Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

تجد الروبوتات المتنقلة طريقها بشكل متزايد إلى حياتنا اليومية، حيث تُكلف بتوصيل الطرود، أو فحص البنية التحتية، أو توفير المساعدة في التنقل للأشخاص الذين يحتاجون إليها. ولكي تتحرك هذه الآلات بأمان عبر أرصفة المدن المزدحمة وغير المستوية، يجب أن تتعلم التنقل تماماً كما يفعل البشر: من خلال مراقبة محيطها واتخاذ قرار بشأن وجهتها التالية. إن الطريقة الأكثر فعالية لتعليم الروبوت هذه المهارة هي إطلاعه على آلاف الأمثلة لرحلات ناجحة، وهي عملية تُعرف باسم جمع بيانات التنقل. تقليدياً، كان جمع هذه البيانات عملية بطيئة ومكلفة، تتطلب من الباحثين قيادة روبوت فعلياً عبر الأحياء، وتسجيل كل انعطاف وعائق بعناية. وتحد هذه الطريقة من كمية البيانات التي يمكن جمعها وتُقيد تنوع البيئات التي يمكن للروبوت التعلم منها، حيث يكون نقل المعدات الثقيلة والمتخصصة إلى كل موقع جديد أمراً غير عملي في كثير من الأحيان.

يكمن التحدي الجوهري في إيجاد طريقة لتعليم الروبوت كيفية الحركة دون استخدام الروبوت نفسه. فلو كان بإمكان الإنسان ببساطة السير في مسار ما وتسجيل ذلك المسار، لكان من الأسهل بكثير جمع الكميات الهائلة من المعلومات اللازمة لتدريب هذه الآلات. ومع ذلك، فإن المشي البشري البسيط ليس بديلاً مثالياً؛ إذ يمكن للناس بسهولة تجاوز الأرصفة، أو صعود السلالم، أو المرور عبر الفتحات الضيقة التي لا يمكن لروبوت ذي عجلات التعامل معها أبداً. فإذا تعلم الروبوت من إنسان صعد درجات سلم، فقد يحاول القيام بالمثل، مما يؤدي إلى اصطدام. ويتطلب الحل طريقة تلتقط الحركة البشرية ولكنها تمنع مادياً جمع المسارات المستحيلة، مما يضمن أن البيانات تعكس ما يمكن للعجلة القيام به بالفعل.

قدم باحثون في جامعة نورث إيسترن نهجاً جديداً يسمى "واجهة التنقل الشاملة" (Universal Navigation Interface)، والذي يحل هذه المشكلة باستخدام قطعة شائعة من المعدات: المشاية الرباعية (rollator walker). يعمل هذا الجهاز، الذي يستخدمه الناس غالباً للحصول على الاستقرار أثناء المشي، كمرشح مادي للبيانات. فعندما يدفع الشخص المشاية، يتم توجيهه بشكل طبيعي نحو المسارات الآمنة للعجلات؛ فالمشاية لا يمكنها صعود السلالم، ولا يمكنها صعود رصيف غير ممهد، ولا يمكنها المرور عبر الفتحات الضيقة جداً. هذا القيد المادي يجبر المشغل على اختيار المنحدرات، وفتحات الأرصفة، والممرات الواسعة، مما يوجه النموذج البشري بفعالية نحو المسارات الممكنة لروبوت ذي عجلات. ويتميز النظام بكونه بسيطاً ومنخفض التكلفة بشكل ملحوظ، حيث يتكون من المشاية نفسها وهاتف ذكي قياسي مثبت على المقابض. يقوم الهاتف الذكي بتسجيل تدفق متزامن من البيانات البصرية والمكانية، بما في ذلك الصور الملونة، ومعلومات العمق، ومستشعرات الحركة، مما يخلق سجلاً غنياً للرحلة.

باستخدام هذا الإعداد، جمع الفريق أكثر من سبعة وثلاثين كيلومتراً من بيانات التنقل عبر ثلاث مدن مختلفة. لقد ساروا عبر بيئات حضرية متنوعة، واجهوا فيها كل شيء من الأرصفة المبللة ومناطق البناء إلى ممرات المشاة المزدحمة ورحلات المصاعد. ولأن المشاية منعت المشغلين مادياً من محاولة صعود السلالم أو عبور الأرصفة غير الممهدة، فإن مجموعة البيانات الناتجة خالية بطبيعتها من أنواع المناورات المستحيلة التي غالباً ما تشوب البيانات التي يجمعها البشر. قام الباحثون بعد ذلك بمعالجة هذه التسجيلات لاستخراج مسارات مترية دقيقة—أي رسم خريطة لمكان تحرك الجهاز بالضبط بالمسافات في العالم الحقيقي. واستخدموا معلومات العمق من مستشعرات الهاتف الذكي لتثبيت بيانات الحركة في العالم المادي، مما ضمن أن المسافات كانت دقيقة وليست مجرد تخمينات نسبية.

كان الاختبار الحقيقي لهذه الطريقة هو ما إذا كانت البيانات قادرة بالفعل على تعليم الروبوت التنقل بشكل أفضل. أخذ الباحثون نماذج التنقل الموجودة، وهي "الأدمغة البرمجية" التي تسمح للروبوتات بالتحرك، وقاموا بضبطها بدقة باستخدام بيانات المشاية الجديدة. وكانت النتائج كبيرة؛ فعندما تم اختبار هذه النماذج على مسارات غير مرئية، تحسنت قدرتها على التنبؤ بالمسار الصحيح بنسبة تقارب خمسة وعشرين بالمئة مقارنة بأدائها السابق. وقد ظل هذا التحسن ثابتاً عبر ثلاثة أنواع مختلفة من نماذج التنقل، مما يشير إلى أن الطريقة قوية وقابلة للتطبيق على نطاق واسع. علاوة على ذلك، التقطت البيانات فترات التوقف الطبيعية، مثل الانتظار عند ممر المشاة أو إفساح الطريق للمشاة، وهي لحظات غالباً ما يتم استبعادها من مجموعات البيانات الأخرى ولكنها حاسمة للسلوك الآمن للروبوت. وعندما تم تدريب النماذج على التعرف على هذه اللحظات الثابتة، تحسنت قدرتها على التنبؤ بموعد التوقف بشكل كبير، مما قلل الأخطاء في تلك المواقف بأكثر من ستين بالمئة.

ولإثبات أن هذه المعرفة يمكن أن تنتقل من مشاية بسيطة إلى آلة أكثر تعقيداً، اختبر الفريق النماذج المدربة على كرسي متحرك كهربائي. وفي سلسلة من التجارب ذات الحلقة المغلقة، كُلِّف الكرسي المتحرك بالاقتراب من عوائق مثل الأرصفة غير الممهدة والسلالم. النسخة التي لم تُدرب على بيانات المشاية استمرت في التقدم، غير قادرة على التعرف على الحاجز، وكانت ستصطدم به لولا التدخل البشري. في المقابل، نجح الكرسي المتحرك المجهز ببرمجيات UNI في التوقف قبل العوائق في معظم التجارب، كما حدد المسارات الآمنة لفتحات الأرصف "المنحدرات" وعبرها دون تردد. أثبت هذا أن الدروس المستفادة من المشاية البشرية البسيطة يمكن تطبيقها مباشرة على منصة عجلات مختلفة وأكثر تعقيداً، رغم اختلاف جهاز الجمع والروبوت المستهدف.

تخلص الدراسة إلى أن وسيطًا مادياً بسيطاً ومنخفض التكلفة يمكن أن يحل محل المنصات الروبوتية المكلفة لجمع بيانات التنقل. فمن خلال استخدام المشاية لتقييد العروض البشرية، أنشأ الباحثون مجموعة بيانات ضخمة وواقعية مادياً للروبوتات ذات العجلات. يزيل هذا النهج الحاجة إلى تشغيل روبوت أثناء مرحلة جمع البيانات، مما يجعل من الممكن جمع أمثلة تنقل متنوعة من أماكن كثيرة وفي ظروف أكثر عديدة مما كان ممكناً في السابق. وبينما لا تحل هذه الطة كل تحديات التنقل للروبوتات، إلا أنها توفر وسيلة عملية وقابلة للتوسع لتعليم الروبوتات كيفية التحرك في العالم، مما يسد الفجوة بين الحدس البشري والقدرة الآلية.