Adaptive Cost-Sensitive Machine Learning for Autonomous Robot Navigation Failure Prediction: When Not All Errors Are Equal

أصبحت الروبوتات ذاتية القيادة مشاهد مألوفة في المستودعات، والمستشفيات، وحتى في شوارع المدن، حيث تُكلف بالانتقال من نقطة إلى أخرى دون مساعدة بشرية. وللقيام بذلك، تعتمد هذه الروبوتات على مزيج معقد من المستشعرات والبرمجيات التي تبني خريطة للعالم وترسم مساراً خلاله. لسنوات طويلة، كان الهدف الأساسي للباحثين هو جعل هذه الآلات تتحرك بشكل أسرع وأكثر دقة. ومع ذلك، ظهر نوع مختلف من المشكلات: كيف نعرف متى يوشك الروبوت على ارتكاب خطأ خطير قبل وقوعه؟ في عالم السلامة، ليست كل الأخطاء متساوية؛ فالروبوت الذي يبتعد قليلاً عن مساره المحدد يمثل إزعاجاً، لكن الروبوت الذي يصطدم بشخص أو بجدار يمثل كارثة. غالباً ما تعامل برامج الكمبيوتر التقليدية هذين النتيجتين ببساطة كـ "أخطاء"، فتعجز عن التمييز بين الإزعاج البسيط والحدث المهدد للحياة. وقد دفع هذا الفجوة في الفهم الباحثين إلى طرح سؤال أكثر إلحاحاً: هل يمكننا تعليم الروبوتات التنبؤ بإخفاقاتها الخاصة، والأهم من ذلك، هل يمكننا تعليمها أن تهتم أكثر بالإخفاقات الأكثر أهمية؟

لقد تصدت ريفا فيرزانا، الباحثة في جامعة إدنبرة، لهذا التحدي من خلال إعادة التفكير في كيفية تعلم الروبوتات توقع الخطر. فبدلاً من مطالبة الروبوت بمجرد التنبؤ بما إذا كان سيفشل، فإن النهج الجديد يسأل الروبوت عن التنبؤ بمدى شدة ذلك الفشل. تخيل روبوتاً يتنقل في غرفة مليئة بالعوائق؛ إذا انحرف قليلاً عن مساره، فإنه يهدر بعض الوقت فقط. وإذا اقترب كثيراً من جدار، فإنه يخاطر بالاصطدام به. أما إذا اصطدم بجدار بسرعة، فإنه يتسبب في ضرر. يبني عمل فيرزانا نظاماً يتم فيه تدريب الروبوت على إدراك أن هذه السيناريوهات الثلاثة تحمل أوزاناً مختلفة تماماً. ينتقل هذا البحث بعيداً عن اختبار "النجاح أو الفشل" البسيط، ويخلق بدلاً من ذلك بيئة تدريبية يتعلم فيها الروبوت أن تفويت "وشك وقوع حادث" أكثر تكلفة بكثير من تفويت انحراف بسيط في المسار.

ولاختبار هذه الفكرة، أنشأت الباحثة عالماً افتراضياً حيث كان على روبوت صغير ذي عجلات التنقل في ساحة تبلغ مساحتها عشرين في عشرين متراً مليئة بثمانية عوائق دائرية موضوعة عشوائياً. تم إعطاء الروبوت هدفاً ومجموعة من المستشعرات لرؤية محيطه، تماماً مثل سيارة مع سائق. أنجز الفريق ألفين من الرحلات المنفصلة، أو الحلقات، لإكمالها الروبوت، بإجمالي حوالي مليون لحظة حركة. في هذا العالم المحاكي، تعرض الروبوت لظروف متنوعة، مثل مستشعرات صاخبة تعطي قراءات ضبابية أو تغيرات مفاجئة في أوامر حركته الخاصة. لم يكن الهدف مجرد رؤية ما إذا كان الروبوت يستطيع إنهاء الرحلة، بل لمعرفة ما إذا كان برنامج كمبيوتر يمكنه النظر إلى حالة الروبوت الحالية والتنبؤ بما إذا كان على وشك ارتكاب خطأ جسيم.

يكمن جوهر الاكتشاف في كيفية تعلم برنامج الكمبيوتر. في التدريب القياسي، ينظر الكمبيوتر إلى آلاف الأمثلة ويحاول الحصول على الإجابة الصحيحة قدر الإمكان، وإذا ارتكب خطأً، فإنه يتلقى عقوبة. في هذا النظام الجديد، ليست العقوبة هي نفسها لكل خطأ؛ فعندما ارتكب الروبوت خطأً طفيفاً، كانت العقوبة صغيرة. وعندما حدث "وشك وقوع حادث"، كانت العقوبة أكبر بخمس مرات. وعندما كان على وشك الاصطدام، كانت العقوبة أكبر بخمس وعشرين مرة. هذا التغيير البسيط في كيفية تعليم الكمبيوتر أجبره على إبداء اهتمام وثيق جداً بالمواقف الخطيرة. كانت النتائج مذهلة؛ فعندما استخدم الباحثون هذا التدريب "الحساس للتكلفة"، قفزت قدرة النظام على رصد الإخفاقات عالية الشدة من رصد حوالي خمسة وثمانين بالمائة إلى رصد ما يقرب من تسعة وتسعين بالمائة منها.

ذهب البحث خطوة أبعد بإضافة طبقة من السياق. أدرك الباحثون أن "وشك وقوع حادث" ليس دائماً بنفس القدر من الخطورة؛ فالاقتراب البطيء من الجدار مع مستشعرات واضحة أقل خطورة من الاقتراب السريع مع مستشعرات ضبابية. ولأخذ ذلك في الاعتبار، تم تحديث النظام لتعديل درجة تأهبه بناءً على سرعة الروبوت، ومدى قربه من العوائق، ومدى عدم اليقين في مستشعراته. إذا كان الروبوت يتحرك بسرعة أو كانت المستشعرات تعاني، يصبح النظام تلقائياً أكثر تحفظاً، ويطلق الإنذار بسهولة أكبر. هذا النهج التكيفي دفع معدل الكشف إلى مستويات أعلى، حيث رصد تقريباً كل حدث عالي الشدة في المحاكاة.

ومع ذلك، كان الباحثون حذرين في كونهم صادقين بشأن المقايضات. فمن خلال جعل النظام حساساً جداً للخطر، بدأ أيضاً في إطلاق الإنذار بشكل متكرر عند عدم وجود خطر حقيقي، وهو ما يُعرف بالإنذار الكاذب. وجدت الدراسة أنه بينما كان النظام التكيفي ممتازاً في رصد جميع الاصطدامات تقريباً، فقد فعل ذلك من خلال وسم العديد من اللحظات الآمنة على أنها خطرة. وعندما قارن الباحثون الأنظمة تحت نفس الظروف، وجدوا أن الطريقة التكيفية كانت أفضل قليلاً في التمييز بين الخطر الحقيقي والسلامة من الطريقة الأبسط؛ لم تكن الفائدة الرئيسية في أن النظام أصبح أذكى في ترتيب المخاطر، بل في أنه كان مستعداً لأن يكون أكثر حذراً. لقد اختار إطلاق الإنذار بشكل متكرر لضمان عدم تفويت أي حدث خطير.

وللتأكد من أن هذه النتائج لم تكن مجرد نتيجة لمحاكاة الكمبيوتر، اختبر الفريق طريقتهم باستخدام بيانات من العالم الحقيقي لروبوت استُخدم في دراسات سابقة. هذا الروبوت، المجهز بأربعة وعشرين مستشعراً فوق صوتياً، كُلف باتباع جدار. وعلى الرغم من أن هذا الروبوت لم يكن مصمماً للاصطدام، إلا أن الباحثين قاموا برسم حركاته وفق مقياس الشدة الخاص بهم. وقد صمدت النتائج: سمح التدريب الحساس للتكلفة للنظام برصد المناورات الطارئة بدقة مثالية، وهو تحسن كبير عن الطرق القياسية. وقد أكد هذا أن النهج يعمل ليس فقط في عالم افتراضي، بل أيضاً مع بيانات من آلات حقيقية.

كما استكشف البحث ما يحدث عندما يصطدم الروبوت بالفعل. في المحاكاة الرئيسية، كانت ضوابط السلامة في الروبوت جيدة جداً لدرجة أنه لم يصطدم بأي شيء. ولاختبار قدرة النظام على التنبؤ بالاصطدامات الحقيقية، أنشأ الباحثون محاكاة ثانية أكثر صعوبة حيث يكون الروبوت أكثر عرضة للاصطدام بالعوائق. في هذه البيئة الأكثر قسوة، تحسنت قدرة النظام على التنبؤ بالاصطدام من خمسة وثمانين بالمائة إلى ما يقرب من تسعة وتسعين بالمائة. وانخفضت تكلفة تفويت الاصطدام بشكل كبير، من ألف وحدة من الضرر المحتمل إلى مائة وحدة فقط. أثبت هذا أن الطريقة فعالة حتى بالنسبة لأشد أنواع الفشل خطورة، رغم أنها جاءت مع معدل مرتفع من الإنذارات الكاذبة، حيث وسمت ما يقرب من ثمانين بالمائة من اللحظات الآمنة كخطرة.

خلص الباحثون إلى أن القيمة الأكبر لهذا العمل لا تكمن في الأرقام فحسب، بل في تغيير المنظور. فقد جادلوا بأن مجتمع الروبوتات يحتاج إلى التوقف عن معاملة جميع الأخطاء على أنها متساوية؛ فالنظام الذي تبلغ دقته تسعة وتسعين بالمائة ولكنه يفتقد الاصطدام الوحيد الذي يدمر الروبوت هو فشل في عالم حساس للسلامة. ومن خلال تعليم الآلات وزن أخطائها وفقاً لتبعاتها، يمكننا بناء أنظمة تعطي الأولوية لسلامة البشر وحماية المعدات على حساب الكفاءة البسيطة. تشير الدراسة إلى أن هذا النهج يوفر طريقة مبدئية لتقرير مدى حذر الروبوت، مما يسمح للمهندسين برفع مستوى السلامة حسب البيئة. وبينما يتطلب النظام مقايضة تتمثل في كثرة الإنذارات الكاذبة، يرى الباحثون أن هذا ثمن يستحق الدفع في الحالات التي يكون فيها الاصطدام كارثياً. ويقف هذا العمل كدليل على أنه مع التدريب الصحيح، يمكن للآلات أن تتعلم فهم أن ليس كل الأخطاء متساوية.