Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets
تقدم هذه الورقة البحثية RECAL، وهي طبقة انتباه تقاطعي بين الروبوت والبيئة تعزز وحدات التحكم في كامل الجسم الحالية من خلال دمج هندسة المشهد الخارجي لموازنة تتبع الهدف مع تجنب الاصطدام ديناميكيًا للروبوتات البشرية التي تعمل في ظل ظروف تتبع غير مثالية.
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
تُصمم الروبوتات البشرية لتتحرك في العالم تماماً كما يفعل البشر، حيث تتنقل عبر الغرف المزدحمة، وتتخطى العقبات، وتصل إلى الأشياء الموجودة على الرفوف. ولتحقيق ذلك، يستخدم المهندسون نظام تحكم مركزياً يعمل بمثابة مركز التوازن والتنسيق الداخلي للروبوت. يأخذ هذا النظام التعليمات عالية المستوى — مثل "امشِ للأمام" أو "مد يدك لتلك الكأس" — ويترجمها إلى حركات عضلية محددة لمفاصل الروبوت. ومع ذلك، توجد فجوة كبيرة في كيفية إدراك هذه الروبوتات لمحيطها؛ فبينما يعد نظام التحكم بارعاً في الحفاظ على التوازن واتباع مسار ما، إلا أنه غالباً ما يكون "أعمى" عن الهندسة الفيزيائية للبيئة. فهو يعرف أين يُفترض به أن يذهب، لكنه لا يدرك بطبيعته ما الذي يعترض طريقه. فإذا أعطى مشغل بشري أو خوارزمية تخطيط أمراً يؤدي بالروبوت مباشرة إلى اصطدام بحائط أو مدخل ضيق، فإن الروبوت غالً ما يحاول اتباع هذا الأمر حرفياً، مما يؤدي إلى وقوع تصادم. وهذا القصور يجعل من الصعب نشر هذه الآلات في المساحات الواقعية الفوضوية حيث لا يمكن ضمان التعليمات المثالية.
لقد طور باحثون في جامعة ولاية أوريغون نهجاً جديداً لحل هذه المشكلة، حيث ابتكروا طبقة سلامة تقع بين "دماغ" الروبوت و"عضلاته". وقد أطلقوا على هذا النظام اسم RECAL، وهو اختصار لـ (Robot–Environment Cross-Attention Layer) أو "طبقة الانتباه المتقاطع بين الروبوت والبيئة". وبدلاً من محاولة إعادة بناء وحدة تحكم الروبوت بالكامل من الصفر، قام الفريق بلف نظامهم الجديد حول وحدة تحكم مثبتة ومثبتة النجاح، وهي وحدة بارعة بالفعل في التوازن ولكنها عمياء تجاه العوائق. تعمل الطبقة الجديدة كمرشح (فلتر) في الوقت الفعلي؛ فهي تأخذ المسار المقصود للروبوت والبيانات الخام من كاميرات الروبوت، والتي ترى العالم كسحابة من النقاط التي تمثل الجدران والأثاث وجسم الروبوت نفسه. ومن خلال مقارنة موضع الروبوت والأشياء التي يحملها مع الهندسة المحيطة، يمكن للنظام اكتشاف متى سيؤدي التحرك المخطط له إلى اصطدام. وإذا كان الاصطدام وشيكاً، يقوم النظام بتعديل الأمر ببراعة قبل وصوله إلى العضلات، مما يوجه الروبوت بعيداً عن الخطر قليلاً مع محاولة الوصول إلى الهدف الأصلي في الوقت ذاته.
يكمن جوهر هذا الابتكار في طريقة "الانتباه" التي تسمح للروبوت بالتركيز على أجزاء البيئة المحددة التي تهم في أي لحظة معينة. تخيل أن الروبوت لديه مجموعة من المستشعرات الافتراضية الموضوعة على ركبتيه، ومرفقيه، وزوايا أي صندوق يحمله. تسأل هذه المستشعرات البيئة المحيطة باستمرار: "ما الذي يقترب مني؟". ثم يستخدم النظام عملية رياضية لوزن أهمية العوائق القريبة مقابل مسار الروبوت المقصود. فإذا كان الروبوت يسير عبر ممر، فقد تلاحظ المستشعرات الموجودة على كتفيه جداراً يقع خارج متناول اليد مباشرة، وتطلب من وحدة التحكم إزاحة توازنه قليلاً نحو اليسار. وإذا كان الروبوت يحمل صندوقاً كبيراً، فإن النظام يوسع نطاق وعيه ليشمل حجم هذا الصندوق، مما يضمن تجاوز الحمولة بأكملها للعائق، وليس جسم الروبوت فحسب. يحدث هذا في جزء من الثانية، مما يسمح للروبوت بإجراء تعديلات سلسة ومستمرة بدلاً من التوقف وإعادة الحساب.
ولتعليم هذا النظام كيفية اتخاذ هذه القرارات في أجز الألف من الثانية، استخدم الباحثون تقنية تسمى "تقطير المعلم والطالب" (teacher-student distillation). في البداية، أنشأوا نسخة "المعلم" من وحدة التحكم التي تمتلك وصولاً إلى معلومات مثالية وامتيازية عن البيئة، مثل الموقع الدقيق لكل عائق في عالم محاكى؛ كان هذا "المعلم" يرى المستقبل ويعرف بالضبط كيف يعدل أمراً ما لتجنب الاصطدام. ثم درب الباحثون نسخة "الطالب" من النظام، والتي لا تملك سوى نفس البيانات المحدودة من الكاميرا والمستشعرات التي يمتلكها روبوت حقيقي، لمحاكاة سلوك المعلم. تعلم "الطالب" التنبؤ بالتعديلات الآمنة التي سيجريها "المعلم"، مما مكنه فعلياً من تعلم رؤية العالم من خلال عيون المعلم دون الحاجة إلى بيانات المعلم المثالية. سمح ذلك للنظام بتعلم استراتيجيات تجنب معقدة في بيئة محاكاة، ثم نقل تلك المعرفة إلى روبوت مادي حقيقي.
اختبر الفريق نظامهم الجديد في مجموعة واسعة من السيناريوهات الصعبة، بما في ذلك المشي في غرف مزدحمة، وحمل الصناديق، والوصول إلى أشياء على الرفوف أثناء الوقوف ثابتًا. وقارنوا أداء نظامهم الجديد بوحدة التحكم "العمياء" الأصلية وبالطرق الأخرى التي حاولت فهم البيئة باستخدام تقنيات مختلفة. أظهرت النتائج أن النظام الجديد كان أكثر نجاحاً بكثير في تجنب الاصطدامات. ففي الاختبارات الصعبة التي كان نظام التحكم الأصلي يصطدم فيها في أكثر من نصف المحاولات، نجح النظام الجديد في تجنب الاصطدامات في أكثر من 90 بالمائة من الحالات. والأهم من ذلك، أنه تمكن من فعل ذلك دون التضحية بقدرة الروبوت على اتباع المسار المقصود؛ فعندما كان المسار خالياً، تحرك الروبوت تماماً كما هو مأمور، وعندما كان المسار مسدوداً، انحرف بالقدر الكافي للبقاء آمناً، ثم عاد إلى المسار الأصلي بمجرد تجاوز العائق.
كما قاس الباحثون التأثير الفيزيائي لهذه الاصطدامات؛ فعندما كان نظام التحكم الأصلي يصطدم، كان غالباً ما يصطدم بقوة كبيرة، خاصة في منطقة الجذع والوركين. وفي المقابل، قلل النظام الجديد من هذه التأثيرات بشكل كبير؛ ففي أصعب الاختبارات، كاد النظام الجديد أن يلغي الاصطدامات القوية مع جسم الروبوت الرئيسي، تاركاً فقط بعض الاحتكاكات الخفيفة وغير الضارة مع البيئة. يشير هذا إلى أن النظام لا يتجنب الاصطدامات فحسب، بل يفعل ذلك بطريقة تبدو طبيعية ومنضبطة، بدلاً من أن تكون متشنجة أو مذعورة. وقد عزز الفريق نتائجهم باختبار النظام على روبوت بشري مادي حقيقي يسمى "Digit V3". وبفضل تزويده بكاميرات عمق لرؤية العالم، نجح الروبوت في التنقل عبر عوائق حقيقية، وحمل الأشياء، والوصد إلى عناصر في مساحات ضيقة، مما أثبت أن الدروس المستفادة من المحاكاة يمكن تطبيقها في العالم المادي.
بينما يمثل هذا النظام خطوة كبيرة للأمام، يشير الباحثون إلى أنه ليس حلاً مثالياً لكل المواقف. فالنسخة الحالية تفترض أن الأرض مستوية والعوائق ثابتة، مما يعني أنها قد تواجه صعوبة مع الأشخاص المتحركين أو التضاريس غير المستوية. كما أنها تعامل جميع العوائق كأشياء يجب تجنبها، دون إدراك أن بعض الأسطح مخصد للمس أو أن بعض الأشياء يمكن تحريكها. علاوة على ذلك، يعتمد النظام على جودة بيانات الكاميرا؛ فإذا لم يستطع الروبوت رؤية عائق لأنه خلف شيء ما أو في منطقة عمياء، فلن يتمكن النظام من منع الاصطدام. ورغم هذه القيود، فإن هذا العمل يظهر طريقة قوية لجعل الروبوتات البشرية أكثر أماناً وقدرة على التكيف. فمن خلال إضافة طبقة من الوعي الهندسي إلى وحدات التحكم الموجودة، أظهر الباحثون أن الروبوتات يمكنها تعلم كيفية التنقل في العالم الفوضوي وغير المتوقع لبيئات البشر دون الحاجة إلى إعادة تصميمها بالكامل من الصفر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.