في عالم الذكاء الاصطناعي وتطوير الروبوتات، يمثل تخطيط الحركة الزمانية المكانية (Spatiotemporal Motion Planning) واحدًا من أبرز التحديات، خاصةً عند العمل مع مجموعة من الروبوتات المترابطة. يتطلب الأمر من هذه الروبوتات التفكير والتخطيط في مناطق خالية من الاصطدامات تتغير على مر الزمن، الأمر الذي يجعل التحليل في المساحات المستمرة أمرًا صعبًا عندما تكون المناطق القابلة للاستخدام متغيرة وموضوعة في قيود هندسية.

لذا، جاء فريق من الباحثين بإطار عمل خوارزمي يعتمد على رسومات لمجموعات مقعرة زمنية مكانية (ST-GCSs)، حيث يتم تمثيل المناطق الخالية من الاصطدامات كمجموعات مقعرة في زمكان، وتتوافق المسارات مع المسارات على الرسم البياني بالإضافة إلى الحركات المستمرة ضمن المجموعات المحددة.

في هذا السياق، قام الباحثون بتطوير حل لتخطيط زمني مثالي على ST-GCSs، مع تشكيل المشكلة كمسألة بحث على الرسم البياني تعتمد على الحالات المفهرسة بالمسارات. استخدموا خوارزمية بحث الأفضل أولاً (Best-First Search) التي تقيم المسارات الجزئية عبر تحسين الحركة المستمرة، مدعومة بإرشادات دقيقة وتحقق من الهيمنة.

يتميز الإطار أيضًا بإدخال مخطط تقطيع مقعر دقيق (Exact Convex Decomposition - ECD) للحفاظ على إشغالات المسارات في الزمكان، مما يسمح بالتعامل الموحد مع العقبات الديناميكية وتفاعلات الروبوتات المتعددة.

كما تم دمج تخطيط ST-GCS مع ECD في طرق التخطيط المع prioritize، وتقديم نظام تنسيق نافذ لتحسين الكفاءة. أثبتت التجارب الواسعة على مشاكل التخطيط للروبوت المفرد والمتعدد تحقيق تحسينات كبيرة في السرعة مقارنة بمختلف مخططات التخطيط الأخرى، مع الحفاظ على جودة عالية للحل، خاصةً في البيئات ذات المناطق القابلة للاستخدام الضيقة والمتغيرة.

تشير التجارب الكبيرة النطاق إلى أن مخطط الحركة متعدد الروبوتات المقترح يمكنه حل حالات تحتوي على ما يصل إلى 100 روبوت خلال بضع دقائق فقط. قد يكون هذا التطور خطوة هامة في تطوير تقنيات التخطيط للحركة وفتح آفاق جديدة لتطبيقات الروبوتات في الحياة اليومية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!