحل هذه المعضلة، استخدم الباحثون طريقة تسمى "التعلم التعزيزي العميق"، وهي عملية يتعلم فيها برنامج كمبيوتر من خلال التجربة والخطأ في عالم افتراضي. بدأوا ببيئة تدريب قياسية مصممة للروبوتات الواقفة، وقاموا بتعديلها لتشمل سيناريو الجلوس. لم يعرضوا للروبوت فيديوهات لبشر يتحركون، ولم يعطوه مجموعة تعليمات مكتوبة مسبقًا حول كيفية المشي. بدلاً من ذلك، أخبروا الروبوت فقط بالسرعة والاتجاه الذي ينبغي أن يتحرك به، وتركوا له مهمة اكتشاف الباقي. لم يتلقَّ "عقل" الروبوت سوى معلومات أساسية حول وضعية جسمه والأمر المعطى له، دون وجود مستشعرات خاصة للإحساس بالكرسي أو الأرض.
اختبر الباحثون طرقًا مختلفة لتوجيه عملية التعلم. أرادوا معرفة ما إذا كان إضافة قواعد محددة حول كيفية تحريك أقدام الروبوت أو كيفية تعامله مع ساقيه اليمنى واليسرى سيساعد في العملية. إحدى القواعد عاقبت الروبوت إذا انزلقت قدماه على الأرض، آملين في تشجيعه على حركة أكثر سلاسة. وقاعدة أخرى شجعت الروبوت على استخدام ساقيه اليمنى واليسرى بالتساوي، بينما بدأت قاعدة ثالثة الروبوت بأوامر سهلة وبطيئة قبل زيادة الصعوبة تدريجيًا.
كشفت النتائج عن حقيقة مذهلة حول كيفية تعلم الروبوت. فعندما استخدم الباحثون فقط القاعدة المناهضة لانزلاق القدم، فشل الروبوت غالبًا بطريقة غريبة. فبدلاً من تعلم دفع نفسه للأمام، استسلمت بعض نسخ الروبوت وبقيت ساكنة تمامًا، متجاهلة الأوامر بالتحرك قطريًا. لقد وجد الروبوت "فخًا محليًا"، وهو حل يتجنب الانزلاق تقنيًا ولكنه يفشل في أداء المهمة الفعلية. ومع ذلك، عندما جمع الباحثون بين قاعدة عدم الانزلاق وبين قاعدة التماثل أو قاعدة التدرج في الصعوبة، تعلم الروبوت بنجاح. فقد اكتشف كيفية دفع نفسه في جميع الاتجاهات دون أن يعلق.
كان النهج الأكثر فعالية هو الجمع بين زيادة السرعة تدريجيًا وقاعدة تشجع على حركة الساق المتوازنة. سمح هذا المزيج للروبوت بتتبع الأوامر بدقة عالية، وغالبًا ما كان أداؤه أفضل من روبوت مشابه تم تدريبه على الوقوف والمشي. حلل الباحثون بدقة كيفية تحرك الروبوت ووجدوا أن اتجاه السير يغير طريقة استخدامه لساقيه. فعند التحرك للخلف أو للجانب، يثبت الروبوت إحدى قدميه بقوة ويمد ركبته ليدفع الكرسي بعيدًا. أما عند التحرك للأمام، فيفعل العكس: حيث يلمس الأرض بكعبه أولًا ثم يثني ركبته ليسحب نفسه والكرسي نحو تلك القدم.
كان لهذا الاختلاف في الحركة تأثير مباشر على كفاءة الطاقة. كان الروبوت أكثر كفاءة عند التحرك للخلف، يليه التحرك جانبيًا. أما التحرك للأمام فكان المهمة الأكثر استهلاكًا للطاقة، حيث تطلب جهدًا يعادل ضعف الجهد المطلوب للتحرك جانبيًا بالسرعات العالية تقريبًا. ومن المرجح أن الحركة للأمام اعتمدت على ثني الركبة بعد ملامسة القدم للأرض، وهي حركة تولد احتكاكًا أكبر وتتطلب قوة أكبر للحفاظ على السرعة.
خلصت الدراسة إلى اختبار ناجح في العالم الحقيقي. أخذ الباحثون برنامج الكمبيوتر الذي دربوه في المحاكاة وثبته مباشرة على روبوت مادي دون أي تعديلات إضافية. بدأ الروبوت، الجالس على كرسي حقيقي ذي عجلات، في التحرك للأمام والخلف وللجانب، وحتى الدوران، تمامًا كما فعل في التدريب الافتراضي. وتمكن من البقاء جالسًا واتباع الأوامر باستخدام مستشعراته الداخلية فقط، مما أثبت أن الروبوت يمكنه تعلم التنقل في بيئة جلوس معقدة دون الحاجة لرؤية الكرسي أو الإحساس بالأرض. يشير هذا العمل إلى أن الروبوتات قد تنضم إلينا قريبًا عند مكاتبنا، تتحرك حولنا لالتقاط الأدوات أو إعادة تموضعها بينما تظل جالسة، مما يوفر الطاقة ويحاكي طريقة عمل بشرية للغاية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.