A Hybrid Intelligent Navigation Framework Using a Heuristic-Guided Dynamic Window Approach and Optimized Rapidly Exploring Random Tree Star for Autonomous Mobile Robots in Complex Dynamic Environments

تخيل أنك كابتن سفينة فضاء تحاول الهبوط على محطة فضائية صاخبة. لديك خريطة للمحطة، لكن بوابات الهواء تتحرك باستمرار، وصناديق الشحن الجديدة تظهر فجأة في طريقك. إذا اكتفيت بالتحديق في خريطتك ومحاولة الطيران في خط مستقيم، فستصطدم. وإذا اكتفيت بالنظر من النافذة والتفاعل مع أقرب صندوق أمامك، فقد تدور في حلقات مفرغة ولا تصل أبدًا إلى وجهتك. هذا هو الصراع اليومي للروبوتات المتنقلة ذاتية القيادة (AMRs) — تلك العربات والروبوتات ذاتية القيادة التي نراها في المستودعات، والمستشفيات، والمزارع. فهي بحاجة لأن تكون ذكية بما يكفي لتخطيط مسار طويل، وسريعة بما يكفي لتفادي عائق مفاجئ. علم إيصالها من النقطة (أ) إلى النقطة (ب) دون الاصطدام بالأشياء يسمى "الملاحة"، وهي لغز معقد لأن العالم فوضوي، ومتغير، ومليء بالمفاجآت.

لحل هذه المشكلة، يستخدم العلماء عادةً نوعين من الأدوات. الأول هو "المخطط العالمي" (Global Planner)، وهو يشبه نظام GPS الذي يرسم خطًا مثاليًا من منزلك إلى المتجر. والثاني هو "المتحكم المحلي" (Local Controller)، وهو يشبه يديك اللتين تقودان السيارة لتجنب سنجاب يندفع عبر الطريق. المشكلة هي أن خرائط الـ GPS التقليدية قد تكون بطيئة في التحديث، والتحكم في التوجيه التقليدي قد يصاب بالارتباك أو يعلق في الزوايا. تقترح هذه الورقة البحثية، التي كتبها باحثون من جامعة أمريتا فيشوا فيديبيثام وجامعة لوفبرا، طريقة جديدة لدمج هاتين الأداتتين معًا. لقد ابتكروا نظامًا "هجينًا" يعمل كملاح فائق الذكاء، لا يمتلك خريطة رائعة فحسب، بل لديه أيضًا نظام ردود فعل يغير رأيه فورًا عندما يصبح المحيط مزدحمًا.

المشكلة: الوقوع في فخ "القيم الدنيا المحلية"

فكر في روبوت يحاول إيجال طريقه عبر متاهة. قد يعلق روبوت بسيط في طريق مسدود صغير، ظانًا أنه أفضل ما يمكنه فعله، رغم أن المخرج الحقيقي يقع خلف الزاوية مباشرة. في علم الروبوتات، يسمى هذا "قيمة دنيا محلية" (Local Minimum). يعلق الروبوت في بقعة يعتقد أنها آمنة، لكنها في الواقع بعيدة عن هدفه. غالبًا ما تعاني الطرق القديمة هنا؛ فقد تكون جامدة للغاية، تتبع خطة لم تعد صالحة، أو فوضوية للغاية، تتجول بلا هدف. أراد الباحثون بناء نظام لا "يحاول" فقط الوصول إلى الهدف، بل "يسحب" نفسه نحوه بنشاط مع البقاء آمنًا من العوائق المتحركة.

الحل: عقل مكون من جزأين

بنى الباحثون إطار عمل للملاحة يتكون من جزأين رئيسيين يتحدثان مع بعضهما البعض باستمرار.

1. صانع الخرائط الفائق (AP-RRT)*
أولاً، هناك المخطط العالمي، والذي يسم يسمونه AP-RRT. تخيل أنك ترسم مسارًا عبر غابة. الطريقة القياسية قد تقوم بغرس عصي عشوائيًا في الأرض لإيجاد طريق، مما يستغرق وقتًا طويلاً. لكن AP-RRT أكثر ذكاءً؛ فهو يستخدم "جذبًا مغناطيسيًا" (مستوحى مما يسمى حقول الجهد الاصطناعي) لتوجيه تخميناته العشوائية. بدلًا من غرس العصي في كل مكان، فإنه يوجه تخميناته نحو الهدف، مثل متسلق يعرف أن قمة الجبل تقع في ذلك الاتجاه، فيبحث فقط عن المسارات التي تصعد للأعلى.

لكن هنا تكمن المفاجأة: الغابة ليست فارغة. أحيانًا تكون واسعة ومفتوحة، وأحيانًا تكون غابة كثيفة الأشجار. يقوم AP-RRT* بتغيير حجم خطواته بناءً على التضاريس. في المناطق المفتوحة، يأخذ خطوات واسعة لتغطية مساحات كبيرة بسرعة. وفي الأماكن المزدحمة والصعبة، يأخذ خطوات صغيرة وحذرة لتجنب الاصطدام. وبمجرد رسم مسار تقريبي، يستخدم تقنية تسمى "تحسين مستعمرة النمل" (Ant Colony Optimization) — المستوحاة من كيفية إيجاد النمل لأقصر طريق إلى الطعام — لتنعيم المسار، وإزالة التعرجات والمنعطفات غير الضرورية.

2. السائق ذو رد الفعل (AW-DWA و DA-DWA)
بمجرد رسم الخريطة، يحتاج الروبوت إلى القيادة فعليًا. وهنا يأتي دور المخطط المحلي. لم يكتفِ الباحثون باستخدام سائق واحد؛ بل اختبروا نسختين مطورتين للغاية: AW-DWA و DA-DWA.

فكر في توجيه الروبوت وكأن لديه ثلاثة مؤشرات (أو أقراص تحكم): واحد لـ "السرعة"، وواحد لـ "البقاء على المسار"، وواحد لـ "عدم الاصطدام بأي شيء". في الأنظمة القديمة، كانت هذه المؤشرات ثابتة. إذا رفعت مؤشر "عدم الاصطدام بأي شيء"، فسيكون الروبوت حذرًا جدًا ولكنه سيتحرك ببطء شديد. وإذا خفضته، فسيكون سريعًا ولكنه مخاطر.

نظام AW-DWA (الموزون التكيفي) الجديد يشبه سائقًا يمكنه الشعور بالطريق. إذا رأى الروبوت جدارًا يقترب، فإنه يرفع تلقائيًا مؤشر "عدم الاصطدام بأي شيء" إلى مستوى عالٍ، مما يجعل الروبوت يبطئ ويوجه مساره بعيدًا. وإذا كان المسار خاليًا، فإنه يخفض ذلك المؤشر ويركز على السرعة والبقاء على الخط.

أما نظام DA-DWA (المزدوج التكيفي) فيذهب إلى أبعد من ذلك؛ فهو يعدل أيضًا مؤشر "البقاء على المسار". عندما يكون الروبوت بعيدًا عن الهدف، فلا بأس من الانحراف قليلاً لتجنب المشاكل. ولكن مع اقترابه من خط النهاية، فإنه يشد تركيزه، لضمان عدم تفويت الهدف.

ما وجدوه: أكثر سلاسة، وأمانًا، وذكاءً

اختبر الباحثون عقلهم الجديد بطريقتين: أولاً في محاكاة حاسوبية (عالم افتراضي)، ثم على روبوت حقيقي يسمى TurtleBot3 Burger في غرفة حقيقية بها عوائق متحركة.

في عمليات المحاكاة، حقق صانع الخرط AP-RRT* نجاحًا هائلًا. فمقارنة بالطريقة القياسية، قلل طول المسار بنسبة 19% وجعل المسار أكثر سلاسة بنسبة 67%. وهذا يعني أن الروبوت لم يضطر لقطع مسافة أطول، ولم يضطر للقيام بالكثير من المنعطفات المفاجئة.

وعندما تعلق الأمر بجزء القيادة، كان السائق AW-DWA هو نجم العرض. في بيئة ديناميكية حيث تتحرك العوائق حوله، نجحت طريقة "DWA المحسنة" القديمة بنسبة 70% فقط. أما AW-DWA الجديد فقد نجح بنسبة 90%! كما قلل من مقدار انحراف الروبوت عن مساره المحدد بنسبة 35% وحسن سلاسة المسار بنسبة 74%.

أكد الاختبار في العالم الحقيقي هذه الأرقام. تحرك الروبوت بسلاسة، وعدّل سرعته عند ظهور العوائق، واتبع المسار دون أن يعلق أو يصطدم. وأظهرت مخططات السرعة (velocity profiles) أن الروبوت لم يتحرك بشكل متقطع؛ بل تحرك بحركة انسيابية ومنضبطة، حتى عندما كانت الأشياء تتغير من حوله.

الخلاصة

تشير هذه الورقة البحثية إلى أنه من خلال الجمع بين صانع خرائط ذكي وتكيفي ونظام توجيه ذو رد فعل وقابل للتعديل، يمكن للروبوتات التعامل مع البيئات المعقدة والمتحركة بشكل أفضل من ذي قبل. فهي لا تتبع خطة جامدة فحسب، ولا تتفاعل بعشوائية فحسب، بل توازن بين الصورة الكبيرة واللحظة الراهنة. وبينما تبدو النتائج واعدة للغاية في المحاكاة والاختبارات الواقعية مع هذا الروبوت المحدد، فإن الباحثين يوضحون أن هذا النهج الهجين هو حل قوي لجعل الروبوتات ذاتية القيادة أكثر أمانًا وكفاءة في عالمنا المزدحم وغير المتوقع.