Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control
تقترح هذه الورقة إطار عمل للتحكم اللامركزي المتمحور حول الأجسام يُمكّن فرقاً من الروبوتات البشرية متعددة الأعضاء من التعاون في رفع ونقل أجسام ذات أحجام متفاوتة باستخدام تقنية القرص ثنائي اليد بدون مقابض، مما يثبت أن السياسات التي تم تدريبها على مهام الروبوت الواحد تنتقل بفعالية إلى سيناريوهات الروبوتات المتعددة مع الاستفضاء بمزيد من الفائدة من التدريب على التنسيق الصريح.
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
تخيل عالماً يمكن فيه للروبوتات أن تفعل أكثر من مجرد التحرك في خطوط مستقيمة أو دفع صناديق بسيطة. يمكنها المشي، والتوازن، وحمل الأشياء الثقيلة، تماماً كما يفعل البشر. لقد حقق هذا المجال، المعروف باسم الروبوتات البشرية (humanoid robotics)، خطوات كبيرة في تعليم الآلات الفردية كيفية التقاط الأشياء وحملها من مكان إلى آخر. ومع ذلك، فإن الروبوت الواحد له حدود؛ إذ لا يمكنه رفع الكثير من الوزن، ولا يمكنه الوصول إلى مسافات بعيدة. وعندما يكون الشيء كبيراً جداً، أو ثقيلاً جداً، أو ذا شكل غريب، لا يستطيع روبوت واحد القيام بالمهمة بمفرده. وهنا يأتي دور فكرة العمل الجماعي. فتماماً كما قد يتجمع مجموعة من الأشخاص لنقل قطعة أثاث كبيرة، يمكن لفريق من الروبوتات التنسيق لحمل حمل ثقيل معاً. ويكمن التحدي في تعليم هذه الآلات كيفية العمل معاً دون الحاجة إلى قائد مركزي يخبر كل منها بالضبط ما يجب فعله في كل ثانية. فإذا لم يتمكنوا من التواصل مع بعضهم البعض، فكيف سيعرفون متى يرفعون، ومتى يمشون، وكيف يحافظون على استقرار الشيء؟
لقد طور باحثون في جامعة ولاية أوريغون طريقة جديدة لحل هذه المشكلة، مما يسمح لفرق الروبوتات البشرية بالتعاون دون الحاجة إلى التحدث مع بعضها البعض. يركز عملهم على نظام يتم فيه إعطاء كل روبوت مكاناً محدداً على الشيء الذي يحتاج إلى حمله. وبدلاً من محاولة فهم الشكل الكامل للشيء أو موقع كل روبوت آخر، يحتاج كل آلة فقط إلى معرفة أين يجب أن تلمس يداها الحمل. هذا النهج، الذي يسميه المؤلفون "التحكم اللامركزي المتمحور حول الكائن" (decentralized object-centric control)، يعامل الكائن كمركز للعملية. حيث يتم تخصيص منطقة صغيرة على سطح الكائن لكل روبوت، مثل بقعة محددة على طاولة كبيرة، ويتعلم الروبوت الإمساك بتلك البقعة باستخدام يديه في حركة قرص. وبمجرد الالتصاق، يتبع الروبوت تعليمات بسيطة لتحريك الكائن في اتجاه معين، مثل الأمام، أو الجانب، أو الأعلى. ولأن كل روبوت يتبع نفس القاعدة الأساسية بناءً على بقعته المحلية الخاصة، فإنهم يتحركون معاً بشكل طبيعي دون الحاجة إلى إرسال رسائل ذهاباً وإياباً.
قام الباحثون بتدريب روبوتاتهم باستخدام محاكاة حاسوبية، بدءاً من روبوت واحد فقط يتعلم كيفية التقاط الصنادي_ب وأحجامها وأوزانها المختلفة وحملها. لقد علموا الروبوت كيفية الاقتراب من جسم ما، والإمساك به بيديه، ورفعه، والمشي مع الحفاظ على استقراره. وبمجرد أن أتقن الروبوت المنفرد هذه المهارة، أدخل الباحثون روبوتاً ثانياً إلى المحاكاة. لم يعلموا الروبوتات كيفية التنسيق فيما بينها مباشرة، بل تركوا الروبوت الثاني يتعلم بنفس الطريقة، باستخدام بقعته المخصصة على الكائن. ومن المثير للدهشة أن المهارات التي تعلمتها الروبوتات عند العمل بمفردها انتقلت بشكل جيد جداً عند العمل في مجموعة. فالسياسة (policy) التي تم تدريبها على روبوت واحد استطاعت التعامل مع فريق يصل إلى عشرة روبوتات دون أي تدريب إضافي. وهذا يشير إلى أن الصعوبة الجوهرية للمهمة ليست في التنسيق بين الروبوتات، بل في قدرة كل روبوت على إمساك جزئه من الحمل بإحكام. وعندما تعمل الروبوتات معاً، فإنها تتشارك الوزن، ويصبح الكائن أكثر استقراراً. وفي الاختبارات التي شارك فيها عشرة روبوتات يحملون حملاً ثقيلاً، مال الكائن بنسبة أقل بكثير مما لو كان روبوت واحد يحمله، مما أظهر أن العمل الجماعي جعل النقل أكثر سلاسة وأماناً.
أثبت النظام مرونة مذهلة؛ فقد اختبر الباحثون النظام مع أشياء لم تُشاهد أثناء التدريب، بما في ذلك خزانة معدنية، وثلاجة، وجذع شجرة، وسرير، ولوح خرساني. وقد نجحت الروبوتات في التقاط وتحريك جميع هذه العناصر، رغم أنها لم تواجه هذه الأشكال المحددة من قبل. كما اختبروا النظام مع فرق ذات أحجام متفاوتة، من روبوت واحد إلى عشرة روبوتات، ووجدوا أن الأداء ظل مرتفعاً في جميع الحالات. كما استطاعت الروبوتات حتى تمرير جسم من روبوت إلى آخر. وفي سيناريوهات التسليم هذه، كان أحد الروبوتات يمسك الكائن بينما يقترب روبوت ثانٍ، ويمسك ببقعته الخاصة، ثم يترك الروبوت الأول الكائن. وقد حدث هذا بسلاسة سواء كانت الروبوتات واقفة، أو تمشي، أو حتى تقف على ارتفاعات مختلفة. كما قاس الباحثون مقدار الطاقة التي تستهلكها الروبوتات، ووجدوا أنه بينما تطلب إضافة روبوت ثانٍ طاقة أكثر قليلاً بسبب الحاجة إلى التنسيق، فإن إضافة المزيد من الروبوتات بعد ذلك لم ترفع تكلفة الطاقة لكل وحدة وزن يتم نقلها بشكل كبير. وهذا يعني أن الفرق الأكبر يمكنها حمل أحمال أثقل دون أن تصبح غير فعالة.
ولإثبات أن هذا لم يكن مجرد خدعة حاسوبية، نقل الباحثون نظامهم إلى العالم الحقيقي. استخدموا روبوتين بشريين حقيقيين، يُطلق عليهما اسم "Digit V3"، لأداء المهام. ودون أي تدريب جديد أو تعديلات، نجحت الروبوتات في التقاط صندوق كرتوني، وحمله معاً، وتمريره من أحدهما إلى الآخر. اعتمدت الروبوتات على مستشعرات خارجية لرؤية مكان الصندوق بالنسبة لأجسادها، وبمجرد حصولها على هذه المعلومات، نفذت نفس استراتيجية التحكم اللمركزية التي تعلمتها في المحاكاة. إن هذا الانتقال الناجح من المحاكاة إلى الواقع يظهر أن النهج قوي بما يكفي للاستخدام في العالم الحقيقي. ويشير الباحثون إلى أن نظامهم الحالي يعمل بشكل أفضل عندما يكون لجميع الروبوتات نفس الدور وتكتفي بالإمساك بأجزاء مختلفة من الكائن. وهو لا يتعامل بعد مع المواقف التي تحتاج فيها الروبوتات إلى اتخاذ أدوار مختلفة جداً، مثل أن يقود أحدها والآخر يتبعه، أو حيث تمتلك الروبوتات مقابض بدلاً من الأيدي المسطحة. ومع ذلك، تشير النتائج إلى أن طريقة التفكير المحلية والبسيطة في المهمة يمكن أن تحل مشكلات التعاون المعقدة. فمن خلال التركيز على الكائن وعلى البقعة المحددة التي يحتاج كل روبوت للإمساك بها، يسمح النظام لمجموعة من الآلات بالعمل كوحدة واحدة منسقة، قادرة على نقل الأشياء الثقيلة والمربكة التي لا يمكن لروبوت واحد إدارتها بمفرده.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.