وكيل برمجي يحل محل مشغّل التشغيل عن بُعد: 93 نجاحًا من 100 مقابل 84 للبشر

لتعليم روبوت فتح درج، مثلًا، يُظهر مشغّل بشري ممسكًا بوحدة تحكم الحركات المطلوبة مرات كثيرة، وبعد كل فشل يعيد ترتيب الأشياء يدويًا. تستهلك كل حلقة من هذه الحلقات وقت المشغّل ووقت الروبوت نفسه، وعند ظهور مهمة جديدة أو مشهد جديد يبدأ جمع البيانات من الصفر. اقترح فريق DAGroup من جامعة بكين نظام PyRUA-DataFarm («مزرعة البيانات») الذي يحل فيه وكيل برمجي محل المشغّل: انطلاقًا من تسجيل قصير واحد للمشهد، يجمع الوكيل المهمة بنفسه في المحاكي، ويُنتج مقاطع فيديو موسومة للتدريب.

في خمس مهام حقيقية، نجح الروبوت المدرَّب على هذه البيانات وحدها في 93 محاولة من 100، بينما نجح الروبوت المدرَّب على العدد نفسه من حلقات التشغيل عن بُعد في 84. وبالنسبة إلى من يجمعون البيانات للأذرع الروبوتية، تمثّل هذه الطريقة وسيلة لخفض تكاليف المشغّلين وتكاليف إعادة الإعداد للمهام الجديدة.

كيف يحل الوكيل محل المشغّل

يحتاج النظام إلى مدخلين فقط: وصف نصي للمهمة مع شرط النجاح، وحلقة معايرة واحدة، أي تسجيل قصير للروبوت في المشهد المطلوب من عدة كاميرات. لا تُنسخ الحركات من هذا التسجيل. الغرض منه معرفة مواضع الكاميرات والأشياء الموجودة في المشهد وأحجامها.

بعد ذلك يعمل الوكيل كما يعمل المهندس. يعيد بناء المشهد في المحاكي، ويتحقق من أن المحاكي قادر أصلًا على أداء المهارات المطلوبة (مثل سحب الدرج من مقبضه)، ثم يكتب ثلاثة أشياء: وصف المشهد، وبرنامجًا خبيرًا يحل المهمة، وفحصًا للنجاح. يُشغَّل البرنامج الخبير من مجموعة كبيرة من الأوضاع الابتدائية، ويُخرج المحاكي الحركات الدقيقة وحالات الأشياء ونقاط التلامس.

تبقى مشكلة الصورة: تبدو المحاكاة كمحاكاة، ويتعثر الروبوت المدرَّب عليها في الواقع. لذلك يُمرَّر كل تشغيل إلى نموذج فيديو يتلقى إطارات حقيقية من تسجيل المعايرة. يرسم النموذج فيديو فوتوغرافيًا لجميع الكاميرات دفعة واحدة، مع الحفاظ على وضع اليد والأشياء ونقاط التلامس القادمة من المحاكاة. ويمكن تحديد مفرش طاولة جديد أو إضاءة ملوّنة بتعليمة نصية عادية.

أما مراقبة الجودة فمصمَّمة بصورة منفصلة. الوكيل الذي يكتب بنفسه البرنامج الخبير وفحص النجاح قد يُجيز أخطاءه هو. لذلك يُطوَّر البرنامج الخبير في مواجهة «حكَم» لا يرى الوكيل شيفرته، ولا يُقبل إلا بحسب حالات بدء مؤجَّلة. يُسمح لنموذج الفيديو بتغيير المظهر الخارجي، ولا يُسمح له بتغيير الهندسة والأشياء والتوقيت. تُقارن فحوص آلية ومراجِع مستقل كل حلقة جاهزة بالمحاكاة، وبعد ذلك فقط تدخل الحلقة في المجموعة.

ماذا أظهرت التجارب

أُجريت الاختبارات على خمس مهام حقيقية بذراعين، تضم أشياء صلبة ومفصلية وطرية، بما فيها قماش وشاشة. حققت الروبوتات المدرَّبة على بيانات المزرعة وحدها 93 نجاحًا في 100 محاولة. أما الروبوتات المدرَّبة على العدد نفسه من حلقات المشغّلين فحققت 84.

ويتّسع الفارق عند تغيّر الظروف. حين وُضع على الطاولة مفرش غير مألوف وشُغّلت إضاءة ملوّنة، حافظت سياسات (policies) المزرعة على 87 نجاحًا، بينما تراجعت السياسات المدرَّبة على التشغيل عن بُعد إلى 46. ويفسّر المؤلفون ذلك بأن المزرعة تضيف تنوعًا في المظهر الخارجي حول مسارات دقيقة ثابتة.

تبيّن أن الإطارات الحقيقية المُدخلة إلى نموذج الفيديو حاسمة: المسارات نفسها مع تعشية (randomization) عادية للأنسجة والإضاءة حققت 26 و21 نجاحًا فقط. ووفق إحصاءات الصور، فإن حلقات المزرعة أقرب إلى الإطارات الحقيقية بأكثر من الضعف مقارنة بما يُخرجه المحاكي نفسه.

كم تبلغ التكلفة

يكلّف تكييف مهمة جديدة في المتوسط $21 من نفقات واجهات API، تُدفع مرة واحدة لكل مهمة، إضافة إلى $5 مقابل عقد التصيير (render). وتبلغ تكلفة كل حلقة لاحقة في المتوسط $0,80 للمحاكاة والتصيير وإعادة التصيير والفحص، من دون الروبوت والمشغّل. وعلى 100 حلقة يبلغ المتوسط $1,06 للحلقة. وتصل ساعة البيانات المتزامنة من ثلاث كاميرات إلى $107 شاملةً هذه التكاليف كلها. للمقارنة: يبلغ عرض السعر للتشغيل عن بُعد في الصين $117 للساعة، وأجور العمالة وحدها في أمريكا الشمالية $290.

القيود والخلاصة

الفارق عن التشغيل عن بُعد في الصين صغير: ستظهر الوفورات الرئيسية عند الأحجام الكبيرة وتبدّل المهام المتكرر، حين تتوزع مبالغ الإعداد لمرة واحدة، أي $26، على حلقات كثيرة. الأسعار احتسبها المؤلفون أنفسهم، ولا يوجد تدقيق مستقل. اختُبرت خمس مهام فقط، ويقوم النهج كله على قدرة المحاكي على إعادة إنتاج المهارات المطلوبة: وفي العمليات التلامسية ذات الفيزياء المعقدة قد لا ينجح ذلك. وهذه دراسة منشورة كمسودة أولية (preprint)، ولم يعد أحد إنتاج نتائجها بعد.

الخلاصة العملية: صيغة «المحاكي يوفّر الحركات، ونموذج الفيديو يوفّر المظهر، والمراجِع المستقل يجيز البيانات» باتت قريبة من التشغيل عن بُعد من حيث الجودة، وأكثر ثباتًا عند تغيّر المشهد. الشيفرة منشورة على GitHub في مستودع PyRUA-Lean، فرع DataFarm.