Learning to build covering structures with continuous adjustments
تقدم هذه الورقة البحثية إطار عمل HSAC، وهو إطار للتعلم التعزيزي يُمكّن الروبوتات من بناء هياكل معقدة بشكل تكيفي عبر توليد تسلسلات في الوقت الفعلي دون خطط مسبقة، وذلك باستخدام الشبكات العصبية الرسومية وخوارزمية "Soft Actor-Critic" الموسعة للتعامل مع فضاءات العمل الهجينة المتقطعة والمستمرة والنجاح في الانتقال من المحاكاة إلى الأجهزة المادية.
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 عالماً تستطيع فيه الروبوتات بناء هياكل معقدة ليس من خلال اتباع مخطط مرسوم مسبقاً بجمود، بل عبر استشعار طريقها خلال العملية، والتكيف مع كل تمايل طفيف وعيب صغير أثناء العمل. هذا هو الوعد الذي يقدمه البناء الروبوتي، وهو مجال يهدف إلى استخدام المواد بكفاءة أكبر وإنشاء أشكال يصعب على الأيدي البشرية أو الآلات التقليدية تحقيقها. ومع ذلك، كان هناك عائق رئيسي يقف دائماً في الطريق: العالم الحقيقي فوضوي. فمهما كانت الخطة دقيقة، فإن المواد الفيزيائية لها اختلافات طفيفة، والآلات ترتكب أخطاء صغيرة. في البناء التقليدي، إذا وُضعت كتلة واحدة بعيداً عن مكانها بجزء من المليمتر، فقد يتعين التخلي عن الخطة بأكملها وإعادة البدء، أو والأسوأ من ذلك، قد ينهار الهيكل. تعاني الأساليب الحالية من أجل التكيف مع هذه الأخطاء الحتمية لأنها تعتمد على تعليمات ثابتة لا يمكنها مراعاة الطبيعة غير المتوقعة للواقع المادي.
لقد طور فريق من الباحثين طريقة جديدة لتعلم الروبوتات كيفية البناء، وهي طريقة تتخلى عن فكرة المخطط الرئيسي تماماً. فبدلاً من اتباع نص مكتوب، تتعلم روبوتاتهم البناء من خلال التجربة والخطأ، باستخدام نوع من الذكاء الاصطناعي يُعرف بالتعلم المعزز. في هذا النهج، يعمل الروبوت كطالب يتعلم من خلال الممارسة: يحاول وضع كتلة، ويرى ما سيحدث، وإذا ظل الهيكل مستقراً، يحصل على مكافأة؛ وإذا تمايل أو سقط، يتعلم من خطئه. ركز الباحثون على تحدٍ محدد: بناء قوس ممتد باستخدام روبوتين يعملان معاً. يقوم أحد الروبوتين بوضع الكتل، بينما يمسك الآخر الطرف الحر لمنع الهيكل من الانقلاب. هذا الإعداد دقيق للغاية؛ فالهيكل يكون دائماً على حافة عدم الاستقرار، مما يتطلب تعديلات مستمرة ودقيقة للبقاء قائماً.
يكمن جوهر اكتشافهم في خوارزمية جديدة تسمح للروبوت باتخاذ نوعين من القرارات في آن واحد: اختيار نوع الكتلة التي سيستخدمها، وتحديد مكان وضعها بدقة. هذه مشكلة صعبة لأن اختيار الكتلة وموقع الوضع مرتبطان بعمق؛ فالمكان الأفضل لنوع معين من الكتل قد يكون سيئاً جداً لنوع آخر. حاولت الأساليب السابقة التعامل مع ذلك من خلال تبسيط المشكلة أو الالتزام بخطط جامدة، لكن الباحثين وجدوا أن هذه الأساليب غالباً ما كانت تعلق في حلول محلية، غير قادرة على إيجاد الطريقة المثلى للبناء. طريقتهم الجديدة، التي يسمونها "خوارزمية الممثل الناقد الناعم الهجين"، تعامل عملية البناء كحوار مستمر بين الروبوت والهيكل. فهي تسمح للروبوت باستكشاف احتمالات مختلفة، وتعلمه ليس فقط ما ينجح، بل كيف يتعافى عندما تسوء الأمور قليلاً.
لجعل هذا الأمر يعمل، لم يمثل الباحثون الهيكل كمجموعة من الإحداثيات، بل كشبكة من الاتصالات، تشبه الطريقة التي توضح بها الخريطة كيفية ارتباط المدن بالطرق. تساعد هذه الرؤية القائمة على الرسم البياني (Graph-based view) الروبوت على فهم شكل المبنى بغض النظر عن كيفية تدويره أو إزاحته في الفضاء. وكان الابتكار الرئيسي في نظامهم هو طريقة محددة لتنظيم هذه المعلومات لضمان عدم ارتباك قرارات الروبوت بشأن اختيار الكتلة بسبب قراراته بشأن مكان وضعها. ومن خلال هيكلة المعلومات بعناية، استطاع الروبوت تعلم استكشاف عدد هائل من الاحتمالات دون أن يشعر بالارتباك، ليصل في النهاية إلى مسار لبناء قوس مستقر فات على الأساليب الأخرى.
اختبر الفريق نظامهم في بيئة محاكاة أولاً، حيث تمكنوا من إجراء آلاف التجارب بسرعة. وقارنوا خوارزميتهم الجديدة بطريقة موجودة بالفعل، ووجدوا أن نهجهم أفضل بكثير في التعلم. وبينما كانت الطريقة القديمة غالباً ما تعلق في حلقة من الحلول دون المستوى المطلوب، ولم تصل أبداً إلى القوس المثالي، وجد نظامهم الجديد طرقاً أفضل للبناء باستمرار. كما كان النظام متيناً، بمعنى أنه عمل بشكل جيد حتى عندما قام الباحثون بتغيير الإعدادات أو جعل المهمة أصعب عبر إضافة المزيد من أنواع الكتل للاختيار من بينها. استطاع النظام التعامل مع ما يصل إلى عشرة أنواع مختلفة من الكتل دون أن يفقد قدرته على التعلم، مما أظهر قدرته على التوسع لمهام أكثر تعقيداً.
ولإثبات أن هذا التعلم يمكن أن ينتقل إلى العالم الحقيقي، بنى الباحثون إعداداً مادياً باستخدام روبوتين صناعيين ومجموعة من الكتل البلاستيكية المطبوعة بتقنية ثلاثية الأبعاد. وضعوا كاميرا فوق منطقة العمل لتتبع موقع كل كتلة أثناء وضعها. استخدم الروبوت بيانات الكاميرا لتحديث فهمه للهيكل وقرر مكان وضع الكتلة التالية بناءً على ما تعلمه في المحاكاة. وكانت النتيجة بناء قوس ناجح في الوقت الفعلي، مع قيام الروبوتات بتعديل أفعالها مع نمو الهيكل. وعندما قارنوا عملية البناء التكيفية هذه بالطريقة التقليدية التي يتم فيها حساب الخطة بأكملها مسبقاً، كان النهج التكيفي يؤدي بشكل أفضل بكثير. ظل الهيكل الذي بناه الروبوت المتعلم وفياً لشكلة المقصود، بينما انحرف الإصدار المخطط له مسبقاً عن مساره بسبب الأخطاء الصغيرة التي لا يمكن تجنبها.
يُظهر هذا العمل أن الروبوتات يمكنها تعلم بناء هياكل معقدة من خلال التكيف مع العالم المادي في الوقت الفعلي، بدلاً من محاولة إجبار العالم على التوافق مع خطة مثالية. ومن خلال السماح للروبوت بالتعلم من أخطائه ونجاحاته، أظهر الباحثون مساراً نحو بناء أكثر مرونة وكفاءة وقدرة على التعامل مع الواقع الفوضوي للعالم المادي. ويشير نجاح تجربتهم المادية إلى أن هذا النهج يمكن استخدامه في النهاية للبناء بمجموعة واسعة من المواد، من البلاستيك إلى الحجر، لإنشاء هياكل تتسم بالجمال والقوة في آن واحد، مبنية بواسطة آلات تفهم الفن الدقيق للتوازن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.