Dual-Level Humanoid Whole-Body Controller
تقدم هذه الورقة "ياغر" (Jaeger)، وهو متحكم للجسم بالكامل ثنائي المستوى للروبوتات البشرية يقوم بفصل التحكم في الجزء العلوي عن الجزء السفلي للتغلب على تحديات الأبعاد، مستخدماً نهجاً هجيناً يجمع بين التعلم الخاضع للإشراف والتعلم التعزيزي المدرب على بيانات حركة بشرية مُعاد توجيهها لتحقيق أداء قوي ومتعدد الاستخدامات في كل من بيئات المحاكاة والبيئات الواقعية.
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
لطالما كانت الروبوتات البشرية حلمًا من أحلام الخيال العلمي، وهي آلات صُممت لتبدو وتتحرك مثلنا، قادرة على اجتياز سلالمنا، وفتح أبوابنا، والتعامل مع أدواتنا. ولكي تكون هذه الروبوتات مفيدة حقًا، يجب أن تتقن التحكم في كامل الجسم، وهو عملية توازن معقدة تنسق فيها الآلة عشرات المفاصل في آن واحد للبقاء منتصبة أثناء الوصول إلى الأشياء، أو المشي، أو حمل الأشياء. ويكمن التحدي في العدد الهائل من الأجزاء المتحركة؛ فغالبًا ما يكون لأذرع الروبوت وساقيه احتياجات متضاربة، مثل تأرجح الأذرع بجنون للإمساك بكوب بينما يجب أن تظل الساقان ثابتتين تمامًا لمنع السقوط. وتكافح الأساليب التقليدية غالبًا لتعليم برنامج كمبيوتر واحد كيفية إدارة كل هذه القطع المتحركة في وقت واحد، مما يؤدي إلى حركات متصلبة، أو غير مستقرة، أو عرضة للفشل عندما يواجه الروبوت عدم القدرة على التنبؤ في العالم الحقيقي.
لقد طور فريق من الباحثين في أكاديمية بكين للذكاء الاصطناعي نهجًا جديدًا لهذه المشكلة، حيث ابتكروا نظام تحكم يطلقون عليه اسم "JAEGER". وبدلاً من إجبار عقل واحد على إدارة الروبوت بأك entirety، قاموا بتقسيم المهمة إلى دورين متميزين، تمامًا كما قد يدير الدماغ البشري بشكل منفصل إيقاع المشي أثناء التركيز بتركيز اليدين على مهمة دقيقة. يقوم هذا النظام ثنائي المستوى بتعيين وحدة تحكم واحدة لجزء الروبوت السفلي، المسؤولة عن التوازن والحركة عبر الأرض، ووحدة تحكم ثانية مستقلة للجزء العلوي، مخصصة للوصول إلى الأشياء والتعامل معها. ومن خلال فصل هذه الواجبات، وجد الباحثون أن بإمكانهم تدريب الروبوت بشكل أكثر فعالية، مما يسمح لكل جزء بالتركيز على وظيفته المحددة دون التداخل مع الجزء الآخر.
اختبر الباحثون هذا النظام على روبوتين بشريين مختلفين، H1 وH1-2، حيث أجروا آلاف جلسات التدريب في بيئة محاكاة قبل الانتقال إلى العالم الحقيقي. وقد علموا الروبوتات أداء مجموعة متنوعة من المهام، من المشي جانبًا وإلى الأمام إلى تنفيذ حركات معقدة تشبه الرقص تتطلب تنسيقًا دقيقًا بين الجذع والأطراف. وفي أحد العروض التوضيحية، استخدم الروبوت عصا تحكم وواجهة واقع افتراضي للاقتراب من دمية والإمساك بها أثناء الحركة، معتمداً على وحدة تحكم الجزء السفلي للحفاظ على الاستقرار بينما وجهت وحدة تحكم الجزء العلوي الأذرع. وفي عرض آخر، أدى الروبوت سلسلة من حركات الرقص، حيث نقل وزنه وحرك أطرافه في تسلسل سلس تطلب عمل كلتا وحدتي التحكم في انسجام.
ولإنجاح ذلك، كان على الفريق حل مشكلة بيانات صعبة: كيفية ترجمة الحركات البشرية، المسجلة من بشر حقيقيين، إلى تعليمات يمكن للروبوت اتباعها. فالأجساد البشرية وأجساد الروبوتات مبنية بشكل مختلف؛ إذ يمتلك الإنسان عددًا مختلفًا من المفاصل ونطاق حركة مختلف عن الآلة. وقد أنشأ الباحثون نظامًا سريعًا وفعالًا لتعيين الوضعيات البشرية على هيكل الروبوت، مما يضمن أن تبدو الحركات طبيعية وممكنة فيزيائيًا للآلة. ثم استخدموا طريقة تدريب خطوة بخطوة، حيث علموا الروبوت أولاً المشي والتوازن بمفرده، ثم أدخلوا تدريجيًا مهام الجزء العلوي. وقد منع هذا النهج الروبوت من الارتباك أو عدم الاستقرار أثناء عملية التعلم، مما سمح له بالوصول إلى حل يتسم بالمتانة والتنوع.
أظهرت نتائج تجاربهم أن استراتيجية التحكم المنقسم هذه كانت أفضل بكثير من الأساليب السابقة. فعند اختبار مدى قدرة الروبوتات على اتباع الأوامر للتحرك بسرعات محددة أو اتخاذ وضعيات معينة، ارتكب النظام الجديد أخطاءً أقل من البدائل الرائدة. فعلى سبيل المثال، عندما طُلب من الروبوت تتبع سرعة معينة أثناء الحركة، لم تتجاوز أخطاء الروبوت الذي يستخدم النظام الجديد حوالي 0.15 متر في الثانية في سرعته الأمامية، وهو تحسن ملحوظ مقارنة بالطرق الأخرى التي كافحت للبقاء على المسار. وبالمثل، عندما طُلب منها محاكاة وضعيات معقدة، تحركت مفاصل الروبوت بدقة أكبر بكثير، مما قلل الفرق بين الموضع المنشود والموضع الفعلي إلى جزء ضئيل مما حققته الأنظمة الأخرى.
كما اكتشف الباحثون أن الحفاظ على استقلالية وحدتي التحكم كان أمرًا حاسمًا لاستقرار الروبوت. فعندما حاولوا استخدام وحدة تحكم واحدة لإدارة الجسم بأكمله، كان الروبوت غالبًا ما يضحي بالتوازن من أجل الحركة، أو العكس، مما يؤدي إلى محاولات متقطعة أو فاشلة للمهام المعقدة. ومن خلال فصل الأنظمة، استطاع الجزء السفلي الاستمرار في العمل بفعالية حتى لو واجه الجزء العلوي مشكلة، واستطاع الجزء العلوي التركيز تمامًا على المهمة المطلوبة دون القلق بشأن ميكانيكا المشي. كما جعل هذا التصميم عملية التدريب أسرع وأكثر موثوقية، حيث تمكن النظام من التعلم من بيانات الحركة البشرية دون الانغماس في المتطلبات المتضاربة لشبكة تحكم واحدة ضخمة.
في الاختبارات النهائية، أظهرت الروبوتات قدرة ملحوقة على التعافي من الاضطرابات. فعندما طبق الباحثون قوى جانبية تعادل دفعة تصل إلى 210 نيوتن، تمكنت الروبوتات من الحفاظ على توازنها أو التعافي من التعثر في أكثر من 90 بالمائة من التجارب. ويشير هذا الصمود إلى أن النظام ليس مجرد نجاح نظري، بل هو حل عملي للتطبيقات في العالم الحقيقي. وأشار الباحثون إلى أن طريقتهم تسمت بإمكانية إجراء تحديثات عالية التردد، مما يعني أن الروبوت يمكنه تعديل حركاته أكثر من ألف مرة في الثانية، وهي سرعة ضرورية للمهام ذات زمن الاستجابة المنخفض مثل الجراحة عن بُعد أو التعامل الدقيق مع الأشياء.
لا يدعي هذا العمل أنه حل كل مشكلة في مجال الروبوتات، ولكنه يقدم مسارًا واضحًا لجعل الروبوتات البشرية أكثر قدرة وموثوقية. فمن خلال تفكيك المهمة المعقدة للتحكم في كامل الجسم إلى أجزاء متخصصة وقابلة للإدارة، أظهر الباحثون أن الروبوتات يمكنها التعلم كيف تتحرك بمستوى من الانسيابية والقدرة على التكيف كان من الصعب تحقيقه سابقًا. ويشير نجاح "JAEGER" إلى أن مستقبل الروبوتات البشرية قد لا يكمن في بناء عقل واحد كلي المعرفة، بل في إنشاء أنظمة حيث يمكن لأجزاء مختلفة من الآلة أن تعمل معًا، كل منها يقوم بما يجيده، لتحقيق هدف مشترك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.