LOInK: Learned Optimal Inverse Kinematics via Structured Neural Surrogate Models
تُعد LOInK طريقة قائمة على البيانات تتعلم تعييناً عكسياً من نوع bi-Lipschitz إلى فضاء كامن مهيكل حيث تقع الحلول التي تقلل التكلفة عند الأصل، مما يتيح التوليد الفعال لحلول الكينماتيكا العكسية القريبة من المثالية بشكل أسرع بكثير من نهج التحسين المقيد التقليدي.
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 ذراعاً آلياً يحاول الوصول إلى كوب على طاولة. إذا كان للذراع طريقة واحدة فقط للتحرك، فسيكون المسار بسيطاً. ولكن معظم الروبوتات الحديثة، من أذرع المصانع إلى آلات التسلق، تمتلك مفاصل أكثر بكثير مما هو ضروري فعلياً لأداء مهمة واحدة. هذا الفائض في الحرية، المعروف بالزيادة (redundancy)، يعني أن هناك غالباً آلاف الطرق المختلفة لضبط وضعية الذراع للمس ذلك الكوب نفسه. قد تكون بعض هذه الوضعيات غير مريحة، مما يضع ضغطاً كبيراً على المحركات أو يخاطر بحدوث تصادم، بينما قد تكون وضعيات أخرى سلسة وفعالة. لقد كان التحدي الذي يواجه المهندسين دائماً هو كيفية العثور بسرعة على تلك الوضعية الأفضل الواحدة من بين الاحتمالات اللانهائية، خاصة عندما يحتاج الروبوت للتحرك في الوقت الفعلي.
لعقود من الزمن، كانت الطريقة القياسية لحل هذا اللغز هي التعامل معه كمشكلة رياضية معقدة، عبر إجراء حسابات ثقيلة في كل مرة يحتاج فيها الروبوت للتحرك. ورغم دقة هذا النهج، إلا أنه غالباً ما يكون بطيئاً جداً للمهام سريعة الحركة، أو مستحيلاً للاستخدام عندما تكون فيزياء الروبوت معقدة للغاية بحيث لا يمكن كتابتها في صيغة بسي。حاولت موجة جديدة من الأبحاث استخدام الذكاء الاصطناعي لتعلم هذه الحركات، لكن المحاولات السابقة غالباً ما أنتجت مزيجاً من الحلول العشوائية القابلة للتنفيذ دون الاهتمام بأيها هو الأفضل فعلياً؛ فقد تمكنت من إيجاد طريقة للوصول إلى الكوب، لكن ليس بالضرورة الطريقة الأكثر كفاءة.
قدم فريق من الباحثين في جامعة سيدني طريقة جديدة تسمى "الحركية العكسية المثالية المتعلمة" (Learned Optimal Inverse Kinematics، أو LOInK)، والتي تغير طريقة تعلم الآلات للحركة. فبدلاً من مجرد حفظ طرق عشوائية للوصول إلى هدف ما، يتعلم نظامهم نوعاً خاصاً من الخرائط التي تنظم جميع الحركات الممكنة في مساحة مهيكلة ومنظمة. في هذه الخريطة الجديدة، تكون الطريقة الأسهل والأكثر كفاءة لأداء المهمة موجودة دائماً في المركز تماماً. وعندما يحتاج الروبوت للتحرك، يقوم النظام ببساطة بالنظر إلى مركز هذه الخريطة للمهمة الحالية، فيعرف فوراً الوضعية المثلى لاتخاذها. وهذا يسمح للروبوت بإيجاد حلول عالية الجودة بشكل شبه فوري، دون الحاجة لإجراء حسابات ثقيلة وبطيئة.
يكمن جوهر هذا الاكتشاف في كيفية تعليم الباحثين للكمبيوتر فهم العلاقة بين شكل الروبوت وهدفه. لقد قاموا بتدريب شبكة عصبية، وهي نوع من أنواع الذكاء الاصطناعي، على مجموعة بيانات ضخمة من وضعيات الروبوت والجهد المطلوب للحفاظ عليها. تعلمت الشبكة ترجمة التكوين الفيزيائي للروبوت إلى نظام إحداثيات مبسط؛ وفي هذا النظام، يتم فصل المهمة التي يحتاج الروبوت لأدائها عن الحركات "الزائدة" التي يمكن للروبوت القيام بها. والأهم من ذلك، أن الباحثين هيكلوا الجزء "الزائد" من الخريطة بحيث تقع نقطة الجهد الصفري —أي الحل الأكثر كفاءة— دائماً عند نقطة الأصل، أو المركز.
ولرؤية كيف يعمل هذا في الممارسة العملية، اختبر الفريق طريقتهم على ثلاثة أنواع مختلفة تماماً من الروبوتات. أولاً، استخدموا ذراعاً بسيطة مكونة من ثلاثة مفاصل تتحرك على مستوى مسطح؛ حيث تعلم النظام بنجاح الحفاظ على مفاصل الذراع ضمن حدود آمنة مع تقليل الطاقة اللازمة للحفاظ على وضعيتها. بعد ذلك، طبقوا الأمر على روبوت تسلق رباعي الأرجل مصمم لفحص البيئات الخطرة، وهو روبوت يجب أن يوزع وزنه بعناً لتجنب انزلاق أقدامه المغناطيسية. في هذه الاختبارات، وجدت الطريقة الجديدة حلولاً تقترب من جودة أفضل الإجابات التي تجدها أدوات التحسين التقليدية البطيئة، لكنها فعلت ذلك أسرع بـ 31 مرة في المتوسط. وفي بعض الحالات، كانت أسرع بمئة مرة، وهو فرق قد يعني الفرق بين استجابة الروبوت في الوقت المناسب لعائق مفاجئ أو فشله في القيام بذلك.
تضمن الاختبار الثالث روبوتاً ليناً مصنوعاً من مواد مرنة، حيث تكون الفيزياء معقدة للغاية بحيث لا يمكن للمعادلات القياسية وصف حركته بسهولة. هنا، لم يكن لدى الباحثين معادلات للاعتماد عليها، بل فقط بيانات من عمليات المحاكاة. وقد عانت طرق التعلم الموجودة هنا، حيث أنتجت غالباً مجموعة متنوعة من الأشكال العشوائية التي تتطلب المزيد من الاختبار لمعرفة مدى جودتها. ومع ذلك، ذهب نظام LOInK مباشرة إلى الحلول عالية الجودة، حيث أنتج تكوينات تطلبت جهداً أقل بكثير من تلك التي وجدتها طرق التعلم الأخرى، وفعل ذلك بدقة أكبر في الوصول إلى الموقع المستهدف.
هناك ميزة رئيسية لهذا النهج وهي ضمان الحركة السلسة؛ فبسبب الطريقة التي بُنيت بها الخريطة الرياضية، إذا تحرك الهدف في خط مستمر وسلس، فإن مفاصل الروبوت ستتحرك أيضاً في خط مستمر وسلس. وهذا يمنع الحركات المتشنجة والمضطربة التي يمكن أن تحدث مع طرق التعلم الأخرى، مما يجعل سلوك الروبوت قابلاً للتنبؤ وآمناً للتطبيقات في العالم الحقيقي. وأشار الباحثون إلى أنه بينما تعتبر طريقتهم سريعة وفعالة للغاية، إلا أنها تعتمد على توفر بيانات تدريب كافية لتعلم الخريطة بدقة. وإذا كانت البيانات شحيحة أو كانت بيئة الروبوت معقدة للغاية، فقد يحتاج النظام إلى تعديل نهائي صغير لإتقان الوضعية، لكن العمل الشاق يتم إنجازه فورياً.
تمتد آثار هذا العمل إلى ما هو أبعد من مجرد تحريك أذرع الروبوت. إن القدرة على إيجاد الحل الأفضل فوراً من بين ملايين الاحتمالات هي قيمة لأي نظام يجب أن يتخذ قرارات سريعة وفعالة بناءً على قيود فيزيائية معقدة. ومن خلال تحويل مشكلة بحث صعبة إلى عملية بحث بسيطة عن المركز في خريطة مهيكلة، قدم الباحثون أداة تجعل الآلات الذكية أسرع وأكثر قدرة. وتشير النتائج إلى أننا نقترب من مستقبل يمكن فيه للروبوتات التنقل في بيئات معقدة ومتغيرة بنفس السهولة والكفاءة التي يفعلها البشر، حيث تجد المسار الأفضل دون أن تتعثر في الحسابات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.