نظام التحكم بالروبوت المعتمد على المحولات في جامعة كاليفورنيا، بيركلي، يتكيف بسلاسة مع البيئات غير المألوفة.

طور الباحثون في جامعة كاليفورنيا، بيركلي، نظام تحكم مبتكر للروبوتات البشرية، يمكّنها من التنقل ببراعة عبر مجموعة متنوعة من التضاريس والعوائق. يستند هذا النظام المعتمد على الذكاء الاصطناعي إلى أطر التعلم العميق التي أحدثت تحولاً في نماذج اللغة الكبيرة. المبدأ الأساسي لهذا النظام بسيط: من خلال تحليل الملاحظات الحديثة، يمكن للذكاء الاصطناعي التنبؤ بالحالات والإجراءات المستقبلية.

تم تدريب النظام بالكامل في بيئة محاكاة، ويتميز بأداء قوي في ظروف العالم الحقيقي غير المتوقعة. من خلال تقييم التفاعلات السابقة، يعدل سلوكه ديناميكيًا لإدارة السيناريوهات الجديدة التي لم يتعرض لها أثناء التدريب.

روبوت للجميع

تم تصميم الروبوتات البشرية لتشبه البشر، ولها القدرة على أن تصبح مساعدين لا غنى عنهم يمكنهم أداء مجموعة متنوعة من المهام البدنية والمعرفية. ومع ذلك، فإن إنشاء روبوتات بشرية متعددة الاستخدامات يمثل تحديات كبيرة، خاصة في تطوير نظام تحكم مرن.

عادةً ما تفتقر أنظمة التحكم الروبوتي التقليدية إلى القدرة على التكيف، حيث يتم تصميمها لمهام محددة وتكافح للتعامل مع عدم اليقين في التضاريس والشروط البصرية الواقعية. هذه الصلابة تجعل استخدامها مقصورًا على البيئات الخاضعة للتحكم.

لذلك، هناك تركيز متزايد على طرق التحكم الروبوتي المعتمدة على التعلم. يمكن لهذه الأنظمة تعديل سلوكها بناءً على البيانات المجمعة من المحاكاة أو التفاعلات المباشرة مع البيئة.

يعد نظام التحكم من جامعة كاليفورنيا، بيركلي، قادرًا على توجيه الروبوتات البشرية بمهارة عبر مجموعة من السيناريوهات. تم نشر هذا النظام على روبوت Digit، وهو روبوت بشري كامل الحجم ومتعدد الأغراض، حيث يظهر قدرات استثنائية في المشي في الهواء الطلق، ويتنقل بثقة في بيئات البشر اليومية مثل الأرصفة والممرات والحقول المفتوحة. يتنقل الروبوت ببراعة عبر أسطح متعددة، بما في ذلك الخرسانة والمطاط والعشب، دون أن يقع.

أفاد الباحثون: "وجدنا أن جهاز التحكم لدينا كان قادرًا على المشي فوق جميع التضاريس التي تم اختبارها بشكل موثوق، وكنّا مرتاحين لاستخدامه دون دعم أمني. خلال أسبوع من الاختبارات في بيئات خارجية، لم نشهد أي حالات سقوط."

علاوة على ذلك، خضع الروبوت لاختبارات صارمة لقياس مرونته ضد الاضطرابات. يدير بفعالية خطوات غير متوقعة وأجسام عشوائية في طريقه، وحتى المقذوفات، مع الحفاظ على استقراره عند دفعه أو سحبه.

التحكم في الروبوتات باستخدام المحولات

بينما تعرض العديد من الروبوتات البشرية قدرات مذهلة، يبرز هذا النظام الجديد من حيث منهجية التدريب والنشر.

تم تدريب نموذج التحكم بالذكاء الاصطناعي بالكامل في بيئة المحاكاة، باستخدام آلاف المجالات وعشرات المليارات من السيناريوهات داخل Isaac Gym، وهي بيئة محاكاة فيزيائية عالية الأداء. تنتقل هذه التجربة الواسعة بسلاسة إلى التطبيقات الواقعية دون الحاجة إلى تعديل إضافي، وهو ما يعرف بعملية تحويل المحاكاة إلى الواقع. من الجدير بالذكر أن النظام أظهر قدرات جديدة في السيناريوهات الواقعية، مثل التنقل عبر الدرجات التي لم يتم تناولها بشكل صريح أثناء التدريب.

تتمحور هذه المنظومة حول "محول سببي"، وهو نموذج تعلم عميق يعالج الملاحظات الحسية التاريخية والإجراءات. يقوم هذا المحول بشكل فعال بتحديد أهمية معلومات معينة — مثل أنماط المشي وحالات الاتصال — ذات الصلة بملاحظات الروبوت.

تُعرف المحولات بنجاحها في نماذج اللغة الكبيرة، وهي ماهرة بشكل خاص في التنبؤ بالعناصر التالية في تسلسلات البيانات الواسعة. يتعلم المحول السببي المستخدم في هذا الروبوت من تسلسلات الملاحظات والإجراءات، مما يمكنه من توقع عواقب سلوكه، والتكيف ديناميكيًا مع المناظر الطبيعية المتغيرة، حتى تلك غير المألوفة.

يصرح الباحثون: "نفترض أن تاريخ الملاحظات والإجراءات يشفر ضمناً المعلومات حول العالم، التي يمكن أن يستخدمها نموذج المحول القوي لتكييف سلوكه ديناميكيًا في وقت الاختبار." يرتبط هذا المفهوم، المسمى "التكيف السياقي"، بكيفية استخدام نماذج اللغة للمعلومات السياقية لتعلم مهام جديدة وتحسين المخرجات خلال الاستدلال.

أثبتت المحولات تفوقها على نماذج التسلسل الأخرى، مثل الشبكات التلافيفية الزمنية والشبكات طويلة وقصيرة المدى. تدعم بنيتها التوسع باستخدام بيانات وموارد حسابية إضافية، ويمكن تعزيزها من خلال دمج عدة أنماط إدخال.

خلال العام الماضي، برزت المحولات كأدوات قيمة داخل مجتمع الروبوتات، حيث استغلّت نماذج متعددة تنوعها لتعزيز قدرات الروبوتات. تقدم فوائد كبيرة، بما في ذلك تحسين ترميز أنماط الإدخال المختلفة وترجمة التعليمات المعقدة بلغة طبيعية إلى خطوات تخطيط محددة للروبوتات.

يختتم الباحثون: "مثل مجالات الرؤية واللغة، نعتقد أن المحولات قد تسهل تقدمنا المستقبلي في توسيع أساليب التعلم بالنسبة للحركة البشرية الروبوتية في العالم الحقيقي."