أغيليتي روبوتيكس تكشف النقاب عن "القشرة الحركية" لروبوت ديجيت البشري، مُحدثةً ثورة في التحكم بالروبوتات

التكنولوجيا اليومية

15/09/2025

تتصدر Agility Robotics حقبة جديدة في الروبوتات البشرية من خلال نموذجها الأساسي "القشرة الحركية" لروبوت Digit. يهدف هذا النظام المتقدم إلى تزويد Digit بمرونة شبيهة بالبشر، مما يمكنه من أداء مجموعة واسعة من المهام في بيئات معقدة ومتمحورة حول الإنسان. يركز الابتكار على التحكم القوي في الجسم بالكامل، مما يضمن الاستقرار والدقة حتى عند التعامل مع الأجسام الثقيلة أو التنقل في مواقف غير متوقعة.

النقاط الرئيسية

طورت Agility Robotics نموذجًا أساسيًا للتحكم في الجسم بالكامل لروبوتها البشري Digit.
يعمل النموذج بشكل مشابه للقشرة الحركية في دماغ الإنسان، حيث يتحكم في الحركات الإرادية والمهارات الحركية الدقيقة.
يتم تدريبه في المحاكاة باستخدام Isaac Sim من NVIDIA وينتقل إلى العالم الحقيقي بدون تدريب مسبق (zero-shot).
يسمح النظام بالتلاعب الدقيق وتنسيق السلوكيات المعقدة، حتى مع نماذج اللغة الكبيرة.
تؤكد Agility Robotics على أهمية بيانات التدريب التي تغطي مساحة عمل الروبوت بالكامل بشكل موحد.

شرح 'القشرة الحركية'

تم تصميم نموذج Agility Robotics الأساسي الجديد للتحكم في الجسم بالكامل لروبوتها البشري Digit لضمان السلامة والاستقرار عبر مجموعة متنوعة من المهام. يعمل هذا النموذج بشكل مشابه للقشرة الحركية في دماغ الإنسان، حيث يفسر الإشارات من مستويات مختلفة من التسلسل الهرمي للتحكم في Digit لإدارة الحركات الإرادية والمهارات الحركية المعقدة. النموذج عبارة عن شبكة عصبية LSTM مدمجة، تم تدريبها بشكل مكثف في محاكي الفيزياء Isaac Sim من NVIDIA على مدى عقود محاكاة. والأهم من ذلك، أن هذه "القشرة الحركية" يتم تعلمها بالكامل في المحاكاة ويمكن نشرها مباشرة في العالم الحقيقي دون تدريب مسبق في العالم الحقيقي، وهو مفهوم يُعرف بالنقل الفوري (zero-shot transfer).

تمكين التلاعب البارع والسلوكيات المعقدة

يمكن توجيه النموذج الأساسي بأهداف موضعية وتوجيهية مفصلة لأذرع وجذع Digit، مما يمكنه من تحقيق أهداف متنوعة، من المشي إلى التقاط ووضع الأجسام الثقيلة. علاوة على ذلك، فهو بمثابة أساس يمكن بناء مهارات أكثر تخصصًا عليه، مثل التلاعب البارع. تستفيد الشركة أيضًا من نماذج اللغة الكبيرة (LLMs) لتنسيق السلوكيات المعقدة، مما يدل على مرونة النموذج. تم عرض نسخة مبكرة من هذه التكنولوجيا في حدث GTC من NVIDIA، حيث قام Digit بالتسوق من البقالة، مسترشدًا باكتشاف الكائنات وحلقة تخطيط آلة الحالة.

التغلب على تحديات الحركة بالقدمين

يمثل التحكم في الروبوتات ذات الأرجل تحديات فريدة مقارنة بالروبوتات ذات القاعدة الثابتة. تتضمن فيزياء الحركة أوضاعًا مميزة للأرجل المتأرجحة والأرجل الثابتة، مفصولة بفعل معقد يتمثل في إقامة أو قطع الاتصال بالأرض. غالبًا ما تعتمد طرق التحكم التقليدية على افتراضات مبسطة، مثل إبقاء الأرجل على اتصال بالأرض، مما يحد من مساحة عمل الروبوت وقدرته على التفاعل مع الاضطرابات. تهدف Agility Robotics إلى إنشاء واجهة حيث يمكن للمستخدمين ببساطة تحديد حركات الأداة النهائية المطلوبة، ويدير الروبوت حركته وتوازنه بشكل مستقل، حتى عند مواجهة قوى غير متوقعة أو الحاجة إلى اتخاذ خطوة.

التعلم المعزز وتغطية مساحة العمل

يبرز التعلم المعزز العميق (RL) كنموذج أساسي للتحكم في الروبوتات البشرية. فبدلاً من الاعتماد على معادلات الحركة الصريحة أو الافتراضات المبسطة، يسمح التعلم المعزز بتدريب الشبكات العصبية في المحاكيات لتعمل كوحدات تحكم. بينما تركز العديد من أساليب التعلم المعزز على الحركات الديناميكية مثل الرقص، تركز Agility Robotics على التتبع الدقيق المطلوب للتلاعب المتنقل. يتضمن جانب مهم من منهجية تدريبهم ضمان أن بيانات التدريب تغطي مساحة عمل الروبوت بالكامل بشكل موحد. لتحقيق ذلك، يستخدمون مخطط أخذ عينات عشوائي، يولد مسارات زمنية لأيدي وجذع Digit من نقاط عشوائية داخل مساحة العمل، مع دالة مكافأة تعاقب الانحرافات عن الوضع المستهدف.

التحكم القائم على الموضع والتوجيه في مساحة المهمة

تعطي Agility Robotics الأولوية لتدريب وحدات التحكم التي يمكنها التنقل إلى مواقع محددة بدلاً من مجرد تتبع السرعات المستهدفة، وهو أمر أكثر شيوعًا في أدبيات التعلم المعزز للروبوتات ذات الأرجل الموجودة. بينما يوفر التحكم القائم على السرعة إشارة مكافأة أغنى، فإن التحكم القائم على الموضع ضروري للمهام التي تتطلب تنقلًا دقيقًا واستقرارًا. تدعو الشركة أيضًا إلى توجيه وحدة التحكم في "مساحة المهمة" (مواقع واتجاهات الفضاء الحر) بدلاً من "مساحة التكوين" (زوايا المفاصل). يبسط هذا النهج التكامل مع التخطيط عالي المستوى، والتحكم عن بعد، وطرق التعلم بالمحاكاة، مما يسمح بالاستخدام المباشر لبيانات موقع الكائن من نماذج مثل Gemini.

لبنات البناء للقدرات المستقبلية

تعتبر "القشرة الحركية" عنصرًا أساسيًا في استراتيجية Agility Robotics لنشر روبوتات بشرية ذكية للعمل العملي. إنها بمثابة طبقة أمان ثابتة، تمكن من التحكم التفاعلي والحدسي. تخطط الشركة لبناء سلوكيات أكثر تعقيدًا، بما في ذلك التلاعب المتنقل البارع، فوق هذا الأساس الحركي القوي. يُنظر إلى هذا التطور على أنه خطوة حاسمة نحو إنشاء روبوتات بشرية آمنة وموثوقة للتطبيقات في العالم الحقيقي.

26-01-2026

الاتجاهات الرئيسية لتخزين الهواتف الذكية في عام 2026: تحولات رئيسية تكشفها تسريبات سلسلة Galaxy S26

اكتشف اتجاهات تخزين الهواتف الذكية الرئيسية لعام 2026 - يسلط سامسونج جالاكسي S26 الضوء على زيادة التخزين، والتغييرات في الفئة الابتدائية، والإصدارات الخاصة بالشركات.