Hybrid Visual Perception and LLM Framework for Service Robot Planning and Navigation

لم تعد الروبوتات الخدمية مجرد مفهوم للمستقبل؛ بل بدأت تظهر في المستشفيات والفنادق والأماكن العامة، حيث تُكلف بتوجيه الناس وأداء المهام البسيطة. ولكي تكون هذه الآلات مفيدة حقاً، يجب أن تفعل أكثر من مجرد اتباع مسار مبرمج مسبقاً. فهي بحاجة إلى فهم ما يطلبه منها البشر، ورؤية العالم من حولها لتجنب العقبات أو العثور على عناصر محددة، ثم تحديد كيفية التحرك لإنجاز المهمة. لطالما كان التحدي يكمن في كيفية دمج هذه القدرات الثلاث — فهم اللغة، ورؤية البيئة، وتخطيط الحركة — في نظام واحد يتسم بالذكاء الكافي ليكون مفيداً، وفي الوقت نفسه يكون صغيراً وسريعاً بما يكفي ليعمل على حاسوب الروبوت المدمج الخاص به.

لسنوات، حاول الباحثون حل هذه المعضلة عبر بناء أنظمة ذكاء اصطناعي ضخمة وشاملة تحاول القيام بكل شيء في آن واحد. هذه الأنظمة، التي تُسمى غالباً نماذج الرؤية واللغة (vision-language models)، قوية للغاية لأنها تستطيع النظر إلى صورة وقراءة جملة في وقت واحد. ومع ذلك، فهي ثقيلة للغاية، وتتطلب قدرات حوسبة هائلة لا تتناسب ببساطة مع روبوت صغير يعمل بالبطارية. وهذا يخلق معضلة: إما روبوت ذكي بما يكفي لفهم التعليمات المعقدة ولكنه بطيء جداً في الاستجابة في الوقت الفعلي، أو روبوت سريع ولكنه غبي جداً في فهم ما يراه.

اقترح فريق من الباحثين من إندونيسيا واليابان وبلجيكا طريقاً مختلفاً للمضي قدماً. فبدلاً من إجبار عقل واحد ضخم على القيام بكل شيء، قاموا ببناء نظام يقسم العمل إلى جزأين متخصصين يتواصلان مع بعضهما البعض. في إطار عملهم الجديد، يتولى نظام بصري سريع وخفيف الوزن مهمة رصد الأجسام، بينما يتولى نموذج لغوي منفصل مهمة فهم التعليمات ووضع الخطط. هذا الفصل يسمح للروبوت بالعمل على حاسوب مدمج صغير دون الحاجة إلى خادم خارجي ضخم. اختبر الباحثون هذا النهج على روبوت إرشادي مصمم لمساعدة الأشخاص في التنقل داخل المباني العامة، ووجدوا أنه من خلال إبقاء المهام منفصلة، استطاع الروبوت فهم الأوامر المعقدة، والعثور على الأجسام، والتحرك إلى مواقع محددة بدقة عالية، كل ذلك مع الاستجابة بسرعة أكبر بكثير من الأنظمة الشاملة (all-in-one).

بُني الروبوت الذي استخدموه على قاعدة متحركة قياسية، ولكنه جُهز بكاميرا واحدة ورقاقة حاسوبية مدمجة تُعرف باسم "Jetson Orin Nano". هذه الشريحة قوية بما يكفي لتشغيل البرمجيات الحديثة، ولكنها صغيرة بما يكفي لتناسب روبوتاً يحتاج للتحرك بحرية دون أن يكون مقيداً بمقبس حائط. برمج الباحثون النظام ليقبل أوامر اللغة الطبيعية من البشر، مثل "اذهب إلى المكتب الأمامي وابحث عن شخص". عندما يتلقى الروبوت مثل هذا الأمر، يقوم الجزء اللغوي من النظام بتفكيكه إلى قائمة من الخطوات؛ حيث يقرر أن الروبوت يحتاج للتحرك إلى موقع محدد ثم البحث عن شخص. والأهم من ذلك، أنه يخبر الجزء البصري من النظام بالضبط عما يجب البحث عنه، بدلاً من مطالبة النظام البصري بالتخمين حول ما قد يكون مهماً.

هذا التقسيم في العمل هو مفتاح سرعة النظام. في الأنظمة التقليدية الشاملة، يجب على الحاسوب معالجة الصورة بأكملها والجملة بأكملها في آن واحد، مما يستغرق وقتاً طويلاً. أما في هذا الإعداد الجديد، فيقوم النموذج اللغوي بسرعة باتخاذ قرار بأن الروبوت يحتاج للبحث عن "شخص"، ثم يرسل تعليمات بسيطة وموجزة إلى الكاشف البصري للعثور على ذلك الجسم المحدد فقط. يقوم الكاشف البصري، المصمم ليكون سريعاً جداً، بمسح بث الكاميرا ويبلغ عما إذا كان يرى شخصاً أم لا. ولأن النظام البصري لا يضيع وقته في تحليل كل شيء في الغرفة، ولأن النظام اللغوي لا يضيع وقته في محاولة تفسير البكسلات، فإن العملية برمتها تحدث بشكل أسرع بكثير. وقد قاس الباحثون هذا الفرق في السرعة ووجدوا أن نظامهم المنقسم أسرع بما يتراوح بين ثلاثة إلى عشرين ضعفاً من الأنظمة الشاملة، اعتماداً على ما إذا كان الحاسوب يعمل محلياً أو يتصل بخادم سحابي.

وللتأكد من نجاح هذا النهج في العالم الحقيقي، أجرى الفريق سلسلة من الاختبارات. أولاً، اختبروا قدرة الروبوت على اتباع أوامر الحركة بمفرده، بطلب الذهاب إلى أقرب غرفة أو إلى المكتب الأمامي. في هذه الاختبارات، نجح الربو في تخطيط مساره والوصول إلى الوجهة الصحيحة بنسبة 96 بالمائة. بعد ذلك، أضافوا المكون البصري، بطلب الذهاب إلى موقع معين ثم البحث عن جسم محدد، مثل صنبور حريق، أو كرسي، أو شخص. في هذه السيناريوهات الأكثر تعقيداً، حيث كان على الروبوت التنقل ثم البحث، نجح النظام بنسبة 84 بالمائة. وكانت حالات الفشل القليلة التي حدثت ناتجة عادةً عن عدم قدرة كاميرا الروبوت الوحيدة على تقدير مدى قربها من جسم ما بدقة، مما تسبب في توقفه قبل الأوان بقليل أو بعده بقليل، وليس بسبب سوء فهم الأمر أو الفشل في رؤية الجسم.

كما نقل الباحثون النظام من محاكاة الحاسوب ووضعوه على الروبوت المادي الفعلي في بهو مبنى حقيقي. أعطوه نفس أنواع الأوامر، وقام الروبوت بتنفيذ المهام بموثوقية، متنقلاً عبر المساحة، ومتوقفاً للبحث عن الأشخاص، ومتحدثاً بالرد على المستخدم. أكد هذا الاختبار في العالم الحقيقي أن النظام يمكنه التعامل مع فوضى البيئة الحقيقية، بما في ذلك مرور الأشخاص وتغير ظروف الإضاءة، دون الحاجة إلى أي تغييرات هيكلية في البرمجيات. وأظهرت النتائج أن الروبوت يمكنه تفسير صوت بشري، وتحديد وجهته، والعثور على ما هو مطلوب، وتنفيذ المهمة، كل ذلك أثناء العمل على حاسوب صغير يناسب الروبوت نفسه.

تشير الدراسة إلى أن مستقبل الروبوتات الخدمية قد لا يعتمد على جعل "أدمغة" الروبوتات أكبر وأكثر تعقيداً، بل على تنظيم طريقة تفكيرها. فمن خلال فصل مهمة الرؤية عن مهمة التفكير المنطقي، أثبت الباحثون أن الروبوت يمكن أن يكون عالي القدرة وفعالاً في آن واحد. وبينما تُعد الأنظمة الشاملة مثيرة للإعجاب، إلا أنها غالباً ما تكون ثقيلة جداً للاستخدام العملي على الروبوتات المتنقلة. يقدم هذا النهج الهجين مساراً للمضي قدماً حيث يمكن نشر الروبوتات في المستشفيات والفنادوهات والمكاتب لمساعدة الناس، والاستجابة بسرعة للتعليمات والتحرك بأمان عبر الأماكن المزدحمة. لا تدعي هذه الدراسة أنها حلت كل مشاكل الروبوتات، لكنها تقدم طريقة واضحة ومثبتة لجعل الروبوتات ذكية بما يكفي لتكون مفيدة وسريعة بما يكفي لتكون نافعة.