Reactive Replanning Using a Target-State-Driven Strategy for Heterogeneous Multi-Robot Systems under Counting LTL Constraints
تقترح هذه الورقة استراتيجية TRRS، وهي استراتيجية إعادة تخطيط تفاعلية مدفوعة بالحالة المستهدفة تستخدم صياغة البرمجة الخطية ذات الأعداد الصحيحة المختلطة ذات الأفق المتراجع للتعامل ديناميكيًا مع تغيرات المواقع وتحديثات الأولويات في الأنظمة متعددة الروبوتات غير المتجانسة تحت قيود المنطق الزمني الخطي (LTL) الخاصة بالعد، مما يظهر أداءً متفوقًا على النماذج المرجعية الثابتة والجشعة من خلال المحاكاة والتجارب الفيزيائية.
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 فريقًا من روبوتات الإنقاذ أُرسلت إلى منطقة كوارث للبحث عن ناجين. في عالم مثالي، ستظل الخريطة ثابتة، وسيبقى الناجون في أماكنهم، وسوف تتبع الروبوتات سيناريو واحدًا مكتوبًا مسبقًا حتى خط النهاية. لكن العالم الحقيقي فوضوي؛ فقد يزحف أحد الناجين إلى مكان أكثر أمانًا، أو قد ترد نداء استغاثة جديد أكثر إلحاحًا من موقع مختلف. إذا ظلت الروبوتات عالقة في اتباع سيناريوهها الأصلي، فقد تضيع وقتًا ثمينًا في التوجه نحو شخص قد تحرك بالفعل، أو قد تتجاهل مهمة جديدة بالغة الأهمية لأن قائمتها كُتبت قبل ساعات. هذا هو التحدي المركزي لفرق الآلات التي يجب أن تعمل معًا في بيئات متغيرة: كيف تحافظ على خطة كانت مثالية قبل لحظة من أن تصبح عديمة الفائدة في اللحظة التالية؟
يكمن الحل في مفهوم يُسمى "إعادة التخطيط التفاعلي". فبدلاً من حساب مسار واحد ضخم وغير قابل للتغيير في البداية، يقوم النظام بمراقبة العالم باستمرار، ورصد التغييرات، وإعادة حساب أفضل مسار للعمل فور حدًا. وهذا أمر صعب للغاية عندما يتكون الفريق من أنواع مختلفة من الروبوتات، لكل منها قدراته الخاصة، وعندما تكون المهمة محكومة بقواعد صارمة حول ما يجب أن يحدث وبأي ترتيب. لقد عرف الباحثون منذ زمن طويل أنه لا يمكنك ببساً تجاهل هذه القواعد، لكن إيجاد طريقة لتحديث الخطة بسرعة كافية لتكون مفيدة في الوقت الفعلي كان يمثل عقبة رئيسية.
قام فريق من الباحثين من جامعة شانشي بتطوير طريقة جديدة لحل هذه المشكلة، وتحديدًا لفرق الروبوتات المختلطة التي تعمل تحت قواعد معقدة. وقد أطلقوا على نظامهم اسم TRRS، وهو اختصار لـ "استراتيجية إعادة التخطيط التفاعلي الموجهة بالحالة المستهدفة" (Target-State-Driven Reactive Replanning Strategy). الفكرة الجوهرية هي التعامل مع مهمة الروبوتات ليس كقائمة مهام ثابتة، بل كوضع حي يتطلب تعديلًا مستمرًا. وقد بنى الباحثون إطارًا رياضيًا يسمًا الروبوتات للتعامل مع نوعين محددين من التغييرات: عندما ينتقل الهدف إلى موقع جديد، وعندما تتغير درجة إلحاح هدف ما.
في العديد من الأنظمة السابقة، كان يتم التعامل مع هذين النوعين من التغييرات بنفس الطريقة، أو يتم التعامل معهما عبر أجزاء منفصلة وغير متصلة من البرمجيات. لكن النهج الجديد يدرك أنهما مختلفان جوهريًا. فإذا تحرك الهدف، فإن مسار الروبوت الحالي ينكسر فعليًا؛ ويجب على الروبوت التوقف عما يفعله والتوجه فورًا إلى الموقع الجديد. ومع ذلك، إذا تغيرت أولوية الهدف فقط — أي أن المهمة أصبحت أكثر أهمية ولكن الموقع ظل كما هو — فإن النظام يعمل بحذر أكبر؛ حيث يسمح للروبوت بإنهاء مهمته الحالية قبل الانتقال إلى المهمة الجديدة الأكثر إلحاحًا. هذا التمييز يمنع الروبوتات من إضاعة الطاقة عن طريق إلغاء المهام التي أوشكت على الانتهاء باستمرار، بينما يضمن أيضًا استجابتها الفورية عندما يتغير العالم المادي تحت عجلاتها.
ولاتخاذ هذه القرارات، يستخدم النظام طريقة تسمى "البرمجة الخطية ذات الأعداد الصحيحة المختلطة" (Mixed-Integer Linear Programming). وبعبارة بسيطة، هذه طريقة قوية لحل الألغاز التي تحتوي على متغيرات كثيرة وقواعد صارمة. وضع الباحثون المسألة بحيث يتعين على الكمبيوتر إيجاد مسار لكل روبوت يستوفي قواعد المهمة، ويتجنب الاصطدامات، ويحترم القدرات المختلفة لكل نوع من الروبوتات. ولأن حل هذا اللغز ليوم عمل كامل دفعة واحدة يستغرق وقتًا طويلاً جدًا، استخدم الفريق نهج "الأفق المتراجع" (receding horizon). وهذا يعني أن الكمبيوتر يخطط فقط لنافذة زمنية قصيرة للأمام، ويحل اللغز لتلك النافذة، ثم ينفذ الخطوة الأولى فقط. ومع مرور الوقت ووصول معلومات جديدة، تنزلق النافذة للأمام، ويحل الكمبيوتر لغزًا جديدًا ومحدثًا قليلاً. هذا يجعل وقت التفكير قصيرًا بما يكفي ليحدث أثناء حركة الروبوتات فعليًا.
اختبر الباحثون هذا النظام في بيئتين مختلفتين تمامًا. أولاً، أجروا عمليات محاكاة في مساحة مفتوحة حيث كان على الروبوتات اتباع قواعد معقدة بشأن زيارة مناطق معينة والعودة إلى الأمان. ثانًا، اختبروه في ممر ضيق، وهو مساحة ضيقة يمكن للروبوتات أن تتعثر فيها بسهولة أو تعيق بعضها البعض. وفي كلتا الحالتين، قارنوا طريقتهم الجديدة بنهجين قديمين: أحدهما حيث تلتزم الروبوتات بخطة ثابتة بغض النظر عما يحدث، والآخر حيث تقوم الروبوتات ببساً باختيار أقرب مهمة متاحة دون التنسيق مع بقية الفريق.
كانت النتائج واضحة. فشلت الخطة الثابتة تمامًا في كلا السيناريوهين لأنها لم تستطع التكيف مع الأهداف المتحركة. أما طريقة "اختيار أقرب مهمة" البسيطة فقد نجحت بشكل مقبول في المساحة المفتوحة، لكنها انهارت في الممر الضيق، حيث أدى نقص التنسيق إلى عرقلة الروبوتات لبعضها البعض وتعثرها. ومع ذلك، نجح النظام الجديد في كل اختبار من الاختبارات؛ فقد تمكن من إكمال جميع المهام في المساحة المفتوحة والممر الضيق، حتى مع تحرك الأهداف وتغير الأولويات. كما كان النظام سريعًا بما يكفي للاستخدام في العالم الحقيقي؛ حيث استغرق في كل مرة يعيد فيها حساب الخطة أقل من عُشر ثانية.
ولإثبات أن المفهوم يعمل خارج محاكاة الكمبيوتر، بنى الفريق اختبارًا ماديًا باستخدام روبوتين صغيرين بعجلات. قاموا بإعداد سيناريو يتعين فيه على الروبوتات التقاط حقيبة ظهر وكتاب وإحضارهما إلى صندوق تخزين. وفي منتصف المهمة، قام إنسان بنقل الكتاب إلى مكان جديد وأدخل مهمة جديدة عالية الأولوية وهي: توصيل الماء. اكتشف النظام كلا التغييرين على الفور؛ فتوقف عن مهمة الكتاب ذات الأولوية المنخفضة، وأرسل روبوتًا لتوصيل الماء أولاً، ثم استأنف مهمة الكتاب، موجّهًا الروبوت إلى الموقع الجديد للكتاب. تكيفت الروبوتات بسلاسة، مما أثبت أن المنطق يعمل في العالم المادي.
يظهر هذا العمل أنه من الممكن منح فريق من الروبوتات المتنوعة القدرة على التفكير بسرعة دون فقدان الرؤية الشاملة للموقف. ومن خلال التمييز بين هدف تحرك وبين مهمة أصبحت فقط أكثر إلحاحًا، يتجنب النظام الفوضى غير الضرورية. إنه يضمن بقاء الروبوتات فعالة ومتعاونة، حتى عندما يكون الموقف المحيط بها غير متوقع. وبينما تعمل النسخة الحالية بشكل أفضل مع عدد صغير من الروبوتات، يرى الباحثون أن هذه خطوة حيوية نحو نشر فرق أكبر وأكثر قدرة في مناطق الكوارث الحقيقية، حيث يمكن أن يكون الفرق بين الخطة الجامدة والاستجابة المرنة هو الفرق بين النجاح والفشل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.