ViBe: Visual Behavior Adaptation for Perceptive Humanoid Whole-Body Control
يُعد ViBe إطار عمل فعال في معلمات التدريب، يتم استخدامه في مرحلة ما بعد التدريب لتكييف أدوات تتبع الحركة من أجل التحكم الإدراكي في الجسم الكامل للروبوتات البشرية عبر تطعيم التغذية الراجعة البصرية ذات الصلة بالمهمة بواسطة محولات منخفضة الرتبة، مما يتيح نقلاً قوياً من المحاكاة إلى الواقع في حالة الصفر عبر مهام متنوعة من التنقل والمعالجة.
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
لطالما كان تطوير روبوتات تمشي وتتحرك مثل البشر هدفاً هندسياً، لكن تعليمها القيام بذلك في العالم الحقيقي يمثل لغزاً يتكون من جزأين متمايزين. أولاً، هناك القدرة على محاكاة الحركة البشرية، وهي مهارة أتقنها الباحثون عبر تدريب الآلات على نسخ مكتبات ضخمة من بيانات الحركة البشرية. هذه "المتتبعات" ممتازة في اتباع السيناريو، حيث تحرك أطرافها بطرق طبيعية وانسيابية عبر أرض مسطحة ومتوقعة. ومع ذلك، فقد صُممت عمداً لتكون عمياء عن محيطها؛ فهي لا ترى رصيفاً، أو كرة، أو صندوقاً. ثانياً، هناك القدرة على إدراك العالم والتفاعل معه. تقليدياً، حل المهندسون هذه المعضلة ببناء نظام منفصل يعمل كـ "مخطط": ينظر إلى البيئة، ويقرر ما يجب أن يفعله الروبوت، ثم يخبر المتتبع الأعمى بتنفيذ تلك الخطة. هذا الفصل يعمل، لكنه يخلق فجوة؛ إذ لا يستطيع المتتبع إجراء تعديلات صغيرة وفورية، مثل تغيير موضع القدم لتجنب صخرة أو تفادي جسم قادم، لأنه ينتظر التعليمات من الأعلى. إنه يفتقر إلى ردود الفعل البصرية التي تسمح للإنسان بالتعثر والتعافي دون تفكير.
لقد طور فريق من الباحثين في جامعة جنوب كاليفورنيا طريقة جديدة لسد هذه الفجوة، مما يسمح للروبوت بالرؤية والتفاعل مباشرة أثناء حركته. أطلقوا على نظامهم اسم "ViBe"، وهو أسلوب يأخذ روبوتاً مدرباً بالفعل على المشي كالبشر ويمنحه القدرة على تكييف حركاته بناءً على ما يراه، دون الحاجة لإعادة تعلم كيفية المشي من الصفر. وبدلاً من بناء عقل جديد أو مخطط جديد، قاموا بإدراج واجهة صغيرة وفعالة بين أعين الروبوت وعضلاته. تتعلم هذه الواجهة اختيار التفاصيل البصرية المحددة التي تهم المهمة — مثل حافة الرصيف أو موقع الكرة — وتغذي تلك المعلومات مباشرة في نظام حركة الروبوت. والنتيجة هي آلة يمكنها أداء مهام معقدة وديناميكية في العالم الحقيقي، مثل الجري في رياضة "الباركور" فوق أرض غير مستوية، أو تفادي كرة مقذوفة، أو إعادة توجيه مكعب في يده، كل ذلك مع الاحتفاظ بالحركة الطبيعية الشبيهة بالبشر التي تعلمها في الأصل.
بدأ الباحثون بروبوت تعلم بالفعل تتبع الحركة البشرية بشكل مثالي على أرض مسطحة. كان هذا الروبوت "أعمى" بمعنى أنه لم يستخدم صور الكاميرا لتوجيه خطواته؛ بل كان ببساطة يتبع تسلسلاً محدداً من الحركات. ولإعطائه القدرة على الرؤية، أرفق الفريق نظاماً بصرياً مدرباً مسبقاً، وهو نظام تعلم بالفعل التعرف على الأشياء والمشاهد من ملايين الصور. ومع ذلك، لم يكن مجرد عرض بث الكاميرا للروبوت كافياً؛ فقد كان الروبوت بحاجة لمعرفة الأجزاء المهمة من الصورة. فجدار من البكسلات يحتوي على الكثير من المعلومات، ومعظمها غير ذي صلة بمهمة المشي أو التفادي. لذا صمم الفريق وحدة صغيرة، وهي "المستخلص"، تعمل كمرشح (فلتر). ينظر المستخلص إلى وضع جسم الروبوت الحالي والمهمة التي يحاول القيام بها، ثم يستخدم هذا السياق لمسح صورة الكاميرا واختيار القرائن البصرية الأكثر فائدة فقط. فإذا كان الروبوت يحاول القفز فوق رصيف، يركز المستخلص على حافة الرصيف. وإذا كان يحاول الإمساك بكرة، فإنه يركز على مسار الكرة.
يتم بعد ذلك حقن هذه المعلومات البصرية المختارة في نظام حركة الروبوت من خلال تقنية تغير جزءاً ضئيلاً جداً من الإعدادات الداخلية للروبوت. حافظ الباحثون على "متتبع الحركة" الأصلي كما هو دون تغيير، مما حافظ على مشيته الطبيعية الشبيهة بالبشر، وعدلوا فقط المسارات الصغيرة التي تحمل البيانات البصرية الجديدة. سمح هذا النهج بتدريب الروبوت على مهام محددة باستخدام طريقة تسمى "التعلم التعزيزي"، حيث يتعلم الروبوت من خلال التجربة والخطأ، ويتلقى مكافآت مقابل الأفعال الناجحة. اختبروا هذا النظام في أربعة تحديات مختلفة تماماً. في أحدها، كان على الروبوت المشي والجري فوق الأرصفة والتضاريس غير المستوية، مع تعديل وضع قدمه في الوقت الفعلي لتجنب التعثر. وفي تحدٍ آخر، كان عليه أداء حركات "الباركور"، والقفز عبر الفجوات والهبوط على أسطح ضيقة. وتضمن مهمة ثالثة تحريك أشياء كبيرة، حيث كان على الروبوت تعديل توازنه وقبضته أثناء حمل حقيبة سفر أو سلة مهملات. أما التحدي الأخير فكان "كرة اليد" (الدودجبول)، حيث كان على الروبوت الوقوف ثابتاً، ومراقبة كرة تطير نحوه، وتحريك جسده بعيداً عن طريقها دون السقوط.
أظهرت النتائج أن هذه الطريقة نجحت بشكل ملحوظ. فعند اختبارها في العالم الحقيقي، أدى الروبوت هذه المهام بنجاح كبير، وغالباً ما طابق أداء الأنظمة التي مُنحت معلومات مثالية ومتميزة عن البيئة لا يمكن للروبوتات الحقيقية الحصول عليها. على سبيل المثال، في مهمة الباركور، نجح الروبوت في اجتياز عقبات تسببت في اصطدام وسقوط النسخة "العمياء" من نفس الروبوت. وفي سيناريو كرة اليد، تعلم الروبوت تفادي الكرة مع الحفاظ على توازنه، وهو إنجاز تطلب منه الانحراف عن وضعية وقوفه القياسية بطريقة تفاعلية ومنضبطة. وجد الباحثون أيضاً أن النظام يتميز بالمتانة؛ فقد عمل بشكل جيد حتى عندما تغيرت الإضاءة من ضوء الشمس الساطع إلى ظروف داخلية خافتة، أو عندما تغيرت ألوان الأشياء. يشير هذا إلى أن الروبوت تعلم فهم شكل وموقع الأشياء بدلاً من مجرد حفظ ألوان أو أنسجة معينة.
ولإثبات أن الروبوت كان يتفاعل حقاً مع ما يراه، قارن الباحثون نظامهم بنسخة لا يمكنها الرؤية. الروبوت الأعمى، رغم امتلاكه لنفس تدريب الحركة الأساسي، فشل في عبور الأرصفة أو تجنب العوائق، وغالباً ما انحرف عن مساره أو اصطدم بالأشياء. أما النسخة المزودة بالرؤية، فقد قامت بتصحيحات محلية دقيقة لحركتها؛ حيث عدلت وضع قدمها للهبوط على رصيف، وغيرت مركز ثقلها لحمل جسم ثقيل، وحركت جسدها لتفادي كرة. لم تكن هذه مناورات كبيرة ومخطط لها مسبقاً، بل كانت تعديلات صغيرة وفورية تحدث أثناء حركة الروبوت. كما أظهر الفريق أن هذا التكيف البصري يمكن دمجه مع "مخطط" بسيط عالي المستوى. ففي مهمة كان على الروبوت فيها إعادة توجيه مكعب بحيث يكون وجه ملون معين في الأعلى، اختار مخطط أساسي جداً تسلسل الحركات، ثم تولى النظام البصري للروبوت العمل الصعب المتمثل في العثور على المكعب، والإمساك به، وتعديل قبضته لإتمام الحركة بنجاح، حتى لو كان المكعب في موضع مختلف قليلاً عما كان متوقعاً.
تسلط هذه الدراسة الضوء على تحول كبير في كيفية تعليم الروبوتات التفاعل مع العالم. فبدلاً من تدريب الروبوت من الصفر لكل مهمة جديدة، أو الاعتماد على أنظمة تخطيط معقدة ومنفصلة، من الممكن أخذ روبوت يعرف بالفعل كيف يتحرك ومنحه القدرة على الرؤية والتفاعل. أظهر الباحثون أنه من خلال الحفاظ على مهارات الحركة الأساسية سليمة وتدريب الوصلة الصغيرة فقط بين الرؤية والحركة، يمكنهم إنشاء روبوت يتميز بحركة طبيعية وقدرة على التعامل مع عدم القدرة على التنبؤ في العالم الحقيقي. ورغم أن النظام ليس مثالياً ويمكن أن يرتبك أحياناً بسبب الأجسام سريعة الحركة أو المشتتات البصرية غير العادية، إلا أنه يمثل خطوة قوية للأمام. إنه يثبت أن الروبوت ليس بحاجة لأن يُعلّم كل شيء من البداية؛ بل يمكنه تعلم تكييف مهاراته الموجودة مع المواقف الجديدة عبر تعلم "ما الذي يجب أن يبحث عنه". يقدم هذا النهج مساراً عملياً نحو إنشاء روبوتات بشرية يمكنها التحرك في عالمنا بنفس الانسيابية والقدرة على التكيف التي نتوقعها من الإنسان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.