Beyond Kinematics: Benchmarking Simulation Fidelity for Muscle-Driven Imitation Learning

تحمل الروبوتات التي تساعد الناس على المشي، مثل الأطراف الاصطناعية المتقدمة أو الهياكل الخارجية، الوعد باستعادة الاستقلالية لأولئك الذين يعانون من تحديات في الحركة. ومع ذلك، فإن تعليم هذه الآلات التحرك بشكل طبيعي يمثل صعوبة بالغة. فالحركة البشرية ليست مجرد انتقال للعظام في الفضاء؛ بل هي نتيجة محادثة معقدة بين الدماغ والأعصاب والعضلات. ولتصميم أجهزة مساعدة أفضل، يحتاج المهندسون إلى فهم ليس فقط أين تذهب الساق، بل كيف تنقبض العضلات بداخلها لتصل إلى هناك. ولأن اختبار كل فكرة جديدة على بشر حقيقيين أمر مكلف وبطيء، وغالباً ما يكون مرهقاً للمرضى، فقد لجأ العلماء إلى المحاكاة الحاسوبية. تعمل هذه النماذج الرقمية كمختبرات افتراضية حيث يمكن تدريب واختبار وحدات التحكم. ولكن يبقى سؤال جوهري: هل تلتقط هذه المحاكاة الواقع البيولوجي الحقيقي لنشاط العضلات، أم أنها مجرد جيدة في تقليد الحركة الخارجية للمشي؟

لقد وضع فريق من الباحثين هدفاً للإجابة على ذلك من خلال إخضاع نظامين من أكثر أنظمة المحاكاة تقدماً لاختبار صارم. فقد قارنوا بين نظام معروف بدقته البيولوجية التفصيلية وبين نظام آخر مشهور بسرعته وكفاءته. يستخدم كلا النظامين تقنية تسمى "تعلم محاكاة الحركة"، حيث يقوم برنامج حاسوبي بمراقبة تسجيل لمشي إنسان ويحاول تعلم أوامر العضلات اللازمة لتكرار تلك الحركة. أراد الباحثون معرفة ما إذا كان بإمكان هؤلاء المتعلمين الرقميين ليس فقط محاكاة مسار الساق، بل وأيضاً توليد الإشارات العضلية الصحيحة التي سينتجها إنسان حقيقي. وللقيام بذلك، قاموا بتغذية كلا النظامين بنفس بيانات الحركة من شخص حقيقي، ثم قارنوا نشاط العضلات الناتج في المحاكاة مقابل التسجيلات الكهربائية الفعلية، المعروفة باسم تخطيط كهربائية العضلات، والتي أُخذت من ساقي ذلك الشخص.

ركزت الدراسة على نهجين متميزين. الأول، مبني على منصة تسمى (HyFyDy)، ويعطي الأولوية للواقعية الفسيولوجية؛ فهو ينمذج العضلات والأوتار بتفصيل عالٍ، مع مراعاً كيفية تمددها وانقباضها بالتعقيد الموجود في جسم الإنسان. أما النهج الثاني، المبني على (MuJoCo)، فقد صُمم من أجل السرعة الحسابية، مما يسمح للباحثين بتشغيل آلاف عمليات المحاكاة في وقت واحد لتدريب خوارزميات التعلم بسرعة. وبينما أظهر كلا النظامين سابقاً قدرتهما على إعادة إنتاج أنماط المشي البشري بدقة عالية، إلا أنه لم يكن من الواضح أيهما يفهم البيولوجيا الكامنة بشكل أفضل. قام الباحثون بتدريب كلا النظامين على المشي باستخدام بيانات من فرد معين، ثم قاسوا مدى قرب تنشيط العضلات المحاكى من الإشارات الكهربائية الحقيقية المسجلة من عضلات ذلك الشخص.

كشفت النتائج عن تميز واضح بين الطريقتين. فبينما نجح كلا النظامين في تحريك الأرجل الافتراضية على مسار مشابه جداً للمسار البشري، إلا أن سلوك العضلات الداخلي اختلف بشكل كبير. فالنظام المبني للواقعية البيولوجية، (HyFydy)، أنتج أنماط تنشيط عضلية تتماشى بشكل أكبر بكثير مع البيانات البشرية الحقيقية. وعندما قاس الباحثون الفرق بين المحاكاة والواقع، أظهر النظام الواقعي خطأً أصغر بكثير وارتباطاً أقوى في شكل إشارات العضلات. وفي المقابل، واجه النظام الأسرع، رغم كفاءته، صعوبة في تكرار التوقيت وكثافة انقباض العضلات، وغالباً ما أنتج إشارات لا تشبه إطلاقاً نشاط العضلات البشري الفعلي.

كما استكشف الباحثون كيف يؤثر تغيير تعقيد النموذج على النتائج. فقد اختبروا ما إذا كان إضافة المزيد من الأبعاد إلى المحاكاة، بالانتقال من رؤية ثنائية الأبعاد مسطحة إلى رؤية ثلاثية الأبعاد كاملة، سيؤدي إلى تحسين الدقة. ومن المثير للدهشة أن زيادة التعقيد جعلت المهمة أصعب؛ إذ أصبحت النماذج ثلاثية الأبعاد في كلا النظامين أقل استقراراً وأنتجت تنبؤات أقل دقة لنشاط العضلات مقارنة بنظيراتها الثنائية الأبعاد الأبسط. وهذا يشير إلى أن مجرد إضافة المزيد من درجات الحرية إلى المحاكاة لا يجعلها أكثر واقعية تلقائياً؛ بل يمكن أن يؤدي في الواقع إلى ظهور صعوبات جديدة تكافح خوارزميات التعلم للتغلب عليها. كما اختبروا ما إذا كان تخصيص النموذج ليتناسب مع قياسات الجسم المحددة للشخص الذي تتم محاكاته سيساعد. وبينما حافظ النموذج المخصص على أنماط حركة عامة مماثلة، إلا أنه لم يحسن دقة تنبؤات العضلات بشكل كبير مقارنة بالنموذج القياسي.

في النهاية، تخلص الدراسة إلى أنه بالنسبة للهدف المحدد المتمثل في التنبؤ بكيفية تنشيط العضلات البشرية أثناء المشي، فإن النظام ذو الدقة الفسيولوجية الأعلى هو الخيار الأفضل حالياً. لقد سمح النمذجة التفصيلية للأوتار وخصائص العضلات في نظام (HyFyDy) له بتعلم استراتيجية مشي أكثر ملاءمة بيولوجياً. ومع ذلك، تأتي هذه الميزة بتكلفة: فالنظام الواقعي أبطأ بكثير في التدريب لأنه لا يمكن تشغيله على نفس المعالجات المتوازية عالية السرعة التي تجعل النظام الآخر فعالاً. وقد وجد الباحثون أن النظام الأسرع، رغم سرعته، فشل في التقاط تفاصيل التحكم العضلي البشري، حيث تعلم غالباً تجاهل عضلات معينة بالكامل أو تنشيطها في الأوقات الخاطئة.

يسلط هذا العمل الضوء على مقايضة حاسمة في مجال تصميم الأجهزة الروبوتية المساعدة. يجب على المهندسين الاختيار بين سرعة نموذج مبسط وبين الدقة البيولوجية لنموذج معقد. فإذا كان الهدف هو تصميم وحدة تحكم تعمل جيداً لمجموعة واسعة من المستخدمين بسرعة، فقد يكفي النظام الأسرع. ولكن إذا كان الهدف هو فهم استراتيجيات العضلات المحددة لمريض ما أو تحسين جهاز بناءً على التكلفة الأيضية وإجهاد العضلات، فإن المحاكاة الأكثر واقعية تصبح ضرورية. لا تعلن الدراسة فوز نظام واحد كفائز نهائي، بل تشير إلى أن كلا النظامين يتطلبان مزيداً من التطوير. وللتقدم حقاً في هذا المجال، فإن الخطوة التالية هي جلب الواقعية البيولوجية للنماذج التفصيلية إلى بيئات الحوسبة المتوازية السريعة التي تعتمد عليها الروبوتات الحديثة. وحتى يحدث ذلك، يجب على الباحثين الموازنة بعناية بين ما إذا كانت سرعة المحاكاة تستحق التضحية بدقة الرؤى البيولوجية التي توفرها.