Predictive Zonotope Reduction: Precise Runtime Monitoring under Uncertainty

تعتمد الروبوتات التي تتحرك في العالم الحقيقي على المستشعرات لفهم محيطها. ومع ذلك، فإن هذه المستشعرات ليست مثالية أبدًا؛ فقد تعاني الكاميرا في الضباب، أو قد يتذبذب مقياس المسافة بسبب الضوضاء الكهربائية. وعندما يتخذ الروبوت قرارًا بناءً على هذه القراءات غير المثالية، فإنه يخاطر باتخاذ إجراء يكون إما حذرًا للغاية أو متهورًا بشكل خطير. وللحفاظ على سلامة الروبوتات، يستخدم المهندسون نظام سلامة يسمى "المراقب أثناء التشغيل" (runtime monitor). يعمل هذا النظام كحارس يقظ، حيث يتحقق باستمرار من سلوك الروبوت مقابل مجموعة من القواعد لضمان بقائه ضمن حدود آمنة. ويكمكم التحدي في تمثيل موقع الروبوت غير المؤكد. فإذا افترض المراقب أن الروبوت في نقطة واحدة بالضبط، فقد يغفل عن خطر يتربص خارج تلك النقطة مباشرة. وإذا افترض أن الروبوت يمكن أن يكون في أي مكان في منطقة شاسعة، فسيطلق إنذارًا كثيرًا، مما يؤدي إلى توقف الروبوت دون داعٍ. والهدف هو إيجاد تمثيل دقيق بما يكفي ليكون مفيدًا وبسيطًا بما يكفي ليتم حسابه بسرعة.

لقد أصبح شكل رياضي معروف باسم "الزونوتوب" (zonotope) أداة شائعة لهذه المهمة. تخيل سحابة من المواقع المحتملة للروبوت، مشكلة مثل بالون ممتد متعدد الأبعاد. ومع تحرك الروبوت وتلقيه قراءات مستشعر جديدة، تنمو هذه السحابة ويتغير شكلها. والمشكلة هي أن كل قطعة جديدة من المعلومات تضيف تعقيدًا إلى السحابة، مما يجعل من الصعب تتبعها وحسابها أكثر فأكثر. وفي النهاية، تصبح السحابة كبيرة جدًا لدرجة أن الكمبيوتر الذي يشغل المراقب لا يستطيع مواكبتها، خاصة إذا كان الروبوت يعمل على جهاز صغير يعمل بالبطارية. ولحل هذه المشكلة، يجب على المهندسين تقليص السحابة بشكل دوري، وهي عملية تسمى "الاختزال" (reduction). يقومون بذلك عن طريق استبدال الشكل المعقد بشكل أبسط وأكبر قليلاً، ولكنه لا يزال يحتوي على جميع المواقع المحتملة. والمأزق يكمكم في وجود طرق عديدة لتقليص هذه السحابة، وكل طريقة تنتج نتيجة مختلفة. فبعض الطرق أفضل في الحفاظ على ضيق الشكل في حالات معينة، بينما تعمل طرق أخرى بشكل أفضل في حالات أخرى. تقليديًا، كان المهندسون يختارون طريقة واحدة ويلتزمون بها طوال الرحلة، على الرغم من أن الخيار الأفضل يتغير مع تحرك الروبوت.

لقد طور باحثون في مركز "سيبا هيلمزفلت لآمن المعلومات" (CISPA Helmholtz Center for Information Security) والجامعة التقنية في ميونيخ نهجًا جديدًا يغير كيفية اتخاذ هذا القرار. فبدلاً من الالتزام بطريقة واحدة، يعامل نظامهم، المسمى "اختزال الزونوتوب التنبئي" (Predictive Zonotope Reduction)، اختيار كيفية تقليص السحابة كسلسلة من القرارات. فهو لا يسأل فقط "ما هي أفضل طريقة لتقليص السحابة الآن؟"، بل يسأل أيضًا "ما هي أفضل طريقة لتقليصها الآن، ثم مرة أخرى في الخطوات القليلة القادمة، للحفاظ على الشكل العام ضيقًا قدر الإمكان؟". وللإجابة على ذلك، يستخدم النظام تقنية مستعارة من التحكم في الروبوتات، حيث يقوم الكمبيوتر بالتخطيط لخطوات قليلة للأمام لرؤية عواقب فعله الحالي. إنه يحاكي مسارات مختلفة، وينظر في كيفية تأثير كل خيار من طرق التقليص على شكل السحابة في المستقبل القريب. ومن خلال النظر إلى الأمام، يمكن للنظام اختيار طريقة قد لا تكون مثالية في اللحظة الراهنة، لكنها تهيئ السحابة لتكون أكثر دقة لاحقًا.

ومع ذلك، فإن تشغيل هذه المحاكاة المعقدة في الوقت الفعلي بطيء جدًا بالنسبة للعديد من الروبوتات. ولجعل النظام سريعًا بما يكفي للاستخدام العملي، علم الباحثون برنامج كمبيوتر صغير محاكاة عملية اتخاذ القرار للمخطط البطيء والمتأني. لقد استخدموا عملية تسمى "تقطير السياسة" (policy distillation)، حيث تتعلم شبكة عصبية، تعمل كطالب، من المخطط "المعلم". لا تحتاج الشبكة الطالبة إلى محاكاة المستقبل؛ فهي ببساطة تنظر إلى الشكل الحالي للسحابة وترتب طرق التقليص المتاحة من الأفضل إلى الأسوأ. وهذا يسمح للنظام باتخاذ قرارات عالية الجودة بشكل فوري تقريبًا. ولض ضمان بقاء النظام قويًا، قاموا بدمج عدة شبكات من هذه الشبكات الطلابية في مجموعة، تاركين لها مهمة التصويت على الخيار الأفضل. وإذا كانت المجموعة غير متأكدة، يتدخل مخطط احتياطي لاتخاذ القرار النهائي. هذا الجمع بين التطلع إلى الأمام، والتعلم من الخبرة، والتصويت من أجل السلامة، يسمح للنظام بالعمل على أجهزة متواضعة جدًا، مثل "راسبيري باي 5" (Raspberry Pi 5)، مع الحفاظ على دقة عالية.

اختبر الباحثون نظامهم الجديد على ذراع روبوتية افتراضية ذات خمسة مفاصل تتحرك في بيئة افتراضية. لقد قاموا ببرمجة الذراع لتتحرك بينما تتعرض مستشعراتها لأخطاء واقعية، مما يحاكي نوع الضوضاء الموجود في الأجهزة الواقعية. وقاموا بتشغيل الذراع عبر مئات الحركات المختلفة، مقارنين نظامهم الديناميكي الجديد بالطرق القديمة التي تستخدم طريقة واحدة ثابتة لتقليص سحابة عدم اليقين. كانت النتائج مذهلة؛ فقد قلل النظام الجديد من عدد الإنذارات الكاذبة بهامش كبير. في الاختبارات، أطلقت الطرق الثابتة القديمة توقفات طارئة غير ضرورية في حوالي 30 بالمائة من المرات عندما كان الروبوت آمنًا بالفعل. أما النظام التنبئي الجديد فقد خفض هذا المعدل إلى أقل من 2 بالمائة. وهذا يعني أن الروبوت يمكنه التحرك بحرية وثقة أكبر، مدركًا أن مراقب السلامة لا يطلق إنذارات خاطئة بلا سبب. حقق النظام ذلك بينما كان يعمل بسرعة 100 مرة في الثانية، وهي سرعة كافية لمواكبة الحركات السريعة لروبوت حقيقي.

كما كشفت الدراسة شيئًا مفاجئًا حول كيفية عمل طرق التقليص هذه معًا. فقد وجد الباحثون أن الطريقة التي أدت أفضل أداء بمفردها لم تكن دائمًا هي التي يختارها نظامهم الذكي باستمرار. في الواقع، اختار النظام غالبًا طريقة كانت تعتبر ضعيفة عند استخدامها بمفردها. حدث هذا لأن النظام الذكي أدرك أن استخدام طريقة مختلفة أولاً يمكن أن يعيد تشكيل السح "بشكل يجعل الطريقة "الضعيفة" تعمل بشكل جيد جدًا لاحقًا. لقد كان درسًا في التوقيت والتسلسل: فالحركة الأفضل ليست دائمًا هي الحركة الأقوى في حد ذاتها، بل هي التي تمهد الطريق لأفضل مستقبل. ومن خلال التبديل بين الطرق ديناميكيًا، حافظ النظام على سحابة عدم اليقين أكثر ضيقًا مما يمكن لأي طريقة منفردة تحقيقه بمفردها.

يوضح هذا العمل أن أنظمة السلامة للروبوتات لا يجب أن تكون ثابتة. فمن خلال التعامل مع إدارة عدم اليقين كمسألة ديناميكية تتطلع إلى المستقبل، يمكن للمهندسين إنشاء مراقبين أكثر أمانًا وكفاءة. إن القدرة على تشغيل هذه الحسابات المتقدمة على أجهزة صغيرة وغير مكلفة تفتح الباب أمام المزيد من الروبوتات للعمل بأمان في بيئات معقدة وغير متوقعة. لقد أظهر الباحثون أنه مع النهج الصحيح، يمكن للروبوت فهم عدم اليقين الخاص به بشكل أفضل، مما يؤدي إلى أخطاء أقل وأداء أكثر موثوقية في العالم الحقيقي.