Cognitively-Grounded On-Device Runtime Learning for Ground Robots in Unknown Physical Environments
تقدم هذه الورقة البحثية CogRun، وهو إطار عمل ذاتي التشغيل بالكامل يعمل على الأجهزة، يُمكّن الروبوتات الأرضية ذات المهام الحرجة للسلامة من أداء تعلم وقت التشغيل المرتكز معرفياً في بيئات غير معروفة دون خرائط مسبقة أو اتصال عبر دمج وكيل تعلم مبتكر مع وكيل عقلاني مخصص للسلامة.
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 أُرسل إلى غابة لم يسبق له رؤيتها، كُلِّف بمهمة عبور مسار مليء بالأغصان المتساقطة، والثقوب المخفية، والأرض غير المستوية. في عالم الذكاء الاصطناعي، يمثل هذا السيناريو عقبة أساسية. فمعظم الروبوتات اليوم يتم تدريبها في عوالم محاكية مثالية أو مختبرات خاضعة للسيطرة، حيث تتعلم التحرك في بيئات يمكن التنبؤ بها وثابتة. وعندما يتم نشر هذه الآلات في الغابة البرية الفوضوية والمتغيرة أو في مناطق الكوارث، فإنها غالبًا ما تواجه صعوبات. تصبح معرفتها المبرمجة مسبقًا عبئًا لأن العالم الذي تواجهه لا يطابق العالم الذي تعلمت فيه. علاوة على ذلك، تعتمد هذه الروبوتات غالبًا على اتصال مستمر بأجهزة كمبيوتر قوية في السحابة لمعالجة قراراتها. وفي التضاريس الوعرة والنائية، غالبًا ما ينقطع هذا الاتصال، مما يترك الروبوت عالقًا أو غير قادر على التكيف في الوقت الفعلي. التحدي إذن، هو ابتكار آلة يمكنها التعلم أثناء الحركة، وبنفسها تمامًا، مع البقاء آمنة بما يكفي للعمل دون تدخل بشري.
لقد عالج فريق من الباحثين هذا التحدي بنظام جديد يسمى "CogRun"، المصمم للسماح للروبوتات الأرضية بالتعلم بأمان بينما تتحرك فعليًا في مساحات فيزيائية مجهولة. الفكرة الجوهرية هي منح الروبوت شكلاً من أشكال التعلم الفوري الذي يحدث بالكامل على حاسوبه الداخلي، دون الحاجة لإرسال البيانات إلى خادم. يتيح هذا النهج للروبوت التكيف مع العوائق الجديدة والظروف المتغيرة في اللحظة التي يواجهها فيها. بُني النظام على فهم أن التعلم في العالم الحقيقي أمر خطير؛ فالروبوت الذي يحاول ببساطة تجربة أشياء جديدة ليرى ما الذي سينجح قد يسقط أو يصطدم. ولحل هذه المشكلة، صمم الباحثون إطار عمل حيث تتم مراقبة عملية تعلم الروبوت وتوجيهها باستمرار بواسطة نظام سلامة منفصل لا يتعلم. يضمن ذلك أنه بينما يحاول الروبوت تعلم كيفية التحرك بشكل أفضل، فإنه لن يتخذ أبدًا خطوة قد تؤدي إلى انقلابه أو اصطدامه بشيء ما.
يعمل إطار العمل هذا عن طريق تقسيم "عقل" الروبوت إلى ثلاثة أجزاء متميزة تعمل معًا. الجزء الأول هو "الوكيل المتعلم" (Learning Agent)، وهو المستكشف الفضولي؛ حيث يجرب حركات مختلفة، ويلاحظ النتائج، ويحاول تحسين أدائه بناءً على ما يختبره. ومع ذلك، نظرًا لأنه لا يزال في مرحلة التعلم، فقد يرتكب أخطاءً. ولمنع تلك الأخطاء من التحول إلى كوارث، يعمل الجزء الثاني، وهو "الوكيل العقلاني" (Rational Agent)، كحارس سلامة صارم. هذا الوكيل لا يتعلم، بل يعتمد على قواعد مثبتة ومستقرة لضمان بقاء الروبوت منتصبًا وتجنب الاصطدامات. إذا اقترح "الوكيل المتعلم" حركة تبدو خطيرة، يتولى "الوكيل العقلاني" التحكم فورًا لتنفيذ مناورة آمنة بدلاً من ذلك. أما المكون الثالث، وهو "المنسق" (Coordinator)، فيراقب حالة الروبوت في الوقت الفعلي ويقرر أي وكيل هو المسؤول في أي لحظة. إذا كان الروبوت يتحرك بأمان، يسمح "المنسق" لـ "الوكيل المتعلم" بالقيادة. وفي اللحظة التي يدخل فيها الروبوت في موقف خطير، يسلم "المنسق" التحكم إلى "الوكيل العقلاني" حتى يزول الخطر.
ما يجعل هذا النظام فريدًا هو كيفية تعامله مع ذكريات تجاربه. عندما يتعلم الروبوت، فإنه يولد كمية هائلة من البيانات حول ما فعله وما حدث بعد ذلك. معظم الأنظمة تخزن هذه البيانات في قائمة بسيطة وتختار أمثلة عشوائية للتعلم منها. وجد الباحثون أن هذا غير فعال، خاصة في البيئات المتغيرة حيث يمكن للبيانات القديمة أو غير ذات الصلة أن تشتت عملية التعلم. بدلاً من ذلك، يستخدم "CogRun" طريقة مستوحاة من كيفية عمل الذاكرة البشرية؛ فهو يعطي الأولوية للذكريات بناءً على ثلاثة عوامل: مدى تشابه التجربة الماضية مع الوضع الحالي، ومدى حداثة حدوثها، وعدد المرات التي حدثت فيها مواقف مماثلة. يتيح ذلك للروبوت تركيز تعلمه على اللحظات الأكثر صلة، مثل اللحظة الدقيقة التي كاد فيها أن ينزلق على ورقة شجر مبللة، بدلاً من إضاعة الوقت في بيانات من ساعات مضت عندما كانت الظروف مختلفة تمامًا.
لاختبار هذا النظام، نشر الباحثون تقنيتهم على روبوت رباعي الأرجل في غابة حقيقية مجهولة. كانت البيئة مليئة بالمناطق الميتة، والمنخفضات العميقة في الأرض، والثقوب المغطاة بالأوراق التي يمكن أن تخفي سقوطًا. كُلِّف الروبوت بمهمة قطع ثلاثين مترًا من نقطة البداية إلى الهدف. في هذه الاختبارات، كان على الروبوت تعلم كيفية التنقل في التضاريس دون وجود خريطة مسبقة. أظهرت النتائج أن النظام نجح في الحفاظ على سلامة الروبوت طوال عملية التعلم بأكملها. وبينما كان بإمكان نظام سلامة قياسي منع الروبوت من السقوط، إلا أنه كان غالبًا شديد الحذر لدرجة تعيق الحركة بكفاءة. ومع ذلك، سمح نظام "CogRun" للروبوت بتعلم مسار سلس وفعال في بضع عشرات من المحاولات فقط. تعلم الروبوت تعديل مشيته وسرعته للتعامل مع الأرض غير المستوية، ووصل في النهاية إلى هدفه بشكل أسرع بكثير مما كان سيحققه باستخدام استراتيجية ثابتة مبرمجة مسبقًا.
كما اختبر الفريق النظام على مركبة ذاتية القيادة للطرق الوعرة في بيئة غابة محاكية لمعرفة ما إذا كان هذا النهج يعمل على أنواع مختلفة من الآلات. وقارنوا نظامهم بطرق تعلم متقدمة أخرى تحاول التعامل مع السلامة. في هذه المحاكاة، فقدت الأنظمة الأخرى توازنها كثيرًا أو اصطدمت بالعوائق، وغالبًا ما فشلت في إكمال المهمة. في المقابل، أكمل نظام "CogRun" الغالبية العظمى من جولاته دون أي انتهاكات للسلامة. تعلم الروبوت كيفية التنقل عبر الأشجار الكثيفة والمسارات الصخرية، محافظًا على استقراره حتى عندما تغيرت التضاريس بشكل غير متوقع. لاحظ الباحثون أن قدرة النظام على دمج الإجراءات القائمة على القواعد مع الإجراءات القائمة على التعلم كانت أمرًا حاسمًا. فمن خلال المزج بعناية بين الحركات الحذرة لحارس السلامة والحركات التكيفية للوكيل المتعلم، تمكن الروبوت من استكشاف حلول جديدة دون تجاوز خط الخطر أبدًا.
يبرهن هذا العمل على أنه من الممكن للروبوتات أن تتعلم باستمرار في العالم الحقيقي دون الاعتماد على اتصال بالسحابة أو خريطة موجودة مسبقًا للبيئة. ومن خلال الجمع بين وكيل متعلم يسعى للتحسين ووكيل عقلاني يضمن السلامة، وباستخدام نظام ذاكرة يعطي الأولوية للتجارب الأكثر صلة، أنشأ الباحثون إطار عمل يسمًا للآلات التكيف مع الطبيعة غير المتوقعة للعالم الفيزيائي. وتشير التجارب إلى أن هذا النهج يمكن أن يحسن بشكل كبير كلاً من سلامة وكفاءة الروبوتات التي تعمل في بيئات معقدة وغير معروفة، مما يمهد الطريق لآلات أكثر قدرة يمكنها المساعدة في عمليات التعافي من الكوارث، والاستكشاف، وغيرها من المهام الحرجة حيث تكون التضاريس خطيرة للغاية أو غير قابلة للتنبؤ بالنسبة للمشغلين البشر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.