تدريب نموذج يد طرف اصطناعي على الامساك باستخدام التعلم المعزز العميق

Abstract

لملخص قادت الدراسات المكثفة في مجال األط ارف االصطناعية العلوية البتكار طرق تحكم متقدمة. ورغم ذلك، ال ي ازل من الصعب تصميم أطراف تعمل بمستويات عالية من البراعة والسيطرة تماثل قدرات اليد البشرية. شهد هذا المجال مؤخرا ثورة علمية بفضل التكامل التكنولوجي بين الذكاء االصطناعي وعلوم األطراف االصطنا عية، مما أدى إلى تطوير األطراف االصطناعية الذكية. تتناول هذه الرسالة توظيف التعلم المعزز العميق )وهو أحد فروع الذكاء االصطناعي( باإلضافة لتعلم المناهج بهدف تمكين يد روبوتية ذات درجات حرية عالية من التعلم الذاتي للسلوك الحركي األمثل عبر التفاعل المستمر مع البيئة. هذا من شأنه تعزيز االستقاللية والذكاء الحركي مما يجعل أداء اليد االصطناعية أقرب إلى األداء البشري. وتكمن أهمية البحث في تطوير أط ارف اصطناعية تفاعلية قادرة على التعامل مع بيئات ديناميكية متعددة يواجهها المستخدم، وتمكينها من أداء حركات اإلمساك بكفاءة دون الحاجة إلى البرمجة التقليدية، وذلك اعتمادا فقط على المعلومات اللمسية. أجريت تجارب هذا البحث في بيئة المحاكاة Webots ،باستخدام خوارزمية أمثلة السياسة القريبة ) Proximal PPO - Optimization Policy ،)مع نموذج اليد االصطناعية HANDY خماسية األصابع ذات 11 درجة من الحرية، تم التحكم فعليا في 10 ُ منها خالل التجارب. وأثناء عملية التدريب، سجلت المشاهدات التي تمثل الحالة اآلنية لليد وتشمل ردود الفعل اللمسية - والتي درست بحالتين: االستشعار الثنائي لوجود التالمس أو عدمه، واستشعار القوة الذي يقيس قوة الضغط عند نقاط التالمس- باإلضافة لزوايا المفاصل. بناء على هذه الحالة يتخذ الوكيل الذكي لكل سياسة مدربة أحد إجراءين: إما زيادة زاوية المفصل بمقدار ثابت C أو الحفاظ على الوضع الحالي. ثم يقوم تابع المكافأة المصمم بتحفيز النموذج بناء على نوع اإلجراء المتخذ، مما يسهم في أمثلة أداء السياسة مع مرور حلقات التدريب، تم تقييم عملية التدريب من خالل تتبع مجموعة من المقاييس الكمية والنوعية. والختبار كفاءة سياستي اتخاذ القرار الناتجتين، أجريت تجارب للتعميم واختبارات الصالبة، كما تم تحسين الن تائج باستخدام مبدأ تعلم المناهج حيث حققت خالله سياسات اتخاذ القرار تحسنا ملحوظا في نسب النجاح، وأخيرا أظهرت سياسة اتخاذ القرار نسبة نجاح 100 %في حالة حساسات اللمس الثنائي، و96 %في حالة حساسات القوة. وهو ما أظهر أن بنية رة يتمتعان بقدرة عالية على التعميم، مما يجعلهما نهجا واعدا ّ النهج المقترح وهياكل المكافأة المطو لتدريب اليد االصطناعية على التفاعل مع مجموعة متنوعة من األجسام.