Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence
تقدم هذه الورقة إطار عمل "إعادة استهداف الحركة الموحدة" (UMR)، وهو إطار يتعلم التوافق بين السحب النقطية الكثيفة لتحويل بيانات الحركة البشرية المتنوعة تلقائياً وبشكل قابل للتوسع إلى مسارات روبوتية عالية الدقة دون الاعتماد على خرائط يدوية بين الإنسان والروبوت.
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
تُصمم الروبوتات البشرية لتتحرك عبر عالمنا بنفس السلاسة والقدرة على التكيف التي يمتلكها البشر. ولتعليمها كيفية المشي، أو التقاط الأشياء، أو صعود الدرج، غالبًا ما يستلهم المهندسون من المكتبة الواسعة للحركة البشرية. ومع ذلك، فإن مجرد نسخ حركة الإنسان ونقلها إلى روبوت ليس بالأمر البسيط كضغط زر التشغيل؛ فالبشر والروبوتات مبنيون بشكل مختلف؛ لديهم أشكال أجسام مختلفة، وأعداد مختلفة من المفاصل، وحدود مختلفة لمدى انحناء تلك المفاصل. إذا حاول الروبوت محاكاة وضعية بشرية بدقة، فقد يلتوي نفسه في وضعية مستحيلة أو يفقد توازنه. ولسنوات طويلة، كان الحل يتمثل في رسم خرائط يدوية لمفاصل بشرية محددة بمفاصل روبوتية محددة، مما يخلق مجموعة تعليمات مخصصة لكل تصميم روبوت جديد. هذه العملية بطيئة، وتتطلب معرفة خبيرة، وغالبًا ما تفشل في التقاط التفاصيل الدقيقة لكيفية تفاعل الجسم البشري مع بيئته.
لقذ طور فريق من الباحثين نهجًا جديدًا يسمى "إعادة استهداف الحركة الموحدة" (Unified Motion Retargeting - UMR)، والذي يغير كيفية حدوث عملية الترجمة هذه. فبدلاً من الاعتماد على خريطة يدوية للمفاصل، يعامل النظام الجسم البشري والروبوت كسطحين مغطيين بالملايين من النقاط الصغيرة. تخيل جلد الشخص وجلد الروبوت كسحابتين من النقاط. لقد علم الباحثون حاسوبًا كيفية تعلم كيفية تطابق هاتين السحابتين، وإيجاد مطابقة لكل نقطة على السطح البشري بنقطة على سطح الروبوت. يحدث هذا التعلم مرة واحدة، في وضعية وقوف محايدة، ويتم حفظ الاتصال الناتج. وعندما يتحرك الإنسان، يستخدم النظام هذه الخريطة المتعلمة مسبقًا لتوجيه نقاط سطح الروبوت لتتبع نقاط السطح البشري، بدلاً من محاولة مطابقة عظام أو مفاصل محددة. وهذا يسمح للروبوت بإعادة إنتاج وضعيات معقدة، والأهم من ذلك، فهم مكان وكيفية لمس الأشياء أو الأرض تمامًا كما فعل الإنسان.
تكمن قوة هذه الطريقة في قدرتها على التعامل مع الاختلافات في شكل الجسم دون الحاجة إلى إعداد يدوي جديد لكل روبوت. وفي تجاربهم، طبق الباحثون هذا النظام على مجموعة واسعة من مصادر الحركة البشرية، بما في ذلك البيانات من بدلات التقاط الحركة، والنماذج البشرية الممسوحة ضوئيًا، والرسوم المتحركة المولدة بالحاسوب. ثم قاموا بإعادة استهداف هذه الحركات على خمسة روبوتات بشرية مختلفة، تباينت بشكل كبير في الطول ونسب الجسم. نجح النظام في نقل الحركة عبر كل هذه التوليفات، مما أثبت أن خريطة النقاط من نقطة إلى نقطة التي تم تعلمها تعمل بغض النظر عن الروبوت المحدد المستخدم. وهذا يشير إلى أن الطريقة يمكن أن تتوسع لتشمل أي تصميم روبوت جديد دون الحاجة لأن يقضي المهندسون أسابيع في إعادة تعريف كيفية ارتباط أجزاء جسم الروبوت بالإنسان.
وبعيدًا عن مجرد تحريك الجسم، يحافظ النظام أيضًا على تفاصيل الاتصال الفيزيائي. فعندما يركل إنسان كرة أو يتسلق درجًا، تلمس أجزاء محددة من جسمه أجزاءً محددة من البيئة. كانت الأساليب القديمة تعاني غالبًا في نقل نقاط الاتصال هذه بدقة، مما يؤدي إلى روبوتات قد تخطئ خطوة أو تفشل في الإمساك بجسم ما بشكل صحيح. ولأن النظام الجديد يتتبع السطح بأكمله، فإنه يمكنه نقل خريطة الاتصال مباشرة. فإذا لمست يد الإنسان كرة بزاوية معينة، يتم توجيه يد الروبوت لتلمس الكرة بنفس الطريقة. وفي التجارب التي تضمنت مهام مثل حمل الأشياء، والركل، وتسلق الدرج، أدى الروبوتات التي تدربت باستخدام هذه الطة الجديدة أداءً أفضل بكثير من تلك التي تدربت باستخدام التقنيات السابقة؛ حيث كانت أكثر نجاحًا في إكمال المهام وارتكبت أخطاء أقل في حركات مفاصلها.
كما اختبر الباحثون النظام في بيئة واقعية، حيث قاموا بنشر السلوكيات المتعلمة على روبوت فيزيائي. تمكن الروبوت من أداء حركات عالية الديناميكية، مثل الركلة الدورانية، والتنقل في بيئات معقدة مثل السلالم والمنحدرات. تعامل النظام مع هذه التحديات بمستوى من الاستقرار والدقة يضاهي أو يتجاوز أفضل الأساليب الموجودة، حتى عندما كان الروبوت يعمل في بيئة محاكاة مع وجود متغيرات عشوائية لاختبار متانته. وتشير النتائج إلى أنه من خلال التركيز على هندسة السطح بدلاً من الهيكل العظمي الكامن، يخلق النظام جسرًا أكثر طبيعية وموثوقية بين الحركة البشرية وفعل الروبوت. يوفر هذا النهج مسارًا قابلًا للتوسع، مما يسمح للمهندسين باستخدام مجموعات بيانات ضخمة من الحركة البشرية لتدريب مجموعة متنوعة من الروبوتات دون أن يكونوا مقيدين بالتصميم المحدد للآلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.