Rendered-Egocentric Vision for Short-Horizon Body-Risk Prediction in Quadruped Command Selection
تقدم هذه الورقة طبقة اختيار أوامر قائمة على المحاكاة للروبوتات رباعية الأرجل تستخدم مناظر منظورية ذاتية مُصيرة وأوامر مرشحة للتنبؤ بمخاطر الجسم في أفق قصير المدى، مما يحسن السلامة والاتفاق مع الأوامر بشكل كبير مع الحفاظ على التقدم للأمام دون الاعتماد على خرائط التضاريس أو عمليات التنبؤ الاستباقي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 روبوتًا بأربعة أرجل يسير عبر غابة من الصخور غير المستوية والمنحدرات المخفية. قبل أن يخطو خطوة واحدة، يجب عليه أن يقرر أين يضع أقدامه. إذا اختار بشكل سيئ، فقد يتعثر الروبوت أو يسقط أو يعلق. لسنوات، حاول المهندسون تعليم هذه الآلات رؤية العالم والتخطيط لرحلتها بأكملها دفعة واحدة، بدمج الرؤية والملاحة والحركة في عقل واحد ضخم. ولكن هناك مشكلة أبسط وأكثر إلحاحًا تحدث مباشرة قبل أن يتحرك الروبوت: هل يمكنه النظر إلى الأرض أمامه مباشرة وتخمين ما إذا كان أمر معين، مثل "امشِ للأمام" أو "انعطف يسارًا"، سيؤدي إلى السقوط في الثواني القليلة القادمة؟ هذا السؤال يقع عند تقاطع الرؤية الحاسوبية والروبوتات، متسائلًا عما إذا كان بإمكان الآلة التنبؤ بسلامتها الخاصة بناءً على نظرة سريعة على التضاريس واتجاه مقترح، دون الحاجة إلى خريطة كاملة للعالم أو خطة معقدة للمستقبل.
عالج باحث في جامعة كولومبيا، وهو يوشيانغ تيان، هذا التحدي المحدد من خلال بناء نظام يعمل كمرشح سلامة لروبوت رباعي الأرجل. تركز الدراسة على روبوت يسمى Unitree Go2، والذي يتم التحكم فيه بواسطة برنامج قياسي يتعامل مع الميكانيكا الفيزيائية للمشي. لا يستبدل النظام الجديد برنامج المشي هذا؛ بل يجلس فوقه، ويعمل كحارس بوابة. قبل أن ينفذ الروبوت أمرًا ما، ينظر طبقة السلامة هذه إلى عرض محاكى من كاميرا الروبوت المثبتة على رأسه ويسأل سؤالًا بسيطًا: إذا أرسلنا هذا الأمر المحدد، هل من المرجح أن يصطدم الروبوت بالأرض أو يفقد توازنه في المدى القصير؟ يختبر النظام عشرة حركات مختلفة، تتراوح من المشي للأمام مباشرة إلى الانعطاف الحاد أو التحرك جانبيًا، ويحاول اختيار الحركة التي تبقي الروبوت في أكثر حالات الأمان.
درب الباحثون طبقة السلامة هذه باستخدام محاكاة حاسوبية لحركة الروبوت عبر تضاريس متنوعة. لقد علموا النظام التعرف على الأنماط في البيانات المرئية التي ترتبط بالخطر. على سبيل المثال، إذا رأت الكاميرا منحدرًا شديدًا أو كومة من العوائق أمامها مباشرة، يتعلم النظام تصنيف أمر "امشِ للأمام" كأمر محفوف بالمخاطر. ومن الأهمية بمكان أن النظام صُمم ليعمل دون معرفة التخطيط الدقيق للأرض أو امتلاك خريطة للمنطقة؛ فهو يعتمد فقط على ما تراه الكاميرا الآن وعلى قائمة التحركات الممكنة. وجد الباحثون أن هذا النهج يعمل جيدًا لأنواع معينة من الأخطار. فقد أصبح النظام جيدًا جدًا في رصد العوائق التي قد تسبب اصطدامًا، مثل جدار أو مسار مسدود، لأن هذه الأشياء تكون مرئية بوضوح في عرض الكاميرا. كما أظهر قدرة ما على التنبؤ بالسقوط الناتج عن الأرض الوعرة أو الزلقة، حيث توفر ملمس وانحدار التضاريس أدلة بصرية.
ومع ذلك، كشفت الدراسة أيضًا عن حدود ما يمكن للكاميرا التنبؤ به. فقد عانى النظام من صعوبة في توقع المشكلات التي لا تصبح واضحة إلا بعد أن يبدأ الروبوت في التحرك بالفعل. على سبيل المثال، إذا انزلقت أقدام الروبوت على بقعة من الجليد أو إذا علق لأن أرجله لم تجد موطئ قدم، فلا يمكن للكاميرا رؤية حدوث ذلك حتى فوات الأوان. هذه هي إخفاقات الاتصال والتوازن التي تحدث في الجزء من الثانية بعد إرسال الأمر. وللتعامل مع هذا، أضاف الباحثون طبقة حماية ثانية: مراقب في الوقت الفعلي يراقب جسم الروبوت أثناء حركته. إذا بدأ الروبوت في فقدان التقدم أو اقترب بطنه كثيرًا من الأرض، فإن هذا المراقب يقاطع الأمر ويطلق سلوك استعادة. هذا الجمع بين "التخمين البصري الاستباقي" و"مراقب الجسم اللحظي" يخلق شبكة أمان أكثر قوة مما قد يقدمه أي منهما بمفرده.
عندما اختبر الباحثون هذا النظام في المحاكاة، كانت النتائج واضحة. ساعدت طبقة السلامة الجديدة الروبوت على اختيار أوامر أفضل مما لو كان سيفعل بمفرده. مقارنة بروبوت يمشي للأمام ببساً دون تفكير، قلل النظام الجديد من معدل السقوط والتماس بين الجسم والأرض بشكل كبير. في الاختبارات، انخفض معدل الفشل من حوالي 52 بالمائة إلى 40 بالمائة، وانخفض عدد المرات التي لمس فيها جسم الروبوت الأرض من 43 بالمائة إلى 24 بالمائة. كما تمكن الروبوت من الحفاظ على حوالي 70 بالمائة من سرعته الأمامية، مما يعني أنه لم يتوقف عن الحركة لمجرد البقاء آمنًا؛ بل وجد طريقة للتحرك للأمام مع تجنب الأخطار الأسوأ. كان النظام فعالاً بشكل خاص في اختيار اتجاه أكثر أمانًا عندما يكون المسار الواضح مسدودًا، حيث اختار غالبًا مسارًا جانبيًا بدا أقل خطورة من الطريق المستقيم.
على الرغم من هذه التحسينات، تؤكد الدراسة أن هذا ليس حلاً كاملاً للملاحة في عوالم معقدة وغير معروفة. وجد الباحثون أنه بينما يمكن للنظام تحديد اتجاه محلي أكثر أمانًا، فإن وحدة التحكم في المشي الأساسية للروبوت تفتقر أحيانًا إلى القدرة الفيزيائية على اتباع ذلك الاتجاه بدقة على مسافة طويلة. إذا احتاج الروبوت إلى الانعطاف بشكل حاد أو التحرك جانبًا لتجنب خطر ما، فإن برنامج المشي القياسي يكافح أحيانًا لتنفيذ تلك الحركة بسلاسة. وهذا يعني أنه بينما نجحت طبقة السلامة في تقليل المخاطر الفورية، لم تستطع ضمان إكمال الروبوت لرحلة طويلة عبر تضاريس صعبة. يُفهم النظام على أنه صانع قرار محلي يساعد الروبوت على تجنب الفخاخ الأكثر وضوحًا في الخطوات القليلة القادمة، وليس ملاحة ماهرة يمكنها توجيه الروبوت عبر غابة كاملة.
تخلص الدراسة إلى أن التنبؤ بالسلامة من عرض الكاميرا هو أداة قوية، ولكن له حدود. فهو يعمل بشكل أفضل عندما يكون الخطر مرئيًا، مثل حفرة في الأرض أو جدار في المسار. وهو أقل فعالية عندما يعتمد الخطر على كيفية تفاعل أقدام الروبوت مع الأرض، وهو أمر لا يمكن الشعور به إلا بعد اتخاذ الخطوة. يقترح الباحثون أن مستقبل حركة الروبوت الآمنة يكمن في الجمع بين هذين النهجين: نظام بصري يتنبأ بالمخاطر قبل الحركة، مقترن بنظام فيزيائي يستجيب فوراً عندما تسوء الأمور. توفر هذه الدراسة إثباتًا قويًا قائمًا على المحاكاة بأن مثل طبقة السلامة المحلية يمكن أن تجعل الروبوت رباعي الأرجل أكثر أمانًا بشكل ملحوظ في المدى القصير، حتى لو ظل تحدي الملاحة في العوالم المعقدة على المدى الطويل دون حل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.