← أحدث الأبحاث
⚡ الهندسة الكهربائية

Null-space Active Perception Enhancement for observing Space-bounded Repetitive Dynamic Events

تقدم هذه الورقة متحكماً جديداً للإدراك النشط يعزز مراقبة الأحداث الديناميكية المتكررة ذات الحيز المحدود من خلال تقريب غلاف حركة الهدف واستغلال الفراغ الصفري للمهمة الرئيسية لتكييف وجهة النظر ذاتياً، مما يقلل من عدم اليقين ويحافظ على الحركة بأكملها ضمن مجال رؤية الكاميرا.

المؤلفون الأصليون: Nikolaos Efstathopoulos, Vasileios Tsimpos, Dimitrios Papageorgiou

نُشر 2026-10-26
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Nikolaos Efstathopoulos, Vasileios Tsimpos, Dimitrios Papageorgiou

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

أصبحت الروبوتات أكثر شيوعاً في حياتنا اليومية، من أرضيات المصانع إلى منازلنا، ومع ذلك فهي غالباً ما تعاني من إحدى المهارات البشرية الأساسية: معرفة أين تنظر. فبينما يمكن للإنسان أن ينقل نظره بسلاسة من تفصيل صغير إلى مشهد طبيعي واسع، معدلاً منظوره لفهم النطاق الكامل لحركة جسم متحرك، تعتمد الروبوتات عادةً على تعليمات جامدة ومبرمجة مسبقاً. إنها ترى ما هو أمام عدستها مباشرة في أي ثانية، لكنها غالباً ما تفشل في توقع المسار الذي قد يسلكه جسم متحرك تالياً. وتصبح هذه المحدودية حرجة عندما يحتاج الروبب لترقب حدث ديناميكي، مثل قيام إنسان باستعراض مهمة ما أو قيام آلة بدورة متكررة. فإذا كانت كاميرا الروبوت قريبة جداً، فقد يختفي الجسم المتحرك بسرعة خارج حافة الشاشة؛ وإذا كانت بعيدة جداً، ستصبح التفاصيل صغيرة جداً بحيث يصعب رؤيتها بوضوح. ويكمن التحدي في إيجاد وضعية عرض تحافظ على رؤية الحركة بأكملها دون تعديلات متقطعة ومزعجة، وهي مهمة تتطلب من الروبوت ألا يفهم فقط أين يوجد الجسم، بل أين كان وأين من المحتمل أن يذهب.

لقد طور فريق من الباحثين من جامعة هيلينيك ميديتيرينيان (Hellenic Mediterranean University) وجامعة أرسطو في ثيسالونيكي طريقة جديدة لمساعدة الروبوتات على حل هذه المشكلة. ويركز عملهم على "الإدراك النشط"، وهو قدرة الروبوت على تحريك مستشعراته الخاصة للحصول على رؤية أفضل. وبشكل محدد، صمموا نظاماً يسمح للروبوت بمراقبة حدث متكرر ومحصور — شيء يتحرك ذهاباً وإياباً ضمن منطقة معينة — من خلال تقدير "الغلاف" غير المرئي لتلك الحركة باستمرار. وبدلاً من مجرد الاستجابة لمكان وجود الجسم في اللحظة الراهنة، يبني الروبوت خريطة ذهنية للمنطقة الكاملة التي من المرجح أن يغطيها الجسم. ثم يستخدم هذه الخريطة لتحديد موقع كاميرته بطريقة تبقي الحركة بأكملها داخل نطاق الرؤية، مما يضمن أنه حتى لو تحرك الجسم فجأة، فسيظل داخل الإطار.

اختبر الباحثون فكرتهم باستخدام ذراع روبوتية مزودة بكاميرا، تعمل كمراقب. في مجموعتهم الأولى من التجارب، راقبوا ذراعاً روبوتية أخرى تتحرك في نمط تذبذبي يمكن التنبؤ به، يشبه كتلة ترتد على زنبرك. وفي سيناريو ثانٍ أكثر تحدياً، راقبوا إنساناً يقوم بصنفرة قطعة من الخشب. كانت حركات الإنسان أقل قابلية للتنبؤ، حيث بدأت في منطقة صغيرة ثم توسعت لتغطي مساحة عمل أكبر قبل العودة إلى المنطقة الصغيرة. كان الهدف هو معرفة ما إذا كان بإمكان الروبوت ضبط مسافته وزاويته تلقائياً لإبقاء الحركة الكاملة مرئية، بغض النظر عما إذا كانت الحركة سلسة وميكانيكية أو عشوائية وبشرية.

يتضمن جوهر حلهم خدعة ذكية في كيفية حساب حركات الروبوت. فلدى الروبوت وظيفة أساسية: إبقاء الجسم المتحرك في مركز رؤية الكاميرا. ومع ذلك، وجد الباحثون أن ذراع الروبوت تمتلك درجات حرية إضافية، مما يعني أنها يمكن أن تتحرك بطرق لا تغير موقع الجسم في الصورة. وقد استخدموا هذا "الفضاء الإضافي" لأداء مهمة ثانوية: ضبط مسافة الكاميرا واتجاهها لتأطير المسار المقدر للحركة بالكامل. يقوم الروبوت بتحديث نموذج إحصائي لحركة الجسم باستمرار، حيث يرسم فعلياً فقاعة متوسعة ومنكمشة حول مكان تواجد الجسم. ثم يحرك الكاميرا بحيث تتسع هذه الفقاعة بأكملها بشكل مريح داخل رؤية الكاميرا، دون أن يفقد الجسم نفسه.

أظهرت النتائج فرقاً واضحاً بين الروبوت الذي يتتبع جسماً فحسب، والروبوت الذي يستخدم هذه الطريقة الجديدة. فعندما كان الروبوت يتتبع الجسم فقط، كان يميل إلى البقاء قريباً جداً. ومع تحرك الجسم، كان الروبوت غالباً ما يفقد النطاق الكامل للحركة من الإطار لأنه كان يستجيب فقط للموقع الحالي، وليس لنطاق الحركة المحتمل. في المقابل، كان الروبوت الذي يستخدم الطريقة الجديدة يتراجع غريزياً عند توسع الحركة، مما يخلق رؤية أوسع لالتقاط النطاق الكامل للفعل. وعندما تتقلص الحركة، كان الروبوت يقترب لرؤية التفاصيل مرة أخرى. وفي التجربة المتعلقة بصنفرة الإنسان للخشب، فشل الروبوت القياسي في إبقاء غلاف الحركة بالكامل في مجال الرؤية معظم الوقت، حيث كانت الحركة الكاملة مرئية بنسبة 28.2% فقط أثناء توسيع الإنسان لمساحة عمله. أما الطريقة الجديدة، فقد أبقت الحركة الكاملة مرئية بنسبة 85.8% من الوقت، حتى مع انتقال الإنسان بين العمل الدقيق الصغير والحركات الواسعة والواسعة النطاق. ومن الأهمية بمكان أنه بينما كافح الأسلوب القياسي لإبقاء الحركة الكاملة في الإطار، إلا أنه نجح في إبقاء مركز الهدف داخل الرؤية بنسبة 98.2% من الوقت، بينما حققت الطريقة الجديدة نسبة 100% للمركز و85.8% للحركة الكاملة.

هذا النهج مهم لأنه لا يتطلب من الروبوت معرفة قواعد اللعبة مسبقاً. فهو لا يحتاج لمعرفة سرعة الجسم، أو فيزياء الحركة، أو ما إذا كان الفاعل آلة أو إنساناً. إنه يتعلم حدود الحركة ببساطة من خلال مراقبتها وهي تحدث. ومن خلال التعامل مع المشكلة كمسألة تأطير لمشهد بدلاً من مجرد تتبع نقطة، منح الباحثون الروبوتات طريقة أكثر حدسية لمراقبة العالم. وهذه القدرة ضرورية للتطبيقات المستقبلية حيث يجب على الروبوتات التعلم من العروض البشرية أو مراقبة البيئات المعقدة والمتغيرة، مما يضمن عدم تفويت أي خطوة بسبب ضيق رؤيتها أو بعد مسافتها. لقد أثبت النظام أنه من خلال فهم المساحة التي يشغلها الجسم بمرور الوقت، يمكن للروبوت رؤية الصورة الأكبر بفعالية تماثل الملاحظ البشري.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →