Graph-Based Design of Soft Grippers with Multi-Objective Quality-Diversity Optimisation
تقترح هذه الورقة حيز تصميم قائم على الرسوم البيانية مقترناً بإطار تحسين جيني متعدد الأهداف ومدفوع بالتنوع لتوليد مقابض لينة تُظهر تعميماً ناشئاً ومتانة محسنة عبر سيناريوهات إمساك متنوعة وغير مرئية.
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 تستطيع فيه الروبوتات التقاط حبة فراولة ناضجة دون خدشها، ثم الانتقال فوراً إلى رفع صخرة ثقيلة وغير منتظمة الشكل، وكل ذلك دون الحاجة إلى مجموعة جديدة من التعليمات أو رؤية كاميرا مثالية. هذا هو "الكأس المقدسة" في علم الروبوتات: آلة يمكنها التعامل مع التنوع الفوضوي وغير المتوقع للعالم الحقيقي. لعقود من الزمن، حاول المهندسون حل هذه المشكلة عبر بناء روبوتات "تفكر" بشكل أعمق، باستخدام برمجيات معقدة لحساب كل حركة. ولكن هناك مسار آخر، يعتمد على الجسد المادي للروبوت نفسه. فالروبوتات اللينة، المصنوعة من مواد مرنة مثل المطاط أو السيليكون، تنحني وتتشكل طبيعياً لتلائم الأجسام من حولها. إنها تمتلك نوعاً من "الذكاء الميكانيكي"، حيث يساعد شكل الروبوت في أداء المهمة. ومع ذلك، فإن تصميم هذه الأيدي اللينة أمر صعب للغاية؛ فبسبب قدرتها على الانحناء بطرق لا حصر لها، هناك طرق لا نهائية تقريباً لبنائها، والبحث عن الطريقة المثلى التي تصلح لكل شيء يشبه البحث عن إبرة في كومة قش يتغير شكلها باستمرار.
لقد اتخذ فريق من الباحثين في "CSIRO Robotics" في أستراليا نهجاً جديداً لهذه المشكلة. فبدلاً من محاولة تصميم قابض واحد مثالي لمهمة محددة، قاموا بإنشاء نظام يصمم عائلة كاملة ومتنوعة من القوابض اللينة في آن واحد. لقد عاملوا تصميم هذه الروبوتات كأنه لغز مكون من نقاط وخطوط متصلة، وهي طريقة تسمح لهم باستكشاف عدد هائل من الأشكال دون التوقف عند حل واحد فقط. ومن خلال اختبار هذه التصاميم مقابل سيناريوهات مختلفة — مثل الإمساك بأجسام صلبة صغيرة، وأخرى كبيرة لينة، وكل ما بينهما — اكتشفوا شيئاً مفاجئاً. فعندما أجبروا حاسوبهم على إيجاد حلول تعمل جيداً في كل هذه المواقف المختلفة، لم تصبح الروبوتات الناتجة جيدة في شيء واحد فحسب، بل أصبحت بارعة بشكل مذهل في التعامل مع أجسام لم ترهَا من قبل.
بدأ الباحثون ببناء لغة رقمية لوصف هذه الروبوتات اللينة. فبدلاً من رسم شكل صلب، مثّلوا الروبوت كشبكة من النقاط والخطوط؛ حيث تمثل النقاط نقاطاً في الفضاء، وتمثل الخطوط المادة التي تربط بينها. هذه الشبكة مرنة؛ إذ يمكن للحاسوب إضافة أو إزالة النقاط، أو تحريكها، أو تغيير مدى سماكة الخطوط الواصلة بينها. هذا النهج قوي لأنه يسمح للحاسوب بابتكار أشكال قد لا يخطر ببال مصمم بشري، مما يخلق منحنيات وهياكل معقدة تظل بسيطة بما يكفي ليختبرها الحاسوب بسرعة. وللتأكد من أن هذه التصاميم الرقمية واقعية، استخدم الفريق عمليات محاكاة فيزيائية متقدمة تأخذ في الاعتبار كيفية تمدد المواد اللينة، والتفافها، وارتدادها. حتى أنهم قاموا بمحاكاة كيفية ملامسة الروبوت لجسم ما، لضمان عدم مرور المطاط الافتراضي عبر التفاحة أو الصخرة الافتراضية.
إلا أن الابتكار الحقيقي كان في كيفية البحث عن أفضل التصاميم. عادةً، عندما تحاول الحواسيب حل مشكلة ما، فإنها تركز على إيجاد الإجابة الأفضل لمهمة محددة. إذا طلبت من الحاسوب تصميم قابض لكرة تنس، فسيقوم بإنشاء شكل مثالي لكرة التنس، لكنه سيكون عديم الفائدة لأي شيء آخر. يُعرف هذا بـ "الإفراط في التخصيص" (overfitting)، وهو عقبة رئيسية في علم الروبوتات. قرر فريق "CSIRO" محاربة ذلك باستخدام استراتيجية تقدر التنوع؛ فقد طلبوا من حاسوبهم إيجاد تصميمات ليست جيدة في الإمساك فحسب، بل ومختلفة عن بعضها البعض أيضاً. وضعوا منافسة كان على الحاسوب فيها الموازنة بين أربعة أهداف مختلفة في وقت واحد: الإمساك بجسم صلب صغير، وجسم صلب كبير، وجسم لينة صغير، وجسم لينة كبير. كما أُمر الحاسوب بالحفاظ على نطاق واسع من الحلول، لضمان عدم هيمنة نوع واحد من القوابض على النتائج.
بينما كان الحاسوب يجري آلاف عمليات المحاكاة، ويطور هذه التصاميم عبر مئات الأجيال، ظهر نمط واضح. التصاميم التي أُجبرت على التنوع لم تتحول إلى مزيج فوضوي من الحلول المتوسطة، بل طورت متانة تفتقر إليها التصاميم المخصصة لمهمة واحدة. وعندما اختبر الباحثون هذه التصاميم المتنوعة على أجسام لم يسبق عرضها على الحاسوب خلال مرحلة التدريب، كانت النتائج مذهلة. فالقوابض المصممة لمهمة واحدة فشلت فشلاً ذريعاً عند مواجهة شكل جديد، أما القوابض التي تم تحسينها من أجل التنوع، فقد تعاملت مع هذه التحديات الجديدة بسهولة. لقد استطاعت التكيف مع عمود مقعر أو هيكل يشبه المرجان لا يشبه شيئاً مما تدربت عليه. لقد تبين أنه من خلال تعليم الحاسوب أن يكون مرناً في تفكيره، تعلمت الروبوتات الفيزيائية أن تكون مرنة في أجسادها.
ولإثبات أن هذا لم يكن مجرد نتاج حاسوبي، قام الفريق ببناء اثنين من هذه القوابض المحسنة من المطاط الحقيقي. قاموا بتثبيتها على محرك واختبروها عبر السحب على أجسام متنوعة، بما في ذلك كرة، ودبوس، وهيكل رقيق يشبه المرجان. تصرفت الروبوتات الفيزيائية تماماً كما توقعت عمليات المحاكاة؛ فقد استخدمت لانتهاء لتتلاءم مع أشكال الأجسام، مولدةً قوة كافية للإمساك بها دون سحقها. وقد أكد هذا أن التصاميم الرقمية قد نجحت في تجسيد المبادئ الفيزيائية الحقيقية لكيفية تفاعل المواد اللينة مع العالم. أظهرت التجربة أن "الذكاء الميكانيكي" للروبوت هو الذي يقوم بالعمل الشاق، مما سمح له بتعميم مهاراته على مواقف جديدة دون الحاجة إلى إعادة برمجة.
تشير الدراسة إلى أن المفتاح لبناء روبوتات قابلة للتكيف حقاً قد لا يكمكم في جعلها أكثر ذكاءً، بل في جعل عملية تصميمها أكثر تنوعاً. فمن خلال رفض الاستقرار عند حل واحد مثالي، وعوضاً عن ذلك احتضان نطاق واسع من الاحتمالات، يمكن للمهندسين إنشاء آلات قوية بطبيعتها ضد المفاجآت. يقدم هذا النهج مساراً واعداً للروبوتات التي تحتاج للعمل في بيئات غير متوقعة، من حصاد الفاكهة في الحقول إلى المساعدة في المختبرات. إنه يوضح أنه في بعض الأحيان، قد تكون أفضل طريقة للاستعداد للمجهول هي التدرب على "القليل من كل شيء".
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.