Runtime Safety Filtering for Two-Terminal Hazards in Robotic Battery Recycling

تتعلم الروبوتات القيام بأعمال دقيقة، مثل فرز وإعادة تدوير البطاريات التي تشغل عالمنا الحديث. ولتعليمها، غالبًا ما يستخدم الباحثون الذكاء الاصطناعي الذي يتعلم من خلال مشاهدة فيديوهات لبشر يؤدون مهام معينة. هذه الأنظمة، المعروفة بنماذج (الرؤية-اللغة-الفعل)، يمكنها استنتاج كيفية التقاط بطارية أو تحريك أداة بمجرد النظر إلى المشهد وفهم تعليمات بسيطة. ومع ذلك، هناك فجوة بين ما تعرفه هذه الأنظمة الذكية وما يمكنها فعله بأمان. فقد يدرك الروبوت أنه بحاجة لنقل بطارية من النقطة (أ) إلى النقطة (ب)، لكنه قد لا يدرك أن تحريكها بالقرب من جزء معدني معين قد يتسبب في ماس كهربائي خطير. ولجسر هذه الفجوة، يستخدم المهندسون "مرشح سلامة". تخيل هذا المرشح كمشرف يقظ يقف بين عقل الروبوت وعضلاته؛ يراقب المشرف كل حركة يخطط الروبوت للقيام بها، وإذا بدت حركة ما وكأنها ستنتهك قاعدة سلامة، فإن المشرف يوقفها ويخبر الروبوت بفعل شيء آخر بدلاً من ذلك. والتحدي يكمن في تحديد ما الذي يعتبر بالضبط حركة خطيرة، وتقرير ما يجب على الروبوت فعله عندما يُطلب منه التوقف.

في حالة إعادة تدوير البطاريات تحديدًا، يكون الخطر فريدًا من نوعه. تحتوي خلية البطارية على طرفين معدنيين، أحدهما موجب والآخر سالب. إذا لمس قطعة من المعدن، مثل غلاف البطارية نفسه أو أداة ما، كلا الطرفين في وقت واحد، فإن ذلك يخلق جسرًا يسمح للكهرباء بالتدفق حيث لا ينبغي لها ذلك، مما يسبب ماسًا كهربائيًا. وهذا يختلف عن الاصطدام العادي، حيث تكون المشكلة هي الاصطدام بجسم واحد. هنا، لا يوجد خطر إلا إذا اقترب الروبوت من كلا الطرفين في آن واحد. يمكن للروبوت أن يكون قريبًا جدًا من أحد الطرفين ويكون في أمان تام، ولكن في اللحظة التي يقترب فيها من الطرف الثاني بينما لا يزال قريبًا من الأول، يظهر الخطر. وقد سعى باحثون من جامعة سنغافورة الوطنية وعدة جامعات أسترالية لاختبار أفضل طريقة لبرمجة مشرفي السلامة هؤلاء للتعامل مع هذا الخطر المحدد المتمثل في "الطرفين". أرادوا معرفة ما إذا كانت الطريقة التي يتم بها تعريف الخطر أهم من ماهية ما يفعله الروبوت عندما يتم إيقافه.

قام الفريق ببناء بيئة محاكاة باستخدام منصة اختبار روبوتية قياسية تسمى (LIBERO)، حيث كان ذراع روبوت يحرك عنصرًا من مواد البقالة، والذي عمل كبديل لجزء موصل من البطارية، عبر طاولة عمل. وقاموا ببرمجة الروبوت بسياسة ذكاء اصطناعي ثابتة، مما يعني أن عقل اتخاذ القرار لدى الروبوت كان ثابتًا ولا يمكنه تعلم حيل جديدة أثناء الاختبار. ثم اختبر الباحثون نسخًا مختلفة من مرشح السلامة. أولاً، جربوا طرقًا مختلفة لتعريف "منطقة الخطر". استخدمت إحدى النسخ قاعدة بسيطة: الابتعاد عن أي من الطرفين. واستخدمت نسخة أخرى قاعدة أكثر تعقيدًا: الابتعاد عن المنطقة التي يمكن أن تلمس فيها كلا الطرفين في وقت واحد. كما اختبروا نهجًا هجينًا يجمع بين القاعدتين. ومن الأهمية بمكان أنهم لم يختبروا هذه القواعد عند مسافة ثابتة واحدة فحسب، بل قاموا بتعديل "الهامش"، أو منطقة العازل، لكل قاعدة لمعرفة مقدار المساحة المطلوبة للحفاظ على سلامة الروبوت دون إيقافه بشكل متكرر.

كان ما وجدوه مفاجئًا. فعندما قاموا بتعديل مناطق العازل لكل قاعدة لإيجاد أفضل توازن بين السلامة وإنجاز المهمة، أدت جميع تعريفات منطقة الخطر الثلاثة أداءً متشابهًا تمامًا. وسواء كان المشرف يبحث عن قاعدة بسيطة مثل "الابتعاد عن واحد" أو قاعدة معقدة مثل "الابتعاد عن كليهما"، كانت النتائج متطابقة تقريبًا بمجرد ضبط المسافة بشكل صحيح. وهذا يشير إلى أن الشكل المحدد لقاعدة السلامة أقل أهمية من ضبط المسافة بشكل صحيح. الفرق الحقيقي جاء من ماهية ما يفعله الروبوت عندما يقول المشرف "توقف".

اختبر الباحثون أربع طرق مختلفة لرد فعل الروبوت عندما يتم رفض حركة ما. الأولى كانت ببساطة الثبات في مكانه، أي تجميد الروبوت في موضعه. والثانية كانت "التراجع"، أي تحريك الروبوت للخلف بعيدًا عن الخطر. والثالثة كانت "البحث بالعينة"، حيث يجرب الروبوت بعض الحركات المختلفة قليلاً ليرى ما إذا كانت إحداها آمنة. أما الرابعة فكانت إسقاطًا رياضيًا معقدًا يحاول إيجاد أكثر حركة أمانًا تظل قريبة جدًا مما أراد الروبوت فعله في الأصل. وأظهرت النتائج أن استراتيجية "الثبات في المكان" كانت الأسوأ؛ فقد منعت الروبوت من إنهاء مهمته بنسبة 30% تقريبًا أكثر من استراتيجية "التراجع"، دون أن تجعل البيئة أكثر أمانًا في الواقع، حيث ظل الروبوت جالسًا هناك، فاشلاً في إتمام المهمة. ومن ناحية أخرى، فإن الاستراتيجيات التي حاولت أن تكون غير اقتحامية، مثل الإسقاط الرياضي أو البحث بالعينة، سمحت للروبوت بإنهاء مهمته في كثير من الأحيان، لكنها تركت خطرًا أكبر بكثير في اقتراب الروبوت من منطقة الخطر. أما استراتيجية "التراجع"، التي حركت الروبوت بوضوح بعيدًا عن الخطر، فقد قدمت أفضل توازن: فقد حافظت على سلامة الروبوت وسمحت له بإنهاء المهمة بقدر يماثل تقريبًا ما كان سيفعله الروبوت بدون المرشح.

كما بحثت الدراسة في كيفية سلوك هذه المرشحات عندما يرتكب الروبوت أخطاءً أو عندما تتغير البيئة. فقد اختبروا النظام مع سياسة روبوت مختلفة وأشكال بطاريات مختلفة، وظلت استراتيجية "التراجع" هي الأكثر فعالية. كما قاموا بمحاكاة أخطاء في قياسات المسافة التي يقوم بها الروبوت. ووجدوا أنه إذا أخطأ الروبوت في حجم الجسم الذي يحمله، فإن مرشح السلامة يصبح أقل فعالية بكثير مما لو كان مخطئًا قليًا في مكان الأطراف. وهذا يسلط الضال على أن معرفة حجم الحمولة لا تقل أهمية عن معرفة أماكن المخاطر. علاوة على على ذلك، اكتشفوا أن نظام السلامة الذي يتحقق فقط من التلامس الجسدي سيفشل تمامًا. فقد حدثت العديد من اللحظات الخطرة عندما كان الجسم لا يزال على بعد مليمترات قليلة من الأطراف، وهي مسافة صغيرة جدًا بحيث لا تسمح بالتلامس، ولكنها كبيرة بما يكفي للتسبب في ماس كهربائي. وكان نظام المراقبة القائم على التلامس سيتجاهل هذه الأحداث تمامًا.

في نهاية المطاف، يظهر هذا البحث أنه بالنسبة للروبوتات التي تتعامل مع المواد الخطرة، فإن الجزء الأكثر أهمية في نظام السلامة ليس بالضرورة الرياضيات المعقدة المستخدمة لتعريف الخطر، بل هو القرار البسيط والواضح بشأن ما يجب فعله عند اكتشاف الخطر. فالمشرف الذي يأمر الروبوت بالابتعاد أكثر فعالية بكثير من المشرف الذي يأمره بالتوقف في مكانه أو الذي يحاول دفعه بعيدًا قليلاً عن طريقه. توفر هذه الدراسة، التي أجريت بالكامل في بيئة محاكاة عالية الدقة، خارطة طريق واضحة لبناء روبوتات أكثر أمانًا. وهي تقترح أن على المهندسين التركيز بشكل أقل على ابتكار قواعد هندسية معقدة للخطر، وبشكل أكبر على اختيار استراتيجية رد فعل قوية وواضحة تحرك الروبوت بعيدًا عن المخاطر مع السماح له في الوقت نفسه بإكمال عمله. ومع توجه العالم نحو أتمتة إعادة تدوير ملايين البطاريات، تقدم هذه النتائج دليلًا عمليًا لضمان أن الآلات التي تقوم بهذا العمل لا تتسبب عن غير قصد في المخاطر التي وُجدت لإدارتها.