Hardware-Accelerated Instance Segmentation for Resource-Constrained Space Robotics with Criticality Analysis
تقدم هذه الورقة إطار عمل لتجزئة المثيلات موجهًا للنشر في الروبوتات القمرية ذات الموارد المحدودة، يجمع بين استراتيجية معايرة أخذ العينات المعلوماتية لتباين التنشيط الخالية من الملصقات، ونموذج YOLO المحسن لوحدة معالجة البيانات (DPU) مع زمن انتقال محدود، وتحليل حرج على مستوى البرمجيات لتحقيق إدراك موثوق ومنخفض الطاقة في الوقت الفعلي تحت ظروف الإضاءة المنخفضة للغاية وظروف الأعطال الناجمة عن الإشعاع.
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 روبوتاً أُرسل إلى سطح القمر، كُلفت بمهمة التنقل بمفرده عبر تضاريس من الصخور المسننة والفوهات العميقة. لا يمكنه انتظار التعليمات من الأرض، حيث يستغرق وصول الإشارة عدة ثوانٍ، ولا يمكنه طلب المساعدة إذا تحطم. لكي ينجو، يجب أن يرى محيطه بوضوح، ويحدد المخاطر، ويرسم مساراً آمناً في الوقت الفعلي. ومع ذلك، فإن البيئة التي يواجهها معادية بثلاث طرق متميزة. أولاً، غالباً ما تكون الإضاءة قاسية، مع ظلال عميقة وانعكاسات مبهرة من الأرض المغبرة التي تربك الكاميرات القياسية. ثانياً، يحمل الروبوت قدرة حوسبة وطاقة ضئيلة جداً؛ فلا يمكنه تشغيل البرمجيات الثقة والمستهلكة للطاقة المستخدمة على الأرض. ثالثاً، وهو الأمر الأكثر خطورة، فإن بيئة الفضاء مليئة بالإشعاع الذي يمكنه بصمت تغيير البتات (bits) في ذاكرة الكمبيوتر، مما يتسبب في وقوع الروبوت في أخطاء دون أي إنذارات أو رسائل خطأ. ومن أجل نجاح المهمة، يجب أن يكون "عقل" الروبوت دقيقاً بما يكفي لرؤية التضاريس، وفعالاً بما يكفي للعمل على بطارية صغيرة، وقوياً بما يكفي للاستمرار في العمل حتى عندما يحاول الإشعاع إفساد أفكاره.
هذا هو التحدي الذي واجهه فريق من الباحثين الذين طوروا طريقة جديدة لتشغيل برمجيات رؤية متقدمة على مركبة جولة قمرية. لقد ركزوا على نوع محدد من الذكاء الاصطناعي يسمى "تجزئة المثيلات" (instance segmentation)، والذي يفعل ما هو أكثر من مجرد رصد جسم ما؛ بل يرسم تحديداً دقيقاً حول كل صخرة وفوهة، بكسل تلو الآخر. هذا المستوى من التفصيل أمر بالغ الأهمية ليعرف الروبوت بالضبط أين يمكنه القيادة دون أن يعلق. أخذ الباحثون نموذج رؤية قوياً، يتطلب عادةً كمبيوتراً ضخماً، وطوعوه ليعمل على معالج متخصص منخفض الطاقة مصمم للفضاء. لكن مجرد تصغير البرمجيات لم يكن كافياً. فقد اكتشفوا أن جعل البرمجيات أصغر وأسرع غالباً ما يجعلها أقل دقة، خاصة في ضوء القمر الخافت. ولحل هذه المشكلة، ابتكروا طريقة جديدة لتعليم البرمجيات كيفية التعامل مع انخفاض دقتها. فبدلاً من استخدام أمثلة عشوائية لضبط النظام، طوروا استراتيجية تختار تلقائياً الصور الأكثر غنى بالمعلومات بناءً على كيفية تفاعل الطبقات الداخلية للبرمجيات معها. يضمن ذلك أن تتعلم البرمجيات الطريقة الصحيحة للرؤية، حتى بدون تسميات بشرية أو إعادة تدريب.
كان على الفريق أيضاً التأكد من أن البرمجيات ستتصرف بشكل يمكن التنبؤ به. في الفضاء، لا يمكن للكمبيوتر أن يتحمل التوقف أو التردد أثناء محاولة فهم كيفية استخدام ذاكرته. قاموا بتعديل هيكل البرمجيات بحيث تكون كل خطوة من العملية ثابتة ومخطط لها مسبقاً، مما يلغي أي احتمال لتعثر النظام أو تباطؤه بشكل غير متوقع. قاموا بتشغيل المهام الشاقة لعملية الرؤية على مسرع أجهزة مخصص، بينما تولى معالج قياسي عملية التنظيف النهائي للبيانات. سمح هذا التقسيم في العمل للنظام بالعمل بسرعة ثابتة تبلغ 309 مللي ثانية لكل صورة مع استهلاك 5.7 واط فقط من الطاقة، وهو مستوى من الكفاءة يناسب الحدود الصارمة للطاقة لمركبة قمرية صغيرة.
بعيداً عن السرعة والدقة، عالج الباحثون التهديد الصامت للإشعاع. لقد بنوا نظاماً لتحليل الأجزاء الأكثر عرضة للتلف بسبب إشعاع الفضاء. ومن خلال قياس مقدار الذاكرة التي يستخدمها كل جزء من البرمجيات والوقت الذي يستغرقه للتشغيل، تمكنوا من ترتيب المكونات حسب الخطورة. وجدوا أن محرك المعالجة الأساسي ونظام التشغيل هما الجزءان الأكثر حرجاً. وباستخدام خريطة الضعف هذه، طبقوا حمايات مستهدفة، مثل تكرار الحسابات الحرجة وإضافة أكواد فحص الأخطاء إلى الذاكرة. لم تعالج هذه الإجراءات الإشعاع نفسه، لكنها قللت بشكل كبير من احتمال حدوث فشل كارثي ناتج عن ضربة إشعاعية واحدة. وكانت النتيجة نظاماً قلل من خطر الفشل الإجمالي بأكثر من 30 بالمائة مقارنة بالنسخة غير المحمية.
وعند اختبار النظام على منصة مركبة جولة قمرية محاكية، أثبت النظام جدارته. تسببت الطريقة القياسية لتصغير البرمجيات في انخفاض ملحو-ظ في الدقة، مما جعل الروبوت أقل قدرة على رؤية حواف الصخور. ومع ذلك، فإن طريقة الاختيار الجديدة التي طورها الفريق، جنباً إلى جنب مع التصحيح للأخطاء الصغيرة في حسابات البرمجيات، استعادت ما يقرب من 70 بالمائة من تلك الدقة المفقودة. استطاع الروبوت مرة أخرى رؤية التضاريس بدقة عالية، ورسم خطوط نظيفة حول المخاطر حتى في الضوء الخافت. حدثت العملية بأكملها في أقل من ثلث ثانية، وهي سرعة كافية لرد فعل المركبة تجاه العوائق أثناء حركتها. يوضح هذا العمل أنه من الممكن بناء نظام ذكاء اصطناعي للفضاء لا يكون ذكياً وسريعاً فحسب، بل مرناً أيضاً. ومن خلال الموازنة بعناية بين كيفية تعلم البرمجيات، وكيفية تشغيلها على الأجهزة، وكيفية حماية نفسها من البيئة القاسية، وضع الباحثون مخططاً لاستكشاف فضائي أكثر أماناً وموثوقية على القمر وما وراءه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.