Risk-Governed Model-Free Adaptive Control of Differential-Drive Mobile Robots with Applied-Input-Consistent Dynamic MIMO Linearization
تقترح هذه الورقة بنية تحكم تكيفية خالية من النموذج ومحكومة بالمخاطر للروبوتات المتنقلة ذات الدفع التفاضلي، تضمن اتساق التحديد من خلال تحديث مصفوفة جاكوبي الزائفة بالمدخلات المطبقة بدلاً من الأوامر الاسمية، مما يحسن بشكل كبير من إدارة الانزلاق، ودقة التتبع، والسلامة تحت القيود الديناميكية مثل انزلاق العجلات وتغيرات الحمولة.
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 روبوتًا صُمم للتحرك عبر أرضية مصنع أو مستودع، يتنقل باستخدام عجلتين تدوران بشكل مستقل. ولكي ينعطف، يجب أن تزيد سرعة إحدى العجلتين بينما تتباطأ الأخرى؛ ولكي يتحرك في خط مستقيم، يجب أن تدور العجلتان بتناغم تام. في عالم مثالي، سيقوم كمبيوتر الروبوت ببساطة بإخبار المحركات بالسرعة التي يجب أن تدور بها بالضبط، وسوف يسير الروبوت تمامًا حيث أُمر بالذهاب. لكن العالم الحقيقي فوضوي؛ فقد تكون الأرضية زلقة، أو قد يحمل الروبوت حمولة ثقيلة تغير توازنه، أو قد تكون إحدى العجلتين مختلفة قليلاً عن الأخرى. عندما تحدث هذه الأشياء، يمكن للعجلات أن تنزلق، وقد يكافح الروبوت للانعطاف، أو قد يندفع بشكل غير متوقع. وإذا لم يكن كمبيوتر الروبوت على دراية بما يحدث، فقد يستمر في إرسال أوامر تجعل المشكلة أسوأ، مما يؤدي إلى فقدان السيطرة أو وقوع حادث.
هذا هو التحدي الذي سعى الباحثون في معهد التحكم الآلي في الإنتاج وتحسين التكنولوجيا وجامعة هانوي للعلوم إلى حله. لقد ركزوا على نوع من أنظمة التحكم في الروبوتات يتعلم أثناء العمل، ويعدل سلوكه بناءً على ما يراه بدلاً من الاعتماد على خريطة مثالية لفيزياء الروبوت. وبينما يعد نهج "التعلم" هذا قويًا، إلا أن له نقطة ضعف خفية: إذا منعت أنظمة السلامة أو الحدود الفيزيائية الروبوت من القيام بما يطلبه الكمبيوتر بالضبط، فإن الكمبيوتر يصاب بالارتباك. فهو يعتقد أنه يرسل أمرًا واحدًا، لكن الروبوت يتلقى في الواقع أمرًا مختلفًا. هذا التباين يتسبب في بناء نظام التعلم فهمًا خاطئًا لكيفية حركة الروبوت، مما يؤدي في النهاية إلى ضعف الأداء. وقد طور الباحثون طريقة جديدة لإصلاح هذا الارتباك، حيث ابتكروا نظامًا يظل مدركًا للمخاطر الواقعية مثل انزلاق العجلات أو الأحمال الثقيلة دون السماح لتلك المخاطر بإفساد عملية التعلم الخاصة به.
يكمن جوهر حلهم في استراتيجية مكونة من جزأين تفصل بين تعلم الروبوت وبين فحوصات السلامة. الجزء الأول هو محرك التعلم، الذي يقوم بتحديث نموذج ذهني باستمرار لكيفية استجابة الروبوت للأوامر. في الماضي، إذا تدخل نظام سلامة لتخفيف أمر ما لأن الروبوت كان على وشك الانزلاق، كان محرك التعلم لا يزال يحاول التعلم من الأمر الأصلي غير المخفف. هذا كان يخلق كذبة في البيانات. يضمن النظام الجديد أن محرك التعلم يدرس فقط الأمر الذي وصل بالفعل إلى المحركات. فإذا قام نظام السلامة بتغيير الأمر، يتعلم محرك التعلم من النسخة المعدلة. هذا يبقي فهم الروبوت لحركته متوافقًا تمامًا مع الواقع، حتى عندما تسوء الأمور.
الجزء الثاني هو "حاكم المخاطر"، وهو طبقة ذكية تعمل بمثابة مشرف حذر. يراقب هذا المشرف مستشعرات الروبوت، بحثًا عن علامات المشاكل مثل دوران العجلات بسرعة أكبر من حركة الأرض، أو حمل الروبوت لوزن أكثر من المعتاد، أو تصرف الجانب الأيسب والأيمن للروبوت بشكل مختلف. وعندما يكتشف المشرف هذه المخاطر، فإنه لا يحاول تعليم محرك التعلم عنها. بدلاً من ذلك، يقوم بخفض سرعة الروبوت بلطف ويحد من مدى حدة انعطافه. إنه يخلق منطقة آمنة لعمل الروبوت، مما يضمن أنه حتى لو كان الروبوت على بقعة زلقة أو يحمل حمولة ثقيلة، فإنه لن يحاول التحرك بعدوانية شديدة. ومن الأهمية بمكان أن المشرف يبقي تحذيرات المخاطر هذه منفصلة عن بيانات محرك التعلم، بحيث يتعلم الروبوت كيفية التحرك بشكل صحيح دون أن يرتبك بسبب قيود السلامة المؤقتة.
لاختبار هذه الفكرة، أجرى الباحثون آلاف عمليات المحاكاة الحاسوبية لروبوت ذي عجلتين يتنقل في ظروف صعبة متنوعة. لقد خلقوا سيناريوهات واجه فيها الروبوت أرضيات زلقة، وأحمالًا ثقيلة، وتوزيعًا غير متساوٍ للوزن. وقارنوا نظامهم الجديد بالطرق القديمة التي إما تجاهلت هذه المخاطر أو حاولت التعامل معها بطريقة أقل تطورًا. أظهرت النتائج أن النظام الجديد كان أفضل بكثير في إبقاء الروبوت على مساره المقصود. في عمليات المحاكاة، قلل النهج الجديد من متوسط انزلاق العجلات بأكثر من ستة بالمائة، وقلل من أسوأ حالات الانزلاق بنسبة تقارب اثنتين وثلاثين بالمائة. كما خفض وتيرة المواقف عالية المخاطر بنسبة تقارب تسعة عشر بالمائة. ولعل الأمر الأكثر إثارة للإعجاب هو أن قدرة الروبوت على اتباع مسار دقيق تحسنت بشكل كبير، حيث انخفضت الأخطاء في سرعته الأمامية بأكثر من خمسين بالمائة، وانخفضت الأخطاء في سرعة دورانه بأكثر من سبعين بالمائة.
كما كشفت الدراسة أن مجرد النظر إلى انزلاق العجلات لم يكن كافيًا لحل المشكلة. فالنظام الذي يكتفي فقط بالاستجابة للعجلات المنزلقة واجه صعوبة عندما كان الروبوت يحمل حمولة ثقيلة أو عندما كان الجانبان غير متوازنين. إن قدرة النظام الجديد على استشعار أنواع المشاكل الثلاثة جميعها — الانزلاق، والأحمال الثقيلة، وعدم التوازن — في وقت واحد، هي التي سمحت له بالأداء الجيد. فمن خلال دمج هذه التحذيرات المختلفة في مقياس واحد للمخاطر، استطاع المشرف اتخاذ قرارات أذكى بشأن مدى إبطاء الروبوت. ووجد الباحثون أن هذا النهج وفر الطاقة أيضًا، حيث استخدم الروبوت المحاكي أقل من نصف الطاقة الكهربائية للأنظمة القديمة مع التحرك بدقة أكبر.
وعلى الرغم من أن هذه النتائج واعدة، إلا أن الباحثين يلاحظون بحذر أنهم اختبروا النظام في بيئة محاكاة فقط. لم يتم بناء الروبوت واختباره بعد في مصنع حقيقي أو على أرضية حقيقية. تضمنت المحاكاة تفاصيل واقعية مثل تأخير المحركات وضجيج المستشعرات، ولكن العالم المادي لا يزال قادرًا على مفاجأة الآلة بطرق لا يمكن لنموذج حاسوبي التنبؤ بها. ويذكر المؤلفون أن اختبار النظام على أجهزة فعلية هو الخطوة التالية الضرورية. وحتى ذلك الحين، يظل هذا العمل بمثابة إثبات نظري ومحاكى قوي على أن فصل عملية التعلم عن فحوصات السلامة يسمح للروبوت بالتعلم بشكل أسرع والتحرك بشكل أكثر أمانًا في عالم فوضوي. ويقدم هذا النهج مسارًا واضحًا لجعل الروبوتات ذاتية القيادة أكثر موثوقية في البيئات المعقدة وغير المتوقعة حيث تزداد الحاجة إليها بشكل متزايد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.