← أحدث الأبحاث
💻 computer science

APEX-RBD: Mixed-Precision Exploration Framework for Hardware-Efficient Robot Dynamics Accelerator Design

يُعد APEX-RBD إطار عمل مؤتمتًا يتيح استكشافًا فعالًا للدقة المختلطة لمسرعات ديناميكيات الروبوت من خلال الاستفيدادة من تقليم مساحة البحث المدفوع بالفيزياء ونموذج بديل كفء في البيانات لتحديد تكوينات الأجهزة التي تقلل بشكل كبير من استهلاك المساحة والطاقة مع الحفاظ على دقة الحركة.

المؤلفون الأصليون: Xingyu Liu, Hanwei Fan, Chaofang Ma, Jiawei Liang, Guangyu Hu, Jiang Xu, Wei Zhang

نُشر 2026-09-07
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Xingyu Liu, Hanwei Fan, Chaofang Ma, Jiawei Liang, Guangyu Hu, Jiang Xu, Wei Zhang

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

تعتمد الروبوتات التي تتحرك بمرونة الكائنات الحية على محادثة مستمرة وعالية السرعة بين مستشعراتها وعضلاتها. وفي قلب هذه المحادثة تكمن مجموعة من الحسابات تُعرف باسم ديناميكيات الأجسام الصلبة. هذه هي القواعد الرياضية التي تحدد كيف ستتأرجح أطراف الروبوت، وكم مقدار القوة المطلوبة لرفع جسم ما، وكيف ستكون ردة فعل الآلة عندما تتعثر. ولكي يتحرك الروبوت في الوقت الفعلي، يجب أن تتم هذه الحسابات آلاف المرات في كل ثانية. فإذا كان الكمبيوتر داخل الروبوت بطيئاً جداً، فإن الآلة ستتعثر أو تسقط؛ وإذا كان كبيراً جداً أو يستهلك الكثير من الطاقة، فلن تتمكن طائرة مسيرة أو روبوت يمشي من حمله. لسنوات، حاول المهندسون بناء رقائق خاصة لتسريع هذه الحسابات، لكن الرقائق نفسها أصبحت تشكل عائقاً؛ فهي غالباً ما تكون كبيرة جداً وتستهل الكثير من الكهرباء بحيث لا يمكن وضعها على حافة الروبوت (the edge)، مما يفرض مقايضة صعبة بين مدى ذكاء الآلة ومدة تشغيلها.

يكمن التحدي في طبيعة الرياضيات نفسها. ولجعل هذه الحسابات أسرع، غالباً ما يستخدم المهندسون تقنية تسمى "الكمية" (quantization)، وهي تبسيط الأرقام التي يستخدمها الكمبيوتر. تخيل أنك تحاول قياس المسافة إلى جدار باستخدام مسطرة تحتوي فقط على علامات بوصة مقابل أخرى تحتوي على علامات مليمتر؛ مسطرة البوصة أسرع في القراءة ولكنها أقل دقة. في الماضي، حاول الباحثون تبسيط كل رقم في حسابات الروبوت باستخدام نفس مستوى الدقة، مثل استخدام مسطرة تحتوي على علامات بوصة فقط للوظيفة بأكملة. هذا النهج، رغم بساطته، يعد هدراً؛ فهو يعامل كل رقم كما لو كان يحتاج إلى نفس المستوى من التفاصيل، حتى عندما تكون بعض أجزاء الحساب متسامحة مع الخطأ وأجزاء أخرى حرجة. فخطأ صغير في حساب معين يمكن أن يتسبب في انحراف الروبوت عن مساره، لكن خطأً كبيراً في جزء آخر قد لا يُلاحظ. كانت المشكلة هي أن العثور على التوازن المثالي للدقة لكل رقم كان يشبه البحث عن إبرة في كومة قش يتغير حجمها باستمرار.

قام فريق من الباحثين في جامعة هونغ كونغ للعلوم والتكنولوجيا بتطوير إطار عمل جديد يسمى APEX-RBD لحل هذه المشكلة. فبدلاً من إجبار كل رقم على أن يكون متساوياً، يقوم نظامهم تلقائياً بتحديد مقدار الدقة التي يحتاجها كل جزء من الحساب. لقد أدركوا أن بعض المتغيرات في دماغ الروبوت حساسة جداً للأخطاء، بينما غيرها ليس كذلك. ومن خلال منح الأجزاء الحساسة دقة عالية والأجزاء الأقل حساسية دقة منخفضة، استطاعوا تقليص حجم الأجهزة بشكل كبير دون جعل الروبوت يسقط. ومع ذلك، فإن عدد التشكيلات الممكنة لمستويات الدقة المختلفة شاسع جداً لدرجة أن فحصها واحداً تلو الآخر سيستغرق سنوات. وللتغلب على ذلك، بنى الباحثون "مستكشفًا ذكياً" يتعلم التنبؤ بنتيجة التصميم دون الحاجة إلى تشغيل المحاكاة الكاملة والمستهلكة للوقت في كل مرة.

يعمل إطار العمل عبر ثلاث مراحل متميزة للسيطرة على هذا التعقيد. أولاً، يقوم بتجميع الآلاف من المتغيرات في حسابات الروبوت بناءً على كيفية سلوكها الفيزيائي. ثم يحلل مدى حساسية كل مجموعة للأخطاء، مما ينشئ خريطة توضح أي الأرقام هي الأكثر أهمية. هذه الخطوة وحدها تقلل من عدد الاحتمالات التي يحتاج الكمبيوتر للنظر فيها. بعد ذلك، يقوم النظام بتدريب نموذج خفيف الوزن ليعمل كـ "كرة بلورية"؛ فبدلاً من محاكة حركة الروبوت بالكامل لكل فكرة تصميم جديدة، وهو أمر يستغرق ساعات، يتنبأ هذا النموذج بالنتيجة النهائية في أجزاء من الثانية. إنه يتعلم من مجموعة صغيرة من الأمثلة، مستخدماً خريطة الحساسية لفهم كيفية انتقال الأخطاء في جزء واحد من النظام وتأثيرها على الحركة النهائية. أخيراً، يستخدم النظام استراتيجية بحث هجينة للعثور على التشكيل الأفضل؛ حيث يجمع بين البحث الواسع لإيجاد المناطق الواعدة وعملية الضبط الدقيق التي تعدل دقة متغيرات معينة لاستخراج كل قطرة ممكنة من الكفاءة.

عندما اختبر الباحثون هذا النهج على ثلاثة روبوتات مختلفة تماماً — ذراع بسبعة مفاصل، وروبوت رباعي الأرجل باثني عشر مفصلاً، وروبوت بشري مكون من تسعة وعشرين مفصلاً — وجدوا تحسينات هائلة. مقارنة بالطريقة القياسية حيث تُعامل جميع الأرقام بالتساوي، قللت تصاميمهم المحسنة الحجم الفيزيائي للأجهزة بمقدار يصل إلى 1.9 مرة، وخفضت استهلاك الطاقة بمقدار يصل إلى 1.8 مرة. وقد تحققت هذه الوفورات مع الحفاظ على دقة حركة الروبوت كما كانت في السابق. تمكن النظام من إيجاد هذه التصاميم الفعالة في حوالي عشر ساعات على محطة عمل قياسية، وهي مهمة كان من المستحيل تحقيقها بالأساليب القديمة. يوضح هذا العمل أنه من خلال فهم الاحتياجات الفريدة لكل جزء من دماغ الروبوت، يمكن للمهندسين بناء آلات أصغر حجماً، وأكثر كفاءة في استهلاك الطاقة، وقادرة على تنفيذ مهام معقدة عند الحافة (on the edge)، مما يقربنا من مستقبل يمكن للروبوتات فيه التحرك بحرية واستقلالية في عالمنا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →