Soutenance de thèse de doctorat en Computer Science par Mme. Hiba SEKKAT

الجامعة الأورومتوسطية بفاس لها الشرف أن تُعلِم الجمهور بـ

soutenance de thèse de doctorat en ”Computer Science”

ستجري مناقشة الرسالة يوم Samedi 26 Octobre 2024 à 10h00 في UEMF 

Lieu: القاعة الكبرى للحاضنة (LOC001994) 

ستقدم السيدة Hiba SEKKAT الأطروحة

تحت عنوان :

مقاربات متكاملة في أنظمة الروبوتات: تطوير القبض باستخدام التعلم المعزز العميق ومحاكاة التوأم الرقمي للروبوتات المنزلية والبشرية الشكل

ملخص 

في مجال الروبوتات سريع التطور، تُعد قدرات الإمساك لدى الروبوتات المنزلية والإنسانية أمراً حاسماً لاندماجها في الحياة اليومية؛ وقد تبيّن ذلك بوضوح خلال جائحة كوفيد-19 التي أبرزت الحاجة إلى روبوتات تساعد في المهام اليومية عندما تقلّ الاتصالات البشرية، لا سيما للفئات الضعيفة مثل المسنين وذوي الإعاقة. من أهم المهام التي يجب أن تقوم بها الروبوتات هي مهام الإمساك التي تتيح التفاعل مع الأشياء، وبالتالي القدرة على التقاط الأشياء، ترتيب الأماكن، والمساعدة في الأعمال اليومية. ومع ذلك، غالباً ما تجد الأنظمة الروبوتية الحالية صعوبة في التكيف والكفاءة عند العمل في بيئات طبيعية، وخصوصاً البيئات المنزلية التي تتسم بالديناميكية والتكدس. وللتعامل مع هذه التحديات وتجاوزها، يلزم ابتكار يتيح مواجهة تعقيد وتغير بيئات العالم الحقيقي. تتصدى هذه الأطروحة للتحديات الحرجة لمهام الإمساك في التلاعب الروبوتي من خلال تطوير بيئة محاكاة جِمَاوِيَّة رقمية عالية الدقة مصممة لتسهيل التكامل المستقبلي لخوارزميات التعلم التعزيزي العميق. في الوقت نفسه، يوفر تطوير واختبار مثل هذه الخوارزميات باستخدام محاكاة الجِمَاوِي الرقمي بيئة محكومة دقيقة للغاية تضمن جَهْزِيَّة التطبيق على روبوت حقيقي. شملت الخطوة الأولى مراجعة مفصلة لخوارزميات التعلم التعزيزي المتطورة لتحديد الأنسب لمهام الإمساك الروبوتي في سياقات متعددة. من هذه المراجعة اخترنا خوارزمية الانحدار الحتمي للسياسة العميقة (Deep Deterministic Policy Gradient) المناسبة لبيئة عملنا، مما أدى إلى إنشاء نظام إمساك جديد بدقة عالية مقارنة بأساليب المرجع. بالاستناد إلى هذه النتائج الواعدة، طورنا نظام محاكاة فعال — جِمَاوِي رقمي عالي الدقة لروبوت Pepper مُنشأ باستخدام إطار عمل Robot Operating System 2 — يدعم التحسين المستمر ويسهم في تقدم المجال. مع كون معظم الحركات ذات خطأ مطلق متوسط يتراوح بين 0.01 و0.02 راديان، يوفر هذا الجِمَاوِي الرقمي — الذي تم التحقق من صحته بمقارنة زوايا المفاصل في المحاكاة وبيانات العالم الحقيقي — منصة محاكاة قوية للتكامل المستقبلي للخوارزميات المعقدة لتعلم الآلة. تُظهر هذه النتائج كيف يمكن الجمع بين التعلم التعزيزي العميق وتقنيات الجِمَاوِي الرقمي لتجاوز القيود الحالية وفتح الطريق أمام روبوتات منزلية أكثر قدرة واستقلالية. وبالتالي يشكل هذا العمل إحدى الخطوات المنهجية التنافسية نحو تحسين الإمساك الروبوتي ويمهد للتوسع في مجال الروبوتات المستقلة. لهذه النتائج دلالات مهمة على تطوير قدرات الروبوتات التفاعلية اجتماعياً، لا سيما روبوت Pepper، في تحسين جودة الحياة وتقديم فوائد كبيرة للفئات الضعيفة.

ملخص 

في مجال الروبوتات الذي يتطور بسرعة، تُعد قدرات القبض لدى الروبوتات المنزلية والإنسانية أمراً حاسماً لاندماجها في الحياة اليومية؛ وقد تبلور ذلك خصوصاً خلال جائحة COVID-19 التي أكدت حاجة وجود روبوتات لمساعدة في المهام اليومية حين تقلّ الاتصالات البشرية، لا سيما للفئات الضعيفة مثل المسنين وذوي القدرات المحدودة على الحركة. من بين أهم المهام التي يجب على الروبوت القيام بها مهام القبض التي تمكّنه من التفاعل مع الأشياء، وبالتالي التقاطها، ترتيب الأماكن ومساعدة في الأعمال اليومية. غير أن الأنظمة الروبوتية الحالية غالباً ما تكافح لتكون قابلة للتكيّف وفعالة عند العمل في بيئات طبيعية، خصوصاً البيئات المنزلية التي تتسم بالدينامية والتكدس. ولمواجهة هذه التحديات وتجاوزها، يلزم تطوير ابتكارات قادرة على التعامل مع تعقيد وتفاوت بيئات العالم الحقيقي. تتناول هذه الأطروحة التحديات الحرجة للقبض في التلاعب الروبوتي من خلال تطوير بيئة محاكاة لتوأم رقمي عالي الدقة مصممة لتسهيل التكامل المستقبلي لخوارزميات التعلم التعزيزي العميق. كما أن تطوير واختبار هذه الخوارزميات عبر محاكاة التوأم الرقمي يوفر بيئة محكومة بدقة عالية تضمن استعداد التطبيق على روبوت حقيقي. اشتملت الخطوة الأولى على مراجعة مفصلة لأحدث ما توصل إليه البحث في خوارزميات التعلم التعزيزي لتحديد الأنسب لمهام القبض الروبوتي في سياقات مختلفة. ومن هذه المراجعة اخترنا خوارزمية تدرج السياسة الحتمية العميق (Deep Deterministic Policy Gradient) التي تناسب بيئة عملنا، مما مكّننا من ابتكار نظام قبض جديد ذو دقة عالية مقارنة بالطرق المرجعية. وبناءً على هذه النتائج المشجعة، طورنا نظام محاكاة فعال — توأم رقمي عالي الدقة لروبوت Pepper تم إنشاؤه باستخدام إطار Robot Operating System 2 — يدعم التحسين المستمر ويساهم في تقدم المجال. بما أن معظم الحركات لها خطأ مطلق متوسط بين 0.01 و0.02 راديان، فإن هذا التوأم الرقمي — الذي تم التحقق منه بمقارنة زوايا المفاصل في المحاكاة والبيانات الواقعية — يوفر منصة محاكاة متينة لدمج خوارزميات تعلم الآلة المتقدمة لاحقاً. تبرز هذه النتائج كيف أن الجمع بين التعلم التعزيزي العميق وتقنيات التوأم الرقمي يمكن أن يتغلب على القيود الحالية ويفتح الباب أمام روبوتات منزلية أكثر قدرة واستقلالية. لذا يعد هذا العمل إحدى الخطوات المنهجية التنافسية نحو تحسين القبض الروبوتي ويمهّد للتوسع في مجال الروبوتات الذاتية. لهذه النتائج آثار مهمة على تطوير قدرات الروبوتات التفاعلية اجتماعياً، وخصوصاً روبوت Pepper، في تحسين جودة الحياة وتقديم فوائد ملموسة للفئات الضعيفة.

ستُعرض هذه الأطروحة أمام أعضاء لجنة المناقشة :