SEED-UMI: Sharing the Exoskeleton between human and robot for onE-to-one Dexterous demonstration
يُعد SEED-UMI إطار عمل جديد للتعلم بالتقليد يتيح تدريب الروبوتات الماهرة بكفاءة من خلال جعل كل من الإنسان والروبوت يرتديان الهيكل الخاري نفسه، مما يخلق قياسات مشتركة للمفاصل وعروضاً كاميرا للمعصم تلغي الحاجة إلى إعادة التوجيه المعرضة للخطأ وتسمح للسياسات بالتعلم مباشرة من العروض التوضيحية الغنية بالتلامس.
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
يعد تعليم الروبوت استخدام يديه مثل البشر أحد أصعب الألغاز في الروبوتات الحديثة. وبينما أصبحت الآلات بارعة في المشي أو تحريك أذرعها، لا يزال العمل الدقيق المعتمد على التلامس الذي تقوم به الأصابع بعيد المنال. وتكمن الصعوبة الجوهرية ليس فقط في تعقيد اليد نفسها، بل في كيفية تعليمها. فلكي يتعلم الروبوت، يحتاج إلى مشاهدة إنسان يؤدي مهمة ما ثم يحاول تقليد تلك الحركة. ومع ذلك، فإن الأيدي البشرية والأيدي الروبوتية مبنية بشكل مختلف؛ فهي تمتلك أعداداً مختلفة من المفاصل، وأحجاماً مختلفة، وتتحرك بطرق متباينة. فعندما يلمس الإنسان جسماً ما، ينضغط جلده وتثني مفاصله بطريقة معينة لا يمكن لليد المعدنية الصلبة محاكاتها بدقة. وتحاول الأساليب الحالية سد هذه الفجوة باستخدام الكاميرات لمراقبة الإنسان أو القفازات لتسجيل حركاته، لكن هذه الأساليب غالباً ما تفشل عندما تلمس اليد شيئاً بالفعل؛ حيث تصبح البيانات مشوشة، وتنهار عملية الترجمة من الإنسان إلى الروبوت، ويكافح الروبوت لتقليد الضغط الدقيق والتوقيت المطلوب لمهام مثل ربط برغي أو رمي كرة.
اقترح فريق من الباحثين حلاً مختلفاً يتجاوز الحاجة إلى الترجمة المعقدة تماماً. فبدلاً من محاولة تحويل الحركات البشرية رياضياً إلى أوامر روبوتية، قاموا ببناء نظام يرتدي فيه الإنسان والروبوت نفس الجهاز الميكانيكي بالضبط. هذا الجهاز هو هيكل خارجي متخصص، وهو إطار خفيف الوزن يناسب اليد والأصابع. وقد صمم الباحثون هذا الإطار بحيث يطابق يد الروبوت تماماً في الحجم وتوزيع المفاصل. وعندما يرتديه إنسان، يتحرك الإطار مع أصابعه، وعندما يرتديه الروبوت، يتحرك الإطار مع محركاته. ولأن البنية الفيزيائية متطابقة، فإن المستشعرات الموجودة داخل الجهاز تسجل نفس البيانات تماماً سواء كان يرتديه إنسان أو روبوت. هذا التغيير البسيط يحول مشكلة الترجمة الصعبة إلى مشكلة ملاحظة مباشرة.
لقد طور الباحثون، بقيادة تينغبو يو وزملاؤه، إطار عمل أطلقوا عليه اسم SEED-UMI لوضع هذه الفكرة موضع التنفيذ. يعتمد النظام على قياس فيزيائي مشترك؛ حيث يتم تجهيز الهيكل الخارجي بمستشعرات عند كل مفصل تقيس مدى انحناء كل إصبع. كما يحمل كاميرا مثبتة على المعصم، موجهة نحو اليد والأشياء التي تلمسها. عندما يرتدي مشغل بشري الجهاز لأداء مهمة ما، تسجل المستشعرات زوايا المفاصل وتسجل الكاميرا المشهد. ولأن الروبوت يرتدي الجهاز نفسه، فإنه يرى المشهد نفسه ويقيس زوايا المفاصل نفسها عند أداء نفس الحركة. وهذا يعني أن الروبوت ليس بحاجة إلى تخمين كيفية ترجمة الإيماءة البشرية؛ بل يتعلم ببساطة تحريك مفاصله الخاصة لتتطابق مع قراءات المستشعرات التي يراها، مستخدماً أداء الإنسان كدليل مباشر.
ولإنجاح ذلك، استخدم الفريق عملية تعلم من خطوتين. أولاً، جعلوا الروبوت يرتدي الهيكل الخ dışي ويحرك مفاصله عشوائياً، وهي عملية يسمونها "تمتمة المحرك" (motor babbling). ساعد هذا الروبوت على فهم العلاقة الأساسية بين أوامر المحرك الخاصة به وقراءات المستشعرات التي ينتجها. بعد ذلك، قدموا البيانات المقترنة؛ حيث يرتدي إنسان الجهاز ويقوم بمهمة ما، مثل التقاط علبة سماعات AirPods أو ربط برغي. ثم يقوم الروبوت بإعادة تشغيل تلك الحركة باستخدام الخرائط الأولية. ومن الأهمية بمكان أن النظام قارن بين قراءات المستشعرات من محاولة الإنسان مع قراءات المستشعرات من محاولة الروبوت؛ فإذا تحركت أصابع الروبوت بشكل مختلف عن حركة الإنسان، استخدم النظام ذلك الاختلاف لتعديل الخريطة. سمح هذا للروبوت بتعلم كيفية التعامل مع الاحتكاك والمقاومة الإضافية التي تحدث عندما تضغط الأصابع على أجسام حقيقية، وهو موقف غالباً ما فشلت فيه الأساليب السابقة.
اختبر الفريق هذا النهج على خمس مهام صعبة تتطلب دقة في التلامس والتوقيت. شملت هذه المهام: ربط برغي في لوح، إدخال سماعة AirPods في علبة الشحن الخاصة بها، رمي كرة في سلة، مسح طاولة بقطعة قماش، ورش معطر جو. وفي هذه الاختبارات، قارن الباحثون طريقتهم الجديدة بالتحكم عن بُعد التقليدي (teleoperation)، حيث يتحكم إنسان في الروبوت في الوقت الفعلي، وبالأساليب التي لا تستخدم خطوة الضبط الدقيق المقترن. وأظهرت النتائج أن نهج SEED-UMI كان فعالاً للغاية؛ حيث حققت الروبوتات التي تدربت بهذه الطريقة معدل نجاح بلغ 70.0% عبر جميع المهام. وكان هذا الأداء مطابقاً تقريباً لمعدل النجاح البالغ 71.7% الذي حققته الروبوتات المدربة على البيانات التي تم جمعها من خلال التحكم المباشر عن بُعد، ولكن مع ميزة كبيرة في السرعة.
كان الاكتشاف الأكثر لفتاً للنظر هو كفاءة جمع البيانات. فبما أن المشغل البشري لا يحتاج إلى التحكم في الروبوت في الوقت الفعلي، يمكنه أداء المهام بشكل طبيعي وسريع. وجد الباحثون أنه يمكنهم جمع البيانات أسرع بثلاث مرات باستخدام SEED-UMI مقارنة بالتحكم التقليدي عن بُعد. ففي نافذة زمنية مدتها ثلاثون دقيقة، جمع مشغل واحد 52 عرضاً ناجحاً باستخدام النظام الجديد، مقارنة بـ 18 فقط باستخدام الطريقة القديمة. ولم تأتِ هذه الزيادة في السرعة على حساب الجودة؛ إذ تمكنت الروبوتات المدربة على هذه البيانات الأسرع من التعامل مع المهام الدقيقة، مثل التوقيت الدقيق اللازم لرمي الكرة أو الضغط الثابت المطلوب لمسح الطاولة، تماماً مثل تلك المدربة على البيانات الأبطأ واللحظية. وقد أثبت النظام قوة خاصة في المهام التي يتعين على الروبوت فيها التفاعل مع المقاومة الفيزيائية لجسم ما، وهو سيناريو كانت تعاني فيه الأساليب السابقة ذات الحلقة المفتوحة (open-loop).
يوحي نجاح هذا العمل بأن العائق في تعليم الروبوتات المهارات الماهرة قد لا يكون في خوارزميات أفضل، بل في الواجهة بين الإنسان والآلة. فمن خلال جعل الإنسان والروبوت يتشاركان أداة قياس فيزيائية واحدة، أزال الباحثون الحاجة إلى برمجيات معقدة لترجمة الحركات. يتعلم الروبوت مباشرة من التجربة المشتركة للجهاز، مراقباً نفس العالم ويشعر بنفس القيود الميكانيكية التي يشعر بها الإنسان. ورغم أن النظام يتطلب حالياً هيكلاً خارجياً مصمماً خصيصاً لكل يد روبوتية، إلا أن النتائج تشير إلى مسار واعد؛ فهي تقدم طريقة لجمع كميات كبيرة من البيانات عالية الجودة والغنية بالتلامس، دون التأخير والأخطاء الناتجة عن التحكم في الوقت الفعلي، مما قد يسرع من تطوير روبوتات يمكنها حقاً إتقان المهارات اللمسية الدقيقة لليد البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.