أصبحت الروبوتات أكثر قدرة على التحرك في العالم، لكن إعطاءها قائمة من التعليمات حول ما يجب القيام به غالبًا ما يكون جامدًا للغاية بالنسبة للواقع الفوضوي لمستشفى، أو مستودع، أو كوكب بعيد. قد تقول قائمة بسيطة "اذهب إلى هنا، ثم اذهب إلى هناك"، لكنها تعاني مع أسئلة "ماذا لو" التي تحدد الحياة الواقعية: ماذا لو رأى الروبوت بقعة وسيحتاج إلى تنظيفها؟ ماذا لو كان يجب تنفيذ مهمتين ضمن نافذة زمنية محددة، ولكن ليس بالضرورة بترتيب ثابت؟ لسنوات، استخدم الباحثون طريقة تسمى "الترتيب الجزئي الموقوت" لحل هذه المشكلة. فكر في الأمر كمخطط انسيابي حيث توضح الأسهم أي المهام يجب أن تحدث قبل غيرها، وتضمن الساعات أن تتم في حدود زمنية معينة. هذا النهج واضح للبشر وسهل المعالجة للحواسيب، لكن لديه نقطة عمياء؛ فهو لا يستطيع بسهولة التعامل مع قواعد التوقيت المعقدة بين المهام غير المرتبطة، ولا يمكنه بسهء قول: "نفذ الخطوة التالية فقط إذا استوفى شرط معين في البيئة".

قام فريق من الباحثين في جامعة كولورادو بولدر بتطوير طريقة جديدة لسد هذه الفجوة، حيث ابتكروا نظامًا أطلقوا عليه اسم "الترتيب الجزئي الموقوت الشرطي". يتيح هذا الإطار للمهندسين كتابة مهام للروبوتات تكون أكثر مرونة وواقعية. يمكن للنظام الجديد فرض قواعد مثل: "يجب أن تتم هاتان المهمتان في غضون عشرين دقيقة من بعضهما البعض، بغض النظر عن أيهما يأتي أولاً"، أو "إذا مر الروبوت بالقرب من منطقة معينة، فيجب عليه تنفيذ مجموعة جديدة من المهام فورًا". أثبت الباحثون أنهم يستطيعون ترجمة هذه المهام الشرطية المعقدة إلى مسألة رياضية يمكن للحاسوب حلها لإيجاد أسرך مسار ممكن. ومع ذلك، اكتشفوا أيضًا أنه كلما زاد تعقيد هذه المهام، يمكن أن ينفجر وقت حساب الحاسوب، ليصبح بطيئًا جدًا لدرجة تجعله غير مفيد. ولحل هذه المشكلة، اخترعوا طريقة لتقسيم المهمة الضخمة والمعقدة إلى قطع أصغر ومستقلة؛ حيث يقومون بحل كل قطعة صغيرة على حدة، ثم يربطون الإجابات معًا. أظهرت اختباراتهم أن هذا النهج يمكن أن يجعل عملية التخطيط أسرع بمقدار عشرة آلاف مرة من محاولة حل المهمة بأكملها دفعة واحدة، دون التضحية بجودة الخطة.

يكمن جوهر هذا العمل في كيفية توسيع اللغة المستخدمة للتحدث مع الروبوتات. في عملهم السابق، كانت مهمة الروبوت عبارة عن خريطة ثابتة للأحداث؛ فإذا كانت المهمة موجودة على الخريطة، وجب على الروبوت تنفيذها، وإذا وجدت قاعدة توقيت، فإنها تنطبق على المهمة بأكملها. أما النظام الجديد فيقدم طبقة من المنطق تتفاعل مع العالم. تخيل روبوتًا في مستشفى مكلفًا بجمع عينات الدم وتسليم النتائج؛ في النظام القديم، سيتبع الروبوت جدولًا زمنيًا ثابتًا، أما في النظام الجديد، فيمكن إخبار الروبوت: "إذا مررت بالصدفة بجانب جناح أمراض القلب، فيجب عليك أيضًا التقاط تقرير تخطيط القلب وتسليمه في غض_ون خمس عشرة دقيقة". لا يحتاج الروبوت إلى معرفة مكان جناح أمراض القلب مسبقًا؛ فهو ببساطة يتبع المسار، وإذا تحقق الشرط، يتم تفعيل المهام الإضافية وقواعد التوقيت الصارمة الخاصة بها تلقائيًا. وهذا يجعل تعليمات الروبوت أقرب بكثير إلى كيفية إعطاء الأوامر من قبل مشرف بشري، حيث تتكيف مع ما يحدث فعليًا على الأرض.

ولإنجاح ذلك، كان على الباحثين حل لغز رياضي صعب. فقد أظهروا أن العثور على أفضل مسار لروبوت بهذه القواعد الشرطية هو نفسه حل مشكلة توجيه معقدة، تشبه العث find أكثر الطرق كفاءة لزيارة مجموعة من المواقع مع نوافذ زمنية محددة. لقد ترجموا هذا إلى تنسيق يمكن للحواسيب حله باستخدام تقنية تسمى "البرمجة الخطية بمضاعفات صحيحة مختلطة". تضمن هذه الطة أن الروبوت سيجد مسارًا يستوفي جميع القواعد، ولكن لها جانب سلبي؛ فمع زيادة عدد المهام والشروط، ينمو حجم المسألة الرياضية لدرجة أن الحواسيب القوية قد تتعثر، وتستغرق ساعات أو أيامًا لإيجاد إجابة. وهذا عائق شائع في مجال الروبوتات: فكلما زادت مرونة التعليمات، زادت صعوبة تحديد الحاسوب للخطة.

كان حل الباحثين هو التوقف عن محاولة حل المشكلة بأكملها دفعة واحدة. فقد أدركوا أن العديد من المهام تتكون من مجموعات أصغر من المهام المترابطة ببعضها البعض، والتي ترتبط ارتباطًا وثيقًا ببعضها ولكنها ترتبط ارتباطًا ضعيفًا ببقية المهمة. على سبيل المثال، قد يكون تسلسل مهام التنظيف الذي يتم تحفيزه بسبب بقعة زيت عبارة عن وحدة مستقلة تبدأ عندما يدخل الروبوت منطقة البقعة وتنتهي عندما يغادرها. طور الباحثون خوارزمية للعثور تلقائيًا على هذه المجموعات، أو "المهام الفرعية"، داخل المهمة الأكبر. ثم قاموا بحل التوقيت والمسار لكل مجموعة صغيرة بشكل مستقل. وبمجرد حصولهم على أفضل مسار لكل مجموعة صغيرة، تعاملوا مع كل مجموعة كخطوة واحدة في المهمة الأكبر، حيث أدخلوا الوقت الذي استغرقته المجموعة في الحساب. لقد حول هذا المسألة واحدة ضخمة ومستحيلة الحل إلى سلسلة من المسائل الصغيرة السهلة.

كانت نتائج هذا النهج مذهلة. في اختباراتهم، قارن الباحثون طريقتهم الجديدة بالطريقة القديمة المتمثلة في حل المهمة بأكملها دفعة واحدة. بالنسبة للمهام البسيطة، كانت كلتا الطريقتين سريعتين، ولكن مع زيادة تعقيد المهام، وزيادة الشروط وقواعد التوقيت الصارمة، تباطأت الطريقة القديمة بشكل كبير، حيث استغرقت أحيانًا دقائق أو حتى ساعات. ومع ذلك، ظلت طريقة التفكيك الجديدة سريعة، وغالبًا ما كانت تحل نفس المشكلات في أقل من ثانية. وفي أصعب الحالات، كانت الطريقة الجديدة أسرع بمقدار عشرة آلاف مرة. والأهم من ذلك، أثبت الباحثون رياضيًا أن هذه السرعة لم تأتِ على حساب الجودة؛ فالخطط الناتجة عن تقسيم المهمة إلى أجزاء كانت بجودة الخطط الناتجة عن حل المهمة بأكملها دفعة واحدة، حيث وجدوا نفس المسارات المثلى واستوفوا نفس قيود التوقيت.

لقد أثبت الباحثون ذلك من خلال سيناريوهين من الواقع. في الأول، كان يتعين على روبوت في مستودع زيارة ثلاثة أرفف والعودة إلى منصة العمل. إذا سلك الروبوت مسارًا يعبر بقعة زيت، فإنه ملزم بالتوقف وتنظيف ثلاث مناطق محددة قبل المتابعة. نجح النظام في تخطيط مسار يتجنب البقعة إذا كان ذلك ممكنًا، ولكن إذا تطلب أقصر مسار عبورها، يقوم الروبوت تلقائيًا بإدراج تسلسل التنظيف في خطته، مما يضمن إنهاء التنظيف ضمن الحدود الزمنية المطلوبة. وفي السيناريو الثاني، كان على مركبة فضية (روفر) على المريخ تحليل عينات التربة. إذا مرت المركبة بتكوين صخري معين، فيتعين عليها الانتقال إلى موقع جديد وجمع عينة ضمن نافذة زمنية صارمة. خطط النظام لمسار يتجنب التكوين الصخري كلما أمكن ذلك، ولكن عندما أجبرت التضاريس المركبة على المرور به، تكيف المخطط بسلاسة ليشمل مهمة أخذ العينات الإضافية.

يمثل هذا العمل خطوة كبيرة للأمام في جعل الروبوتات أكثر استقلالية وقدرة على التكيف. فمن خلال السماح لمواصفات المهمة بأن تكون شرطية ومعقدة زمنياً، منح الباحثون المهندسين أداة لكتابة تعليمات تبدو أكثر طبيعية وأقل هشاشة. إن القدرة على تقسيم هذه التعليمات المعقدة إلى قطع يمكن إدارتها تعني أن الروبوتات يمكنها الآن التعامل مع مهام كانت سابقًا تتطلب قدرات حسابية تفوق المتاح. وقد أشار الباحثون إلى أنه بينما يركز عملهم الحالي على الروبوتات الفردية، فإن الخطوة التالية هي توسيع هذا الإطار ليشمل مجموعات من الروبوتات التي تعمل معًا. وفي الوقت الحالي، يقف هذا النهج كوسيلة قوية لضمان أنه عندما يُطلب من الروبوت القيام بشيء معقد في عالم متغير، يمكنه معرفة كيفية القيام بذلك بالضبط، بسرعة وبشكل صحيح.