في المناظر الطبيعية الفوضوية والمحطمة لعمليات البحث والإنقاذ في المناطق الحضرية، حيث تنهار المباني وتتحول السلالم إلى حطام مسنن، يجب على الروبوتات أن تفعل ما هو أكثر من مجرد رؤية طريقها للأمام؛ بل يجب عليها أن "تشعر" بطريقها عبر المسارات. هذا هو مجال الروبوتات المجنزرة المفصلية، وهي آلات مجهزة بجنازير مستمرة مثل الدبابات ولكنها مزودة بـ "زعانف" (flippers) إضافية متحركة يمكنها الوصول والإمساك بالدرجات أو الحطام. صُممت هذه الآلات للتنقل في بيئات تشكل خطورة على البشر وتعد معقدة للغاية بالنسبة للمركبات ذات العجلات القياسية. ومع ذلك، فإن جعل هذه الروبوتات تتحرك بموثوقية يمثل تحدياً عميقاً. فالأرض التي تعبرها ليست طريقاً ناعماً، بل هي سطح متغير وغير مستوٍ حيث تتواصل جنازير الروبوت المعدنية وزعانفه مع الأرض وتنفصل عنها باستمرار. وفي كل مرة يلمس فيها الزعنفة درجة أو تنزلق الجنزير على صخرة سائبة، تتغير فيزياء حركة الروبوت فوراً. وتكافح البرامج الحاسوبية التقليدية مع هذا الأمر لأنها تعتمد على قواعد مكتوبة مسبقاً لا يمكنها مراعاة كل نتوء أو زاوية محتملة، بينما تميل الأنظمة الحديثة القائمة على التعلم غالباً إلى تعلم طرق حركة تبدو سلسة من الناحية النظرية ولكنها تكون مهتزة أو غير مستقرة بشكل خطير في الواقع.

ولحل هذه المشكلة، طور الباحثون إطار عمل جديداً يسمى ASTRIL-MPC، وهو نظام يسمح لروبوتات الإنقاذ هذه بالتفكير والتكيف في الوقت الفعلي أثناء تسلق العقبات. جوهر هذا النظام هو نهج هجين يجمع بين ثلاث قدرات متميزة. أولاً، يستخدم نموذجاً متعلماً، وهو في الأساس "دماغ رقمي" تم تدريبه على آلاف عمليات التسلق المحاكية، للتنبؤ بدقة بكيفية تحرك الروبوت خلال الثواني القليلة القادمة بناءً على شكل الأرض أمامه. ثانياً، يستخدم مخططاً رياضياً يتحقق باستمرار من هذه التنبؤات مقابل قواعد سلامة صارمة، مما يضمن عدم انقلاب الروبوت أو اصطدامه بجدار. ثالثاً، ولعل الأمر الأكثر ابتكاراً، يستخدم النظام نموذج لغة كبيراً ليعمل كمشرف رفيع المستوى. فبدلاً من إخبار الروبوت بالضبط أي محرك يجب أن يدور، يستمع هذا المشرف إلى تعليمات بشرية بسيطة، مثل "تحرك بحذر" أو "تحرك بسرعة"، ويترجمها إلى تعديلات دقيقة لإعدادات الروبوت الداخلية. وهذا يسمح للروبوت بتكييف سلوكه مع التضاريس المختلفة وتفضيلات المشغل دون الحاجة إلى إعادة برمجة أو إعادة تدريب من الصفر.

اختبر الباحثون إطار العمل هذا في بيئة محاكاة تحاكي الظروف الصعبة في مناطق الكوارث، بما في ذلك السلالم شديدة الانحدار والمساحات الداخلية المزدحمة. وقارنوا نظامهم الجديد بنظامين آخرين شائعين: نظام تخطيط قياسي لا يتكيف مع المواقف الجديدة، ونظام قائم على التعلم يتم تدريبه من خلال التجربة والخطأ. وأظهرت النتائج أن نظامهم الجديد الموجه باللغة قد تفوق بشكل كبير على الأنظمة الأخرى. ففي الاختبارات التي تضمنت صعود وهبوط السلالم، أدى النظام التكيفي إلى تحسين جودة العبور بنسبة تصل إلى 71 بالمائة مقار بالمخطط غير التكيفي وبنسبة 67 بالمائ المائة مقار بالنموذج المرجعي القائم على التعلم. والأهم من ذلك، أن النظام الجديد ألغى تأثيرات الاصطدام الملموسة عند نزول الروبوت من السلالم، وهي نقطة فشل شائعة حيث غالباً ما تصطدم الروبوتات بالدرجات أو تفقد توازنها. حقق النظام ذلك من خلال التحسين المستمر لتوازنه الداخلي بين السرعة والاستقرار، مما يضمن بقاء جسم الروبوت مستوياً وحركاته سلسة حتى مع تغير التضاريس من تحته.

ما يجعل هذا الإنجاز لافتاً للنظر بشكل خاص هو كيفية تعامل النظام مع تعقيد حركة الروبوت. وجد الباحثون أن محاولة كتابة كل تفاعل فيزيائي محتمل بين جنازير الروبوت والأرض كان أمراً صعباً للغاية للقيام به في الوقت الفعلي. بدلاً من ذلك، قاموا بتدريب شبكة عصبية لتعلم هذه التفاعلات من البيانات، مما سمح لها بالتنبؤ بموقع الروبوت المستقبلي بدقة عالية في أقل من عُشر ثانية. وهذه السرعة ضرورية لأن الروبوت يجب أن يتخذ قرارات مئات المرات في الثانية للبقاء منتصباً. ثم يقوم النظام بدمج هذا التنبؤ في حلقة تخطيط تبحث عن أفضل مسار للأمام مع احترام الحدود الصارمة، مثل السرعة القصوى التي يمكن أن تدور بها الجنازير أو الزاوية التي قد ينقلب عندها الروبوت. ومن خلال إبقاء قيود السلامة هذه جامدة، يضمن النظام أنه حتى عندما يتكيف الروبوت مع تعليمات جديدة، فإنه لا ينتهك أبداً القوانين الفيزيائية التي تمنعه من السقوط.

دور نموذج اللغة في هذه العملية هو العمل كجسر بين النية البشرية والتنفيذ الآلي. فعندما يقدم المشغل تعليمات جديدة، لا يكتفي النظام بتغيير وجهة الروبوت فحسب، بل يقوم بضبط الأوزان والحدود التي تحكم سلوك الروبوت بدقة. على سبيل المثال، إذا طلب المشغل نهجاً أكثر حذراً، فقد يقوم النظام تلقائياً بخفض حدود سرعة الروبوت وزيادة العقوبة لأي حركات مفاجئة، مما يجعل الروبوت يتحرك ببطء وتروٍ. وعلى العكس من ذلك، إذا كانت التعليمات هي التحرك بسرعة، فإن النظام يعدل المعايير للسماح بسرعات أعلى مع الحفاظ على الاستقرار. يحدث هذا التعديل داخل "بوابة سلامة" تمنع نموذج اللغة من إجراء تغييرات مفرطة أو متناقضة، مما يضمن بقاء الروبوت آمناً بغض النظر عن التعليمات التي يتلقاها. وقد أظهر الباحثون أن هذه الطريقة تسمح للروبوت بتعميم مهاراته على عقبات غير مرئية، مثل سلالم ذات ارتفاعات مختلفة، دون الحاجة إلى أي بيانات تدريب جديدة.

في تجاربهم، لاحظ الباحثون أن النظام يحافظ على وضعية ثابتة ومستقرة عبر مجموعة متنوعة من السيناريوهات الصعبة. فعند عبور كتلة كبيرة واحدة أو التنقل عبر سلسلة من السلالم، يختار الروبوت بشكل مستقل التكوين الصحيح لزعانفه، حيث يمدها للإمساك بالدرجات أو يسحبها لتجنب العوائق. هذا المستوى من التنسيق، الذي كان يتطلب سابقاً ضبطاً خبيراً لكل بيئة على حدة، تم تحقيقه ديناميكياً بواسطة النظام. وأظهرت البيانات أن المتحكم التكيفي قلل من الاهتزاز والارتجاج في جسم الروبوت، مما أدى إلى حركة أكثر سلاسة وضغط أقل على مكونات الآلة. وكانت القدرة على إلغاء تأثيرات الاصطدام أثناء الهبوط مهمة بشكل خاص، حيث تشير إلى أن الروبوت يمكنه التنقل بأمان في المنحدرات الشديدة وغير المستقرة دون إلحاق الضرر بنفسه أو بالحطام المحيط به.

إن نجاح إطار العمل هذا يشير إلى مسار جديد للأمام للروبوتات ذاتية القيادة في البيئات المعقدة وغير المهيكلة. فمن خلال الجمع بين القدرة التنبؤية للنماذج المتعلمة والصرامة الأمنية للتخطيط الرياضي ومرونة التكيف الموجه باللغة، أنشأ الباحثون نظاماً يتسم بالمتانة والاستجابة في آن واحد. وتشير النتائج إلى أن هذا النهج يمكنه التعامل مع الطبيعة الهجينة والمنقطعة لتفاعلات الروبوت مع التضاريس، حيث تتغير الأرض من صلبة إلى زلقة أو من مسطحة إلى منحدرة في لحظة. وبينما أُجري هذا العمل الحالي في بيئة محاكاة، فإن سرعة حلقة التحكم ووضوح النتائج يشيران إلى أن النظام يحمل وعوداً للنشر المستقبلي. ويخطط الباحثون لتوسيع هذا العمل للتعامل مع الأجسام القابلة للتشوه، ودمج كفاءة الطاقة في اتخاذ القرار للروبوت، والتحقق من إطار العمل على منصات واقعية إضافية لتحسين الكفاءة في مهام الإنقاذ طويلة الأمد. وفي نهاية المطاف، يثبت هذا العمل أنه مع الجمع الصحيح بين التعلم والسلامة، يمكن الوثوق بالروبوتات للتنقل في أكثر الأماكن صعوبة وخطورة على وجه الأرض.