Weave: Learning Whole-Body Dexterous Loco-Manipulation from Human-Object Interactions
تُعد Weave إطار عمل موحداً يتعلم الحركة والتحكم الماهر لكامل الجسم للروبوتات البشرية من خلال عروض توضيحية بشرية عبر تحويلها إلى مراجع قابلة للتنفيذ بواسطة إعادة استهداف مدركة للتلامس، وتوظيف سياسة مدركة للهندسة لتحقيق معدلات نجاح عالية في سيناريوهات التفاعل المدربة وغير المدربة على حد سواء.
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
لبناء روبوت يمكنه التحرك في عالم بشري، يواجه المهندسون مشكلة في التنسيق تفوق بكثير مجرد تعليم الآلة المشي أو التقاط الأشياء. يجب على الروبوت القيام بكليهما في آن واحد، وغالباً أثناء حمل جسم يغير من وزنه ويغير طريقة توازنه. يُعرف هذا باسم "التلاعب الموضعي الحركي" (loco-manipulation)، وهو مصطلح يصف المهمة الصعبة المتمثلة في تحريك الجسم مع التلاعب بجسم ما باستخدام اليدين في نفس الوقت. لكي ينجح الروبوت، لا يمكنه معاملة المشي والقبض كوظيفتين منفصلتين؛ فإذا مد يده نحو كرسي دون تعديل وضعية قدميه، فسوف يسقط. وإذا مشى نحو طاولة دون التخطيط لكيفية ملامسة أصابعه للسطح، فسيفشل في رفعها. يكمن التحدي في تعليم الآلة أن جسدها بالكامل، من قدميها إلى أطراف أصابعها، يجب أن يعمل كوحدة واحدة متوازنة للتفاعل مع العالم المادي.
لطالما حاول الباحثون تعليم الروبوتات من خلال عرض حركات بشرية عليها، وهي عملية تسمى "التعلم بالتقليد". ومع ذلك، فإن نسخ حركة الإنسان مباشرة غالباً ما يفشل لأن الروبوتات والبشر لديهم أشكال أجسام مختلفة وطرق مختلفة في تحريك مفاصلهم. يمكن للإنسان أن يلتوي معصمه بطريقة لا يستطيع الروبوت القيام بها، أو قد تكون أصابع الروبوت صلبة جداً بحيث لا تستطيع محاكاة اللمسة الناعمة للإنسان. علاوة على ذلك، ركزت معظم المحاولات السابقة لتعليم الروبوتات كيفية التعامل مع الأشياء إما على الحركات الكبيرة للجسم أو الحركات الدقيقة لليدين، ولكن نادراً ما جمعت بينهما في نظام واحد موحد. هذا الفجوة جعلت الروبوتات قادرة على تعلم المشي أو تعلم الإمساك بكوب، لكنها واجهت صعوبة في أداء المهمة المعقدة واليومية المتمثلة في المشي نحو جسم ثقيل، والإمساك به بإحكام، وحمله إلى مكان آخر دون إسقاطه أو السقوط.
قدم فريق من الباحثين نظاماً جديداً يسمى "WEAVE" لحل هذه المشكلة تحديداً. يبدأ نهجهم بتسجيل بشر حقيقيين وهم يتفاعلون مع أشياء يومية مثل الكراسي والصناديق والطاولات. تلتقط هذه التسجيلات الحركة الكاملة للشخص أثناء اقترابه من الشيء، والإمساك به، وتحريكه. ثم يأخذ الباحثون هذه الحركات البشرية ويترجمونها إلى تنسيق يمكن للروبوت فهمه وتنفيذه. هذا الترجمة ليست مجرد "نسخ ولصق" بسيط؛ بل هي إعادة بناء دقيقة تحترم الحدود الفيزيائية للروبوت. يقوم النظام أولاً بملء الأجزاء المفقودة من الحركة، مثل الخطوات التي يحتاجها الروبوت للاقتراب من الجسم، والتي لم تكن موجودة في التسجيل البشري الأصلي. ثم يقوم بتعديل حركات يد الإنسان لتناسب أصابع الروبوت المحددة، مما يضمن أن قبضة الروبوت ممكنة فيزيائياً وقوية بما يكفي للإمساك بالجسم. ومن الأهمية بمكان أن النظام يولي اهتماماً دقيقاً للمكان الذي تلمس فيه الأصابع الجسم بالضبط، محافظاً على نقاط التلامس التي تجعل القبضة مستقرة.
بمجرد إنشاء هذه الحركات المرجعية، يقوم الباحثون بتدريب برنامج حاسوبي واحد، أو "سياسة" (policy)، للتعلم منها. هذا البرنامج مصمم للتحكم في كل مفصل في جسم الروبوت، بما في ذلك المفصل لتسعة وعشرين مفصلاً في جذعه وساقيه والاثني عشر مفصلاً في يديه. بدلاً من تدريب برنامج منفصل لكل نوع من الأشياء، درب الباحثون هذا البرنامج الواحد على مجموعة متنوعة من العناصر وأساليب التفاعل في وقت واحد. يتعلم الروبوت في بيئة محاكاة، وهي عالم رقمي حيث يمكنه التدرب آلاف المرات دون كسر أي شيء. يتعلم مراقبة الحركة المرجعية ومحاولة مطابقتها، مع تعديل توازنه وضغط أصابعه في الوقت الفعلي للحفاظ على أمان الجسم. التدريب صارم، ويتضمن تغييرات عشوائية في احتكاك الروبوت ووزنه لضمان قدرته على التعامل مع الظروف غير المتوقعة.
نتائج هذا التدريب مثيرة للإعجاب. فعند اختبار الروبوت على أشياء وحركات محددة رآها أثناء التدريب، نجح في إكمال المهمة بنسبة 92.5% من المرات. والأهم من ذلك، أظهر النظام قدرة قوية على التعميم. فعندما اختبر الباحثون الروبوت في تسلسلات من الحركات التي لم يرها من قبل، باستخدام نفس الأشياء ولكن من زوايا مختلفة أو بحركات مختلفة، نجح بنسبة 65.0% دون أي تدريب إضافي. يشير هذا إلى أن الروبوت تعلم استراتيجية عامة للتفاعل مع الأشياء بدلاً من مجرد حفظ حركات محددة. كما نشر الباحثون مجموعة بيانات كبيرة لهذه الحركات الناجحة، تبلغ حوالي 23 ساعة من نشاط الروبوت المسجل، لمساعدة العلماء الآخرين في دراسة كيفية تعلم الروبوتات التفاعل مع العالم المادي.
تسلط الدراسة الضوء على أن تعلم التعامل مع الأشياء يكون أكثر فعالية عندما يتعلم الروبوت تنسيق جسده بالكامل في وقت واحد. من خلال التدريب على العديد من الأشياء المختلفة معاً، اكتشف الروبوت أنماطاً مشتركة، مثل كيفية موازنة وزنه عند رفع صندوق ثقيل أو كيفية وضع قدميه عند الوصول إلى مصباح طويل. أثبت هذا النهج الموحد أنه أكثر نجاحاً من تدريب متخصصين منفصلين لكل جسم. وجد الباحثون أنه بينما قد يكون المتخصص أفضل قليلاً في محاكاة الوضعية الدقيقة لعنصر معين، كان الروبوت "العام" أفضل بكثير في إكمال المهمة عبر مجموعة واسعة من المواقف. يشير هذا إلى أن القدرة على التكيف مع الأشكال والمواقف الجديدة أكثر قيمة من التقليد المثالي لحركة واحدة.
رغم هذه النجاحات، يوضح الباحثون حدود عملهم. فقد أُجريت الدراسة بأكملها في محاكاة حاسوبية، مما يعني أن الروبوت لم يلمس العالم الحقيقي فعلياً. اعتمد النظام على معرفة مثالية بمكان وجود الروبوت والجسم، وهو أمر لا يتوفر دائماً في العالم الحقيقي حيث قد تكون المستشعرات مشوشة. بالإضافة إلى ذلك، يستخدم الروبوت في المحاكاة أيدٍ ليست مرنة تماماً، مما يحد من تعقيد القبضات التي يمكنه القيام بها. يشير الباحثون أيضاً إلى أن نظامهم يتطلب تسلسلاً مخططاً مسبقاً من الأفعال ليتبعه؛ فهو لا يمتلك بعد القدرة على اتخاذ القرار من تلقاء نفسه بشأن ما يجب التقاطه أو إلى أين ينقله. هذه هي الخطوات التالية في هذا المجال، حيث ستحتاج الأنظمة المستقبلية إلى الجمع بين هذه المهارة البدنية والقدرة على فهم التعليمات المعقدة والتنقل في الطبيعة غير المتوقعة للعالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.