Speed and Morphology Conditioned Fourier Gait Synthesis for Bipedal Locomotion Learning
تقترح هذه الورقة طريقة لتخليق المشية تعتمد على تحويل فوريه وتكون مشروطة بالسرعة والمورفولوجيا، حيث تقوم بتحويل بيانات زوايا المفاصل ذات المدة المتغيرة إلى معاملات تردد ثابتة الأبعاد من أجل إعادة بناء قوية، مما يظهر أداءً فائقاً على النماذج المرجعية الحالية في كل من دقة الإشارة ومهام التعلم التعزيزي اللاحقة الخاصة بحركة الأرجل ثنائية الأرجل.
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
المشي هو إيقاع نؤديه دون تفكير، ومع ذلك فإن الفيزياء الكامنة وراءه هي لغز معقد من التوقيت والتوازن والقوة. لكي يمشي الروبوت مثل البشر، يجب عليه إتقان هذا الإيقاع نفسه. التحدي يكمن في أن المشي البشري ليس حلقة بسيطة متكررة مثل دقات الساعة؛ بل هو حركة انسيابية تتمدد وتتقلص اعتمادًا على سرعة الشخص. فقد تستغرق خطوة بطيئة ومتثاقلة ثلاث ثوانٍ لإكمالها، بينما تنتهي خطوة سريعة في أقل من ثانية واحدة. هذه التباينية تجعل من الصعب تعليم الروبوت، لأن معظم النماذج الحاسوبية تتوقع مدخلات ذات حجم ثابت. إذا حاولت تغذية الروبوت بمشية بطيئة ومشية سريعة في النظام نفسه، فسيختل التوقيت ويتعثر الروبوت. لطالما بحث الباحثون عن طريقة لوصف إيقاع المشي هذا بحيث يظل ثابتًا بغض النظر عن السرعة، مما يسمح للآلة بتعلم جوهر الخطوة ومن ثم تطبيقها بأي وتيرة.
قام فريق من الباحثين في جامعة بيلكنت (Bilkest University) بتطوير طريقة جديدة لحل هذه المشكلة، حيث أنشأوا نظامًا يولد أنماط مشي تشبه مشي البشر للروبوتات من خلال النظر إلى الحركة من خلال عدسة الموجات الصوتية بدلاً من تسلسل الصور. وبدلاً من تسجيل فيديو لخطوة ما ومحاولة تمديدها أو ضغطها لتناسب احتياجات الروبوت، قاموا بتفكيك الحركة إلى تردداتها الأساسية، تمامًا كما يحلل الموسيقي نوتة موسيقية لفهم حدتها ونبرتها. ومن خلال تحويل حركات مفاصل الساق البشرية إلى مجموعة من الأرقام ثابتة الحجم التي تمثل هذه الترددات، أنشأوا لغة عالمية للمشي. تعمل هذه اللغة بنفس الطريقة سواء كان السائر يتحرك ببطء أو بسرعة، لأن مدة الخطوة يتم التعامل معها بشكل منفصل عن شكل الحركة.
بدأ الباحثون بجمع بيانات من خمسين شخصًا مختلفًا يمشون بسرعات متنوعة. سجلوا زوايا الوركين والركبتين والكاحلين بينما كان كل شخص يمشي، ملتقطين أكثر من ألف تجربة. ولجعل هذه البيانات مفيدة للروبوت، قاموا أولاً بتصفية الارتجافات الصغيرة عالية التردد غير الضرورية للخطوة، محتفظين فقط بالحركات الرئيسية السلسة. بعد ذلك، أخذوا كل دورة مشي وأعادوا أخذ عينات منها بحيث يتم تمثيل كل خطوة، بغض النظر عن مدتها في الوقت الفعلي، بـ اثنتين وثلاثين نقطة بالضبط. هذه العملية، المعروفة باسم "تطبيع الطور" (phase normalization)، تضمن أن تُعامل الخطوة البطيئة والخطوة السريعة كأنها نفس الشكل، ولكن بسرعات مختلفة. ثم حولوا هذه النقاط إلى مجموعة من المعاملات، وهي في الأساس لبنات بناء الموجة. والنتيجة هي رمز مدمج يصف شكل الخطوة دون أن يكون مرتبطًا بمدة زمنية محددة.
بعد ذلك، قاموا بتدريب شبكة حاسوبية صغيرة للتنبؤ بهذه المعاملات بناءً على مدخلين بسيطين: مدى سرعة المشي التي يجب أن يسير بها الروبوت وطول ساقيه. تعمل هذه الشبكة كمولد، حيث تأخذ السرعة المطلوبة والأبعاد الفيزيائية للروبوت وتخرج المجموعة الدقيقة من الأرقام اللازمة لإعادة بناء نمط مشي طبيعي. ولأن المخرجات مبنية من مكونات التردد هذه، فإن الحركة الناتجة مضمونة رياضيًا لتكون دورة مثالية ومتكررة. لا يوجد خطر من خروج خطوات الروبوت عن التزامن بمرور الوقت، وهي مشكلة شائعة في الطرق الأخرى حيث تتراكم الأخطاء الصغيرة مع كل خطوة. واختبر الباحثون هذا المولد مقابل عدة أساليب أخرى، بما في ذلك مجرد تشغيل فيديوهات مسجلة لأشخاص يمشون، واستخدام منحنيات رياضية لملء الفجوات بين السرعات المسجلة، واستخدام نماذج قائمة على المذبذبات المقترنة. أثبتت طريقتهم القائمة على التردد أنها الأكثر دقة، حيث أنتجت أنماط مشي أقرب بكماً إلى البيانات البشرية الحقيقية من أي بدائل أخرى.
مع وجود طريقة موثوقة لتوليد أنماط مشي مرجعية، انتقل الفريق إلى تعليم الروبوت كيفية اتباعها. قاموا ببناء محاكاة لروبوت ذي ساقين وسبعة مفاصل، واستخدموا تقنية تعلم تسمى "التعلم التعزيزي" لتدريبه. في هذه العملية، يتم مكافأة الروبوت على التحرك للأمام، والبقاء منتصبًا، ومطابقة حركة الإشارة المرجعية الناتجة عن شبكتهم الجديدة. لم يُطلب من الروبوت المشي فحسب؛ بل تمت إظهار كيف تبدو الخطوة البشرية بالضبط عند تلك السرعة وطول الساق المحدد، وكان عليه اكتشاف القوى الشبيهة بالعضلات اللازمة لمحاكاة ذلك. جرت عملية التدريب على أرض مستوية ومنحدرات لطيفة، لكن الباحثين اختبروا قدرات الروبوت على تلال أكثر انحدارًا وتضاريس وعرة وغير مستوية لم يسبق له رؤيتها من قبل.
أظهرت النت النتائج أن الروبوت تعلم المشي بدرجة مذهلة من المتانة. فعندما طُلب منه المشي بسرعات تتراوح من الخطوات البطيئة المتثاقلة إلى الجري السريع، تتبع الروبوت السرعة المطلوبة بدقة عالية. والأمر الأكثر إثارة للإعجاب هو أنه عند وضعه على منحدر مائل بزاوية خمس عشرة درجة —أي ثلاثة أضعاف ما تدرب عليه— حافظ الروبوت على توازنه واستمر في المشي في معظم التجارب. وفي المقابل، فشلت طرق التحكم الأخرى التي لم تستخدم إشارة المرجع القائمة على التردد في صعود مثل هذه المنحدرات الشديدة أو واجهت صعوبة في الحفاظ على وتيرة ثابتة. كما أدى الروبوت أداءً جيدًا على الأسطح ذات النتوءات والضوضاء العشوائية، متجاوزًا إياها دون سقوط. كان مفتاح هذا النجاح هو الجمع بين المولد القائم على التردد، الذي قدم نموذجًا مثاليًا يشبه البشر، وخوارزمية التعلم التي سمحت للروبوت بتكييف توازنه مع الأرض أثناء اتباع ذلك النموذج.
تسلط الدراسة الضوء على أن معاملة المشي كطيف من الترددات بدلاً من تسلسل من الوضعيات يوفر ميزة قوية للروبوتات. فمن خلال فصل شكل الحركة عن الوقت الذي تستغرقه، يمكن للنظام توليد مشيات طبيعية لأي سرعة وأي طول للساق دون الحاجة إلى إعادة تعلم الأساسيات. وبينما أُجري العمل الحالي في محاكاة حاسوبية وركز على روبوت يمشي في خط مستقيم على مستوى أفقي، فإن النتائج تشير إلى مسار واضح للمستقبل. لقد نجحت الطريقة في سد الفجوة بين حركة الإنسان والتحكم الروبوتي، مما يوفر أساسًا مستقرًا لتعليم الآلات المشي بانسيابية وقدرة على التكيف مثل البشر. ويشير الباحثون إلى أن العمل المستقبلي سيشمل اختبار هذه الأفكار على نماذج بشرية (humanoids) أكثر تعقيدًا وثلاثية الأبعاد، وفي النهاية على أجهزة حقيقية، حيث ستفرض العوامل الفيزيائية مثل ضوضاء المستشعرات وتأخير المحركات تحديات جديدة. أما الآن، فتعد الدراسة نموذجًا لكيفية أن النهج الرياضي المستوحى من تحليل الصوت يمكن أن يقرب الروبوتات خطوة أخرى من المشي مثلنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.