Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

أصبحت الروبوتات التي تسير على أربع أرجل بارعة بشكل ملحوظ في التنقل في العالم غير المستوي والفوضوي الذي نعيش فيه. يمكنها تسلق الصخور، والمشي عبر الطين، والتعافي من الانزلاقات ببراعة كانت تبدو مستحيلة للآلات في السابق. ومع ذلك، لا تزال هناك عقبة كبيرة قائمة عندما يُطلب من هذه الروبوتات القيام بما هو أكثر من مجرد المشي: وهو دفع أو سحب أو حمل الأشياء أثناء الحركة. تتطلب هذه المهمة المزدوجة، المعروفة باسم "التنقل التفاعلي" (loco-manipulation)، أن يتفاعل الروبوت مع بيئته بطرق معقدة. وتكمن الصعوبة في حقيقة أن العالم المادي مليء بالمجهولات؛ فالروبوت لا يعرف بطبيعته مدى ثقل الصندوق، أو مدى خشونة الأرضية، أو مقدار الاحتكاك الموجود بين قدميه والأرض. إذا افترض الروبوت أن الصندوق خفيف بينما هو في الواقع ثقيل، أو افترض أن الأرض زلقة بينما هي لزجة، فإن حركاته ستفشل. قد ينزلق، أو يسقط الشيء، أو يفقد توازنه. ولكي ينجح الروبوت في هذه الظروف غير اليقينية، لا يمكنه الاعتماد على مجموعة من القواعد المبرمجة مسبقاً بناءً على معرفة مثالية؛ بل يجب أن يكون قادراً على التعلم عن الخصائص الفيزيائية لمحيطه أثناء تحركه.

لقد حاول الباحثون طويلاً حل هذه المشكلة من خلال تعليم الروبوتات تخمين هذه الخصائص قبل بدء المهمة، أو باستخدام نماذج رياضية معقدة تتطلب من الروبوت حساب الفيزياء الدقيقة لكل تفاعل. غالباً ما تعاني هذه الطرق التقليدية لأن العالم الحقيقي فوضوي للغاية بالنسبة للحسابات المثالية، خاصة عندما تكون أقدام الروبوت في حالة اتصال مستمر وانفصال مع الأرض. يقدم نهج جديد، طوره فريق من المهندسين، حلاً مختلفاً. فبدلاً من محاولة حساب الإجابة المثالية من البداية، يقوم الروبوت باستمرار باختبار العديد من الاحتمالات المختلفة في عقله الخاص، ومقارنتها بما يشعر به فعلياً، وتحديث فهمه في الوقت الفعلي. تتيح هذه الطريقة للروبوت التكيف فوراً عندما يتغير وزن جسم ما أو عندما ينتقل من أرضية ناعمة إلى أخرى خشنة.

جوهر هذا النظام الجديد هو إطار عمل يطلق عليه الباحثون اسم "Adaptive-MHE". لفهم كيفية عمله، تخيل روبوتاً يدفع صندوقاً ثقيلاً عبر أرضية. بينما يتحرك الروبوت، يسجل كل تفصيل للتفاعل: سرعة حركته، وكيفية انثناء مفاصله، وكيف يستجيب الصندوق. ثم يقوم النظام بتشغيل محاكاة متوازية وسريعة في الخلفية؛ حيث يولد آلاف السيناريوهات من نوع "ماذا لو". في أحد السيناريوهات، قد يكون الصندوق خفيفاً جداً؛ وفي آخر، قد يكون ثقيلاً للغاية؛ وفي سيناريو ثالث، قد تكون الأرض مغطاة بالجليد. يحاكي النظام كيف سيتحرك الروبوت تحت كل فرضية من هذه الفرضيات المختلفة. ثم يقارن هذه الحركات المحاكات مع البيانات الفعلية التي يجمعها الروبوت من العالم الحقيقي. ويتم اختيار السيناريو الذي يطابق بيانات العالم الحقيقي بشكل وثيق باعتباره الحقيقة الأكثر احتمالاً. هذه العملية ليست عملية حسابية لمرة واحدة؛ بل تحدث باستمرار في "نافذة منزلقة"، مما يعمل على صقل تقدير الروبوت للعالم مع وصول معلومات جديدة.

هذه العملية التقديرية مرتبطة ارتباطاً وثيقاً بنظام التحكم الخاص بالروبوت. بمجرد أن يمتلك النظام فكرة أفضل عن وزن الصندوق أو احتكاك الأرض، فإنه يستخدم هذه المعلومات فوراً لتعديل حركات الروبوت. يستخدم نظام التحكم، الذي يقرر كيف يجب أن تتحرك أرجل الروبوت، هذه التقديرات المحدثة لتخطيط خطواته التالية. إذا أدرك الروبوت أن الصندوق أثقل مما ظن، فسيقوم تلقائياً بتطبيق قوة أكبر. وإذا اكتشف أن الأرض أكثر انزلاقاً، فسيعدل وقفته للحفاظ على توازنه. تتم دورة الاستشعار والتقدير والعمل بأكملها بسرعة تجعل الروبوت يبدو وكأ أنه يستجيب بغريزة للتغيرات في بيئته. اختبر الباحثون هذا النظام على روبوت رباعي الأرجل يسمى "Unitree Go1"، وهو روبوت متاح تجارياً. وضعوه في سلسلة من المهام الصعبة المصممة لاختبار قدرته على التعامل مع عدم اليقين.

في إحدى مجموعات التجارب، كُلف الروبوت بدفع صندوق نحو هدف محدد. أدخل الباحثون تغييرات مفاجئة على البيئة لمعرفة كيفية استجابة الروبوت. في أحد السيناريوهات، تمت زيادة كتلة الصندوق بمقدار كيلوغرام واحد بينما كان الروبوت يدفعه بالفعل. وفي سيناريو آخر، كان على الروبوت دفع الصندوق عبر نوعين مختلفين من الأرضيات: واحدة ذات معامل احتكاك منخفض قدره 0.4 وأخرى ذات معامل احتكاك مرتفع قدره 0.8. كان على الروبوت اكتشاف هذا التغيير في ملمس الأرض وتعديل قوة الدفع الخاصة به وفقاً لذلك دون توقف أو فقدان السيطرة. كما اختبر النظام قدرة الروبوت على دفع صندوق باستخدام رجل واحدة فقط مع إبقاء الأرجل الثلاث الأخرى ثابتة، وهي مهمة تتطلب توازناً دقيقاً وتطبيقاً للقوة.

أظهرت النتائج أن نظام "Adaptive-MHE" تفوق بشكل كبير على الروبوتات التي اعتمدت على افتراضات ثابتة ومحددة مسبقاً حول البيئة. عندما أُعطي الروبوت اعتقاداً ثابتاً حول وزن الصندوق أو احتكاك الأرض، فشل في إكمال المهمة في معظم التجارب، وغالباً ما انزلق أو أخط الهدف. في المقابل، نجح الروبوت التكيفي في ما يقرب من 87 بالمائة من التجارب، رغم أنه بدأ دون أي معرفة بالخصائص الفيزيائية الحقيقية. ورغم أنه لم يؤدِ بشكل مثالي تماماً مثل روبوت افتراضي يعرف الوزن والاحتكاك الدقيقين منذ البداية، إلا أنه اقترب منه بشكل ملحوظ. تمكن الروبوت التكيفي من تقليل خطئه في الوصول إلى الهدف إلى جزء ضئيل من مسافة الروبوت غير التكيفي، كما أتم المهام بشكل أسرع وبطاقة أقل هدراً.

وجد الباحثون أن النظام يعمل بشكل أفضل عندما يقوم بتحديث تقديراته بشكل متكرر ولكن ليس بشكل متكرر جداً لدرجة تؤدي إلى عدم الاستقرار. اختبروا إعدادات مختلفة لكيفية وتيرة إعادة تقييم البيئة وعدد السيناريوهات المختلفة التي يجب محاكاتها في وقت واحد. واكتشفوا أن التوازن مطلوب؛ حيث سمح تحديث التقديرات كل بضع ثوانٍ للروبوت بتتبع التغييرات بفعالية دون أن يغرق في الضجيج الناتج عن البيانات. كان النظام قادراً على تحديد كتلة الجسم واحتكاك التضاريس بدقة عالية، حتى عندما تغيرت هذه الخصائص فجأة أثناء المهمة. تشير هذه القدرة إلى أنه يمكن تصميم الروبوتات للعمل بفعالية في بيئات تكون فيها الخصائص الفيزيائية مجهولة أو متغيرة باستمرار، دون الحاجة إلى إعادة تدريبها لكل موقف جديد.

يمثل هذا العمل خطوة مهمة نحو جعل الروبوتات أكثر قوة وتنوعاً. فمن خلال الجمع بين طريقة لتقدير المعايير الفيزيائية وبين متحكم يمكنه العمل بناءً على تلك التقديرات في الوقت الفعلي، ابتكر الباحثون نظاماً يمكنه التعامل مع عدم القدرة على التنبؤ في العالم الحقيقي. لا يتطلب هذا النهج مستشعرات خاصة لقياس الوزن أو الاحتكاك مباشرة؛ بل يستنتج هذه الخصائص من حركات الروبوت وتفاعلاته الخاصة. وهذا يجعل التكنولوجيا أكثر عملية للنشر في إعدادات متنوعة، من المستودعات إلى مناطق الكوارث، حيث نادراً ما تكون الظروف معروفة مسبقاً. إن نجاح إطار عمل "Adaptive-MHE" يثبت أن الروبوتات يمكنها تعلم التكيف مع محيطها المادي "على الطاير"، مما يسد الفجوة بين البيئة المحكومة في المحاكاة والواقع الفوضوي للعالم الخارجي.