Before the Tipping Point: Force-Guided Active Perception for Shape-Agnostic Estimation of 3D Centers of Mass

أصبحت الروبوتات قادرة بشكل متزايد على التحرك في عالمنا، ومع ذلك فهي غالباً ما تواجه صعوبة في التساؤل الجوهري: ما مدى ثقل الجسم، وأين يتركز وزنه بالضبط؟ في عالم الروبوتات، يُعرف توزيع الوزن هذا بمركز الكتلة. إن معرفة هذه النقطة أمر ضروري لتمكين الآلة من الإمساك بعنصر ما بإحكام، أو دفعه دون التسبب في سقوطه، أو التنبؤ بكيفية سلوكه عند تطبيق قوة عليه. وبينما يمكن للإنسان استشعار هذه الخصائص حدسياً عن طريق رفع جسم أو دفعه، فإن الروبوت يتطلب عادةً نموذجاً رقمياً مسبقاً أو القدرة على رفع العنصر لحسابها. وهذا يخلق عقبة كبيرة عند التعامل مع أشياء مجهولة، أو غير منتظمة، أو هشة لا يمكن الإمساك بها أو لم يتم رسم خريطة لشكلها بعد. فإذا لم يتمكن الروبوت من تحديد مكان تركز الوزن، فإنه يخاطر بإسقاط الجسم، أو إتلافه، أو صدمه بطريقة قد تكون خطيرة.

ولحل هذه المشكلة، طور باحثون في معهد وستروبوليتيكني من أجل التكنولوجيا (WPI) طريقة جديدة تمكن الروبوتات من "الشعور" بالفيزياء الخفية للجسم دون رفعه أبداً. فبدلاً من محاولة الإمساك بالعنصر، يقوم الروبوت بدفعة لطيفة ومتحكم بها بعناية. ومن خلال مراقبة كيفية ميل الجسم وقياس القوة الدقيقة المطلوبة لتحريكه، يمكن للروبوت استنتاج كتلة الجسم الإجمالية وارتفاع مركز جاذبيته. وتسمح هذه العملية للآلة بفهم استقرار الجسم وطبيعته الفيزيائية من خلال تفاعل واحد آمن، مما يفتح الباب أمام التعامل مع مجموعة أوسع بكثير من العناصر في البيئات غير المنظمة.

جوهر هذا العمل هو طريقة تسمى "الإدراك النشط الموجه بالقوة". تخيل ذراع روبوت مجهز بمستشعر حساس عند معصمه، يدفع صندوقاً موضوعاً على طاولة. الروبوت لا يقوم بمجرد دفع الصندوق بقوة؛ بل ينفذ حركة بطيئة ومتعمدة، حيث يدفع الجسم حتى يبدأ في الميل، ثم يسحب للخلف فوراً. وتتكرر هذه الدورة بطريقة شبه استاتيكية (quasistatic)، مما يعني أن الحركة بطيئة جداً بحيث لا تتداخل عطالة الجسم مع القياسات. وبينما يدفع الروبوت، فإنه يسجل زاوية الجسم والقوة التي يطبقها. وقد وجد الباحثون أنه من خلال تحليل العلاقة بين قوة الدفع التي يبذلها الروبوت ومدى ميل الجسم، استطاعوا هندسة خصائص الجسم عكسياً من الناحية الرياضية لمعرفة كتلته والموقع الرأسي لمركز كتلته.

الابتكار الحاسم في هذا النهج هو مفهوم "القلب دون حد العتبة" (sub-critical tipping). ففي العديد من المحاولات السابقة لقياس هذه الخصائص، كان الباحثون يدفعون الجسم حتى يسقط تماماً، مستخدمين اللحظة الدقيقة للانهيار لحساب البيانات. ومع ذلك، فإن هذا الأمر محفوف بالمخاطر؛ فبمجرد أن يبدأ الجسم في السقوط، يكون الوقت غالباً قد فات لإيقافه، وقد يتعرض الجسم للتلف أو يختل نظام البيئة المحيطة. الطريقة الجديدة توقف الروبوت قبل نقطة اللاعودة مباشرة. حيث يدفع الرماوت الجسم حتى يترنح على حافة الاستقرار ثم يسحب للخلف، مما يحافظ على استقامة الجسم. ومن خلال مراقبة كيف تتغير القوة المطلوبة للحفاظ على الجسم عند زاوية معينة كلما اقترب من السقوط، يمكن للنظام التنبؤ بدقة بمكان نقطة الانقلاب. وتسمح هامش الأمان هذا للروبوت بجمع المعلومات اللازمة دون التسبب في سقوط مدمر.

اختبر الفريق هذه التقنية على مجموعة متنوعة من الأجسام، بما في ذلك صندوق مستطيل قياسي، ومنشور على شكل قلب، ومصباح يدوي، وشاشة كمبيوتر. اختلفت هذه العناصر بشكل كبير في الشكل والوزن وتوزيع كتلتها. فعلى سبيل المثال، كان للمصباح اليدوي قاعدة منحنية جعلته عرضة للتأرجح، بينما كانت الشاشة ثقيلة ومركز ثقلها في الأعلى. وفي كل تجربة ناجحة، طبق الروبوت دفعة أفقية عند ارتفاع محدد، وسجل بيانات القوة والزاوية، ثم استخدم خوارزمية حاسوبية لتوفيق البيانات مع نموذج فيزيائي. وكانت النتائج دقيقة بشكل ملحوظ؛ ففي مختلف الأجسام، قدر الروبوت الكتلة وارتفاع مركز الكتلة بهامش خطأ نسبي يقل عن 5 بالمائة. وفي بعض الحالات، انخفض الخطأ إلى 0.2 بالمائة بالنسبة لارتفاع مركز الكتلة.

كان أحد أهم النتائج هو كيفية تعامل الروبوت مع الاحتكاك بين إصبعه والجسم. فعندما يدفع الروبوت جسماً ما، يعمل الاحتكاك ضد الحركة، وعندما يسحب الروبوت للخلف، يعمل الاحتكاك في الاتجاه المعاكس. وهذا يخلق فرقاً طفيفاً في قراءات القوة بين الدفع والسحب، وهي ظاهرة تُعرف باسم "التلاكؤ" (hysteresis). واكتشف الباحثون أنه من خلال دمج البيانات من مرحلتي الدفع والسحب، يمكن لهذه الأخطاء الاحتكاكية أن تلغي بعضها البعض. وقد سمح ذلك للنظام بتقديم تقدير نظيف وموثوق لخصائص الجسم دون الحاجة لمعرفة معامل الاحتكاك الدقيق للسطح أو مادة الجسم مسبقاً.

كما سلطت الدراسة الضوء على التوازن الدقيق بين السلامة والدقة. فقد وضع الباحثون "هامش أمان"، والذي يحدد مدى اقتراب الروبوت من نقطة الانقلاب قبل التوقف. فإذا توقف الروبوت مبكراً جداً، بعيداً عن نقطة الانقلاب، فإنه لن يجمع بيانات كافية لتقديم تنبؤ دقيق. وإذا اقترب كثيراً، فإنه يخاطر بسقوط الجسم. وأظهرت التجارب أنه بينما حافظ هامش الأمان المتحفظ جداً على سلامة الجسم، إلا أنه أدى أحياناً إلى تقديرات أقل دقة، لا سيما لارتفاع مركز الكتلة. وعلى العكس من ذلك، فإن الدفع بالقرب من الحد الأقصى يحسن الدقة ولكنه يزيد من المخاطر. ووجد الفريق أن الهامش المتوسط يوفر أفضل حل وسط، مما يسمح للروبوت بالتعلم الكافي عن الجسم لإجراء حساب دقيق مع إبقاء الجسم ثابتاً على الطاولة.

ومع ذلك، كانت هناك حدود لهذه الطريقة. أشار الباحثون إلى أن الأجسام ذات القواعد المنحنية، مثل المصباح اليدوي، قدمت تحدياً فريداً. فبسبب تغير نقطة التلامس بين الجسم والطاولة أثناء ميل الجسم، ينهار النموذج البسيط لنقطة الارتكاز الثابتة. وفي هذه الحالات، يتأرجح الجسم أو ينزلق بطريقة غير متوقعة، مما يجعل من الصعب على الروبوت تحديد المعايير الصحيحة. وهذا يشير إلى أنه بينما تعد الطريقة قوية للعديد من الأجسام الصلبة ذات القواعد المسطحة أو الزاوية، إلا أنها قد تتطلب مزيداً من التكيف للأجسام ذات القواعد المستديرة.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد قياس الوزن. فمن خلال تمكين الروبوتات من فهم الخصائص الفيزيائية للأجسام المجهولة من خلال تفاعلات غير الإمساك، تمهد هذه التقنية الطريق لمعالجة أكثر تنوعاً وأماناً في الإعدادات الواقعية. يمكن للروبوت نظرياً دفع صندوق ثقيل ليرى ما إذا كان مستقراً بما يكفي للتحريك، أو وخز مزهرية هشة لفهم توازنها قبل محاولة التقاطها. إن القدرة على استنتاج الكتلة والاستقرار دون معرفة مسبقة أو حاجة لرفع الجسم تمثل خطوة كبيرة للأمام في جعل الروبوتات أكثر قدرة على التكيف مع الطبيعة غير المتوقعة للعالم البشري. وقد أثبت الباحثون أنه مع الجمع الصحيح بين استشعار القوة، والتتبع البصري، والتحكم الدقيق، يمكن للآلة أن تتعلم الفيزياء الخفية لجسم ما ببساطة عبر إعطائه دفعة لطيفة ومتحكم بها.