Design of YOLOv8-SLAM Robot Path Planning Method for Outdoor Complex Environments

تخيل روبوتًا يحاول السير عبر متنزه مدينة مزدحم. بالنسبة للإنسان، المسار واضح: ابتعد عن الشخص الجالس على المقعد، وانتظر مرور راكب الدراجة، واستمر في التحرك نحو النافورة. أما بالنسبة للآلة، فهذا المشهد عبارة عن عاصفة فوضوية من البيانات. يجب عليه أن يدرك فورًا أن الشكل المتحرك هو إنسان وليس شجرة، ويفهم أن السيارة المتوقفة هي جدار صلب لا يمكنه تجاوزه، ويحسب مسارًا آمنًا دون الاصطدام بأي شخص. هذا هو التحدي الجوهري للملاحة الذاتية في العالم الحقيقي. وبينما أصبحت الروبوتات جيدة جدًا في التحرك في الغرف الفارغة أو في أرضيات المصانع، إلا أن الأماكن المفتوحة هي وحش من نوع آخر؛ فالإضاءة تتغير، والظلال تمتد، والناس والمركبات يتحركون بشكل غير متوقع. إذا لم يستطع الروبوت رؤية طفل صغير يركض عبر المسار أو أخطأ في تقدير المسافة إلى سيارة متحركة، فستكون النتيجة اصطدامًا أو تعطل الروبوت، غير قادرًا على اتخاذ قرار بشأن ما سيفعله بعد ذلك.

لسنوات، حاول المهندسون حل هذه المشكلة عن طريق بناء أنظمة منفصلة للرؤية، ومعرفة مكان وجودهم، والتخطيط لمسارهم. نظام واحد ينظر إلى بث الكاميرا للعثور على الأشياء، ونظام آخر يستخدم تلك الصور لبناء خريطة للمحيط، وثالث يقرر المسار الأفضل. المشكلة هي أن هذه الأنظمة غالبًا ما تعمل في عزلة. فإذا فات "نظام الرؤية" إشارة صغيرة أو شخصًا في المسافة، فقد يرسل "نظام التخطيط" الروبوت مباشرة نحوهم. وإذا ارتبك "نظام الخرائط" بسبب سيارة متحركة، فقد يعتقد الروبوت أن الطريق مغلق بينما هو في الواقع مفتوح. اقترح باحثون في معهد تشوتشو للعلوم والتكنولوجيا في الصين طريقة جديدة للتعامل مع هذا التعقيد؛ حيث طوروا نظامًا واحدًا متصلًا يربط بين الرؤية، ورسم الخرائط، والتخطيط معًا، بحيث يمكن تصحيح الخطأ في أحد المجالات بواسطة المجالات الأخرى، مما يسمح للروبوت بالتنقل بأمان عبر المساحات الخارجية المزدحمة.

بدأ الباحثون بتحسين كيفية رؤية الروبوت للعالم. استخدموا أداة قوية للتعرف على الصور تسمى YOLOv8، وهي تشبه زوجًا من العيون سريعة وحادة للغاية، لكنهم جعلوها أكثر ذكاءً للتعامل مع المواقف الصعبة. في مشهد خارجي مزدحم، غالبًا ما يصعب رصد الأجسام الصغيرة مثل مخاريط المرور، أو المشاة البعيدين، أو لافتات الطرق لأنها تكون ضئيلة أو مخفية خلف أشياء أخرى. أضاف الفريق آليات انتباه خاصة للبرمجيات، لتعليمها التركيز بشدة على هذه التفاصيل الصغيرة وتجاهل الضوضاء الخلفية المربكة مثل أغصان الأشجار المتمايلة أو الظلال المتحركة. كما منحوا الروبوت القدرة على فهم المشهد ليس فقط كمجموعة من الأشكال، بل كخريطة لأنواع مختلفة من الأرض والعوائق، مع تصنيف كل بكسل في الصورة كطريق، أو رصيف، أو إنسان، أو مركبة. هذا الفهم التفصيلي أمر بالغ الأهمية لأنه لا يخبر الروبوت بمكان الأشياء فحسب، بل بماهيتها وما إذا كان من الآمن التحرك بالقرب منها.

بمجرد أن يتمكن الروبوت من الرؤية بوضوح، يصبح التحدي التالي هو معرفة مكانه بالضبط. غالبًا ما تفترض أنظمة رسم الخرائط التقليدية أن العالم ثابت، مثل المتحف. ولكن في متنزه أو شارع، يتحرك الناس والسيارات باستمرار. إذا حاول الروبوت بناء خريطة بينما يمر شخص بجانبه، فقد يرتبك ويعتقد أن الشخص جزء من المبنى، مما يؤدي لفقدان الروبوت لطريقه. يحل النظام الجديد هذه المشكلة باستخدام "العيون" التفصيلية التي بناها للتو لتحديد الأجسام المتحركة وتجاهلها مؤقتًا أثناء تحديد موقعه. فهو يتحقق مما إذا كان الشيء متحركًا من خلال مقارنة موضعه عبر عدة إطارات من الفيديو والنظر في مدى عمقه في المشهد. إذا أكد النظام أن شيئًا ما يتحرك، فإنه يستبعد هذه المعلومة قبل بناء الخريطة. وهذا يسمح للروبوت بإنشاء خريطة مستقرة ودقيقة للعالم الثابت، حتى بينما يهرع الناس والسيارات من حوله.

بعد الحصول على رؤية واضحة وخريطة موثوقة، يجب على الروبوت أن يقرر كيف يتحرك. ابتكر الباحثون استراتيجية تخطيط من خطوتين تعمل مثل التفكير البشري المسبق. أولاً، ينظر الروبوت إلى الصورة الكبيرة لإيجاد مسار عام من نقطة بدايته إلى وجهته. وهو يفعل ذلك من خلال مراعاة ليس فقط أقصر مسافة، بل أيضًا "مخاطر" المسار. حيث يتم اختيار مسار قد يكون أطول قليلاً ولكنه يمر عبر منطقة هادئة ومفتوحة بدلاً من مسار أقصر يقطع حشدًا من الناس. بعد ذلك، وبينما يتحرك الروبوت، يقوم نظام ثانٍ أسرع بتعديل خطواته باستمرار لتجنب العوائق المفاجئة. فإذا خرج أحد المشاة بشكل غير متوقع، يقوم هذا النظام المحلي فورًا بحساب مسار جديد وآمن لتفاديه دون إيقاف الرحلة بأكملها. يتواصل النظامان مع بعضهما البعض باستمرار، مما يضمن أن هدفه طويل الأمد وسلامته الفورية يسيران في تناغم تام.

اختبر الفريق هذا النهج الجديد بطرق متنوعة، من المحاكاة الحاسوبية إلى التجارب الواقعية في أحد الحرم الجامعية. في عمليات المحاكاة المليئة بالعوائق المتحركة، نجح النظام الجديد في الوصول إلى هدفه بنسبة 95.31% من المرات، وهو ما يتفوق بشكل كبير على الأساليب القديمة التي كانت تعاني من الاصطدامات أو الضياع. وعندما أخذوا الروبوت إلى طرق الحرم الجامعي الحقيقية مع المشاة الفعليين، والسيارات المتوقفة، والمسارات المتعرجة، كانت النتائج أكثر إبهارًا. فقد أتم الروبوت 57 من أصل 60 عملية ملاحة دون الاصطدام بأي شيء أو التعثر، بنسبة نجاح بلغت 95%. كما تمكن من قطع مسافة أقصر في المتوسط وسجل حالات "وشيكة الوقوع في حادث" أقل من الأنظمة الأخرى المختبرة. استطاع الروبوت رصد الأجسام الصغيرة مثل لافتات المرور والدراجات من مسافة بعيدة، وتجاهل ارتباك حركة الناس، وإيجاد مسار سلس وآمن عبر الفوضى.

يشير هذا العمل إلى أن المفتاح لروبوتات خارجية موثوقة ليس فقط في جعل كل جزء من النظام أفضل، بل في جعلها تعمل معًا كوحدة واحدة ذكية. ومن خلال ربط القدرة على رؤية التفاصيل الصغيرة، والقدرة على تصفية المشتتات المتحركة، والقدرة على تخطيط مسارات آمنة، نجح الباحثون في إنشاء نظام يتعامل مع عدم إمكان التنبؤ في العالم الحقيقي بشكل أفضل بكثير مما سبق. وبينما لا يزال النظام يواجه تحديات في الطقس القاسي أو في الزحام الشديد، فإن النتائج تظهر مسارًا واضحًا للمضي قدمًا. لم يعد الروبوت مجرد تابع لخط مبرمج مسبقًا؛ بل أصبح يفهم بيئته، ويتوقع ما قد يحدث لاحقًا، ويتخذ قرارات ذكية للوصول إلى حيث يحتاج للذهاب.