QSTAR SimTech

تم تسليم نظام عصا قيادة مع تغذية راجعة للقوة (Force Feedback Yoke) بنجاح.

تصميم وتطوير وتنفيذ كامل داخل الشركة، لتقديم إحساس واقعي بالقوى الهوائية ودقة تحكم عالية في بيئات المحاكاة والتدريب.

• نظام محركات بعزم عالٍ
• حساب قوى لحظي (Real-time)
• استجابة دقيقة بزمن تأخير منخفض
• تكامل كامل مع بيئة المحاكاة

هندسة دقيقة… وأداء يعتمد عليه.

إعداد: م. زهدي عثمان

تجربة الروبوتات قبل النشر الميداني: من المحاكاة إلى العالم الحقيقي
Robotics Pre-Deployment Testing: From Simulation to the Real World
الملخص
الملخص— يُعد انتقال الأنظمة الروبوتية المستقلة من بيئات المحاكاة إلى التطبيقات الواقعية تحدياً جوهرياً بسبب ما يُعرف بـ "فجوة الواقع". تستعرض هذه الورقة المرجعية منهجياً أربع منصات أساسية لاختبار الروبوتات قبل النشر: منصات الاختبار الداخلية، ساحات الروبوتات المستقلة، بيئات الانتقال من المحاكاة إلى الواقع (Sim2Real)، ومختبرات أسراب الروبوتات. نُقيّم البنية التحتية، وآليات المعايرة، ومعايير السلامة للمنصات الداخلية. ثم نتناول اختبارات الإجهاد الملاحي في الساحات غير المهيكلة وفقاً لمعايير (NIST). علاوة على ذلك، نناقش منهجيات التغلب على فجوة الواقع باستخدام التوائم الرقمية وعشوائية المجال، ونفحص التنسيق اللامركزي في أسراب الروبوتات. وأخيراً، نقارن البرمجيات الوسيطة للاتصالات (ROS2, DDS, Zenoh) في الأنظمة الموزعة. يقدم هذا التصنيف الهيكلي خارطة طريق متكاملة للباحثين لبناء أنظمة مستقلة وقابلة للتوسع.

1. المقدمة
عندما يقوم المهندسون بتطوير خوارزمية قيادة لروبوت داخل بيئة محاكاة، غالباً ما يبدو الأداء مثالياً نظراً لغياب المتغيرات العشوائية. لكن بمجرد وضع هذا الروبوت في العالم الحقيقي، تبدأ التحديات بالظهور؛ فالمستشعرات تلتقط إشارات مزعجة، والعجلات تنزلق، والظروف البيئية تتغير باستمرار. هذا التباين، المعروف باسم "فجوة الواقع"، يفرض ضرورة حتمية لبناء منصات فيزيائية متدرجة التعقيد لاختبار الروبوتات قبل إطلاقها الميداني. [1]
تتدرج هذه المنصات من غرف داخلية محكومة بدقة، إلى مناطق بها عوائق تحاكي الواقع، وصولاً إلى بيئات هجينة تدمج الواقع بالخيال، ومختبرات مصممة خصيصاً لاختبار "الذكاء الجماعي" لأسراب روبوتية.[2] تهدف هذه الورقة إلى تقديم تصنيف هيكلي وتقييم فني لهذه البيئات الأربع، ومناقشة كيف تتكامل برمجياً وميكانيكياً لتطوير أنظمة روبوتية موثوقة.
2. التصنيف الهيكلي لمنصات الاختبار (Taxonomy of Robotics Testbeds)
تمثل منصات الاختبار الداخلية (Indoor Robotics Testbeds) الخطوة الفيزيائية الأولى في التقييم. الهدف منها هو توفير بيئة معزولة لمراقبة أداء الروبوت بدقة والتأكد من توافق الخوارزميات الحسابية مع الاستجابة الميكانيكية.
أ. التتبع البصري والبيانات المرجعية
لتقييم الخوارزميات، يجب الحصول على "بيانات مرجعية مطلقة" (Ground Truth) لا تقبل الشك. يتم تحقيق ذلك باستخدام أنظمة التقاط الحركة (Motion Capture) مثل OptiTrack و Vicon، التي تعتمد على شبكة كثيفة من الكاميرات لتتبع علامات عاكسة مثبتة على الروبوت. تتيح هذه الأنظمة تحديد الموقع وتوجه الروبوت بست درجات من الحرية (6DoF)، مما يشمل الحركة الانتقالية (X, Y, Z) والدورانية (Pitch, Yaw, Roll) بدقة تصل لأجزاء من المليمتر. [3]
في البيئات ذات العوائق البصرية الكثيفة، يتم اللجوء إلى تقنية النطاق العريض جداً (UWB). ورغم أن UWB توفر عادة دقة تتراوح بين متر إلى ثلاثة أمتار، إلا أن الأنظمة الحديثة المدمجة مع مرشحات التصفية قادرة على تحقيق دقة سنتيمترية في حال وجود خط رؤية مباشر (LOS). [4]
ب. الاعتبارات الميكانيكية وتصنيع العوائق المعيارية
لا يقتصر تصميم المختبر على المستشعرات، بل يمتد للهندسة المادية باستخدام "العوائق المعيارية القابلة لإعادة التشكيل" (Modular Reconfigurable Obstacles). تُصمم هذه الوحدات بمواد خفيفة ومستقرة فيزيائياً لتجنب الاهتزاز عند الاصطدام، وتُزود بموصلات مغناطيسية لتسريع بناء الخرائط كما في منصة (EMERGE). [1]
لتعزيز التتبع الموضعي، تدمج هذه العوائق مع علامات بصرية مثل (AprilTags) و(ArUco). وفي حين تشير دراسات إلى تفوق ArUco في سرعة المعالجة [5]، فإن استقرار أي نظام يعتمد على قوة المعالجة المدمجة وتجنب مشكلة "ضبابية زاوية الدوران" (Orientation Ambiguity).
ج. هندسة السلامة المادية (HRI Safety)
يُعد التفاعل الآمن بين الإنسان والروبوت (HRI) مطلباً حيوياً تدعمه معايير إدارة السلامة والصحة المهنية (OSHA). [6] تُجهز المنصات بسواتر صلبه، وستائر ضوئية مرتبطة بدوائر التوقف الطارئ (E-Stop). حديثاً، برزت مستشعرات الكشف بالصوت (ADAR)، التي تستخدم الموجات فوق الصوتية لإنشاء مسح ثلاثي الأبعاد لاكتشاف البشر والعوائق الشفافة بأمان تام، متجاوزة قيود مستشعرات الليزر (LiDAR) الحساسة للإضاءة. [7]
3. تقييم الملاحة في البيئات غير المهيكلة (Navigation in Unstructured Arenas)
لضمان موثوقية الروبوتات في بيئات فوضوية (مثل مواقع الكوارث)، يتم الانتقال من المختبرات المعزولة إلى ساحات الروبوتات المستقلة (Autonomous Robot Arenas).
أ. التصنيف المعياري لساحات الاختبار (NIST Standards)
لضمان موثوقية وقابلية مقارنة نتائج الاختبارات عالمياً، بادر المعهد الوطني للمعايير والتكنولوجيا (NIST - National Institute of Standards and Technology) بالتعاون مع جهات دولية، بوضع تصنيف معياري لساحات الاختبار استناداً إلى مستويات متصاعدة من التعقيد الطبوغرافي والإدراكي [8,9]:
● الساحة الصفراء: تُعنى بالدرجة الأولى بتقييم الملاحة المستقلة تماماً وقدرات التعرف على الضحايا الافتراضيين. تتكون هيكليتها من متاهات عشوائية ومعقدة من الممرات والغرف المترابطة، مع أرضيات منحدرة باستمرار بزاوية تبلغ 15 درجة لكل من الميل والانحدار (Pitch and Roll). تُجبر هذه التضاريس خوارزميات الروبوت على تعويض الانزلاق وتصحيح التوجه الحركي.
● الساحة البرتقالية: تركز هذه الساحة على تحديات العبور المعقد وتخطيط المسار ثلاثي الأبعاد. تتميز بطوابق ثانوية يمكن الوصول إليها عبر منحدرات قاسية وسلالم، وتتضمن تباينات هائلة في مواد الأرضيات. الأكثر تعقيداً هو وجود ثقوب في الأرضيات تتطلب نظام إدراك (Perception System) لفهم العالم ثلاثياً لتجنب السقوط.
● الساحة الحمراء: تُمثل قمة التعقيد الطبوغرافي، حيث تحاكي بيئات الكوارث المنهارة بشكل كامل. تحتوي على تضاريس متدرجة شديدة الوعورة (Complex Stepfields)، وهياكل متداعية تتطلب قدرات تنقل متقدمة جداً، وتُستخدم بشكل رئيسي لتقييم الروبوتات المجنزرة أو ذات الأرجل.
● الساحات الزرقاء والسوداء: تركز الساحة الزرقاء على اختبار قدرات المعالجة المتنقلة (Mobile Manipulation). أما الساحة السوداء، فتُمثل كابوس الاتصالات (Radio Drop-out Zone)، حيث تُعزل إشارات الراديو تماماً لاختبار الاستقلالية المطلقة للروبوت وقدرته على اتخاذ قرارات مصيرية دون تدخل بشري.
● الساحة الجوية: خُصصت لاختبار (sUAS - small Unmanned Aircraft Systems: أنظمة طائرات صغيرة بدون طيار) التي تقلع وتهبط عمودياً، وتركز على تحديات الحفاظ على الموقع (Station-keeping) وتجنب العقبات المعلقة.
ب. تخطيط المسار الديناميكي
تتطلب الملاحة هنا خوارزميات (SLAM) متقدمة لمنع ظاهرة "الانحراف الملاحي" (Navigation Drift). لتحقيق توطين دقيق، يُوظف مرشح كالمان المزدوج (Dual-EKF) لدمج بيانات العجلات ووحدة القصور الذاتي (IMU) مع أنظمة التوطين (RTK-GPS). أما لتجنب العوائق، فتُقارن المخططات المحلية؛ حيث يقوم نهج النافذة الديناميكية (DWA) بتوقع السرعات واختيار مسارات آمنة [10]، بينما يُعالج خوارزمية (TEB) المسار كشريط مطاطي مرن زمانياً للحصول على حركة أكثر سلاسة. [11]
4. منهجيات سد فجوة الواقع (Sim2Real Methodologies)
يؤدي تدريب سياسات التحكم عبر التعلم المعزز العميق داخل المحاكاة إلى فشل عند التطبيق المادي، وهو ما يُعرف بـ "فجوة الواقع".
أ. تشريح فجوة الواقع (The Reality Gap)
لتفكيك العوامل الجذرية التي تولّد الفجوة:
1. الفجوة الإدراكية (Observation Gap): تتلقى خوارزميات الروبوت في المحاكاة ملاحظات مثالية (مثل Ground Truth BEV Masks - أقنعة الرؤية العلوية المطلقة: وهي خرائط ثنائية الأبعاد دقيقة جداً يولدها المحاكي وتمثل الحقيقة المطلقة لمواقع الأشياء وتُعطى للذكاء الاصطناعي كإجابة نموذجية ليتعلم استخراجها من الكاميرات). في المقابل، تواجه الكاميرات الحقيقية تحديات تؤدي إلى (Distributional Shift - الانحراف التوزيعي: التباين واختلاف طبيعة البيانات التي تدرب عليها الذكاء الاصطناعي في المحاكاة مقارنة بالتي يستقبلها في الواقع، مما يسبب فشل النماذج). [12]
2. فجوة الديناميكيات والفيزياء (Dynamics Gap): محركات الفيزياء عاجزة عن التقاط الفروق الدقيقة للتفاعلات الحقيقية، مثل (Deformable Materials - المواد القابلة للتشوه: كالأسلاك والأقمشة التي يتغير شكلها عند لمسها وتعد محاكاتها بدقة تحدياً معقداً)، أو ظواهر مثل (Actuator Latency - تأخر المشغل الميكانيكي: الزمن الفاصل بين إرسال الخوارزمية لأمر الحركة واستجابة المحرك المادي فعلياً). وغالباً ما يتم تبسيط ذلك رياضياً في المحاكاة.
ب. الحلول والتوائم الرقمية
لمعالجة ذلك، تُطبق منهجية "عشوائية المجال" (Domain Randomization) بتغيير خصائص المحاكاة (كالإضاءة والاحتكاك) عشوائياً، لإجبار الذكاء الاصطناعي على التركيز على جوهر المهمة. [12] كما تُثبت تقنية "التدريب المشترك" (Cotraining) نجاحاً كبيراً بدمج بيانات المحاكاة مع أمثلة من العالم الحقيقي لتقليل الفجوة. [13] تعتمد المختبرات الهجينة على التوائم الرقمية باستخدام (OpenUSD) ومنصات مثل (NVIDIA Isaac Sim) لإجراء اختبارات "البرمجيات في الحلقة" (SiL) و"المركبة في الحلقة" (ViL) بشكل متزامن وآمن.14
5. التنسيق اللامركزي في أسراب الروبوتات (Decentralized Coordination in Swarms)
تستهدف هذه المختبرات الأنظمة الموزعة حيث يتعاون عدد كبير من الروبوتات البسيطة لحل مهام معقدة، متجاوزة نقطة الفشل المركزية. [2]
من أبرز الأمثلة "الروبوتاريوم" (Robotarium) في معهد جورجيا التقني. لتخفيف العبء الحسابي والوزن عن الروبوتات، تم استبدال المستشعرات المعقدة بكاميرات تتبع علوية، وتوظيف أجهزة عرض لخلق بيئة "واقع مختلط" (Mixed Reality) تسقط أهدافاً افتراضية على الساحة المادية. [15] تعتمد هذه الأسراب على اللامركزية لإنتاج "سلوك ناشئ" (Emergent Behavior). تُعد خوارزمية البحث المرتكزة على نقطة مركزية (CPFA) مثالاً قوياً، حيث تُحاكي سلوك النمل بالبحث العشوائي واستخدام إشارات التنسيق غير المباشر، مما يمنح النظام مرونة فائقة لمقاومة تعطل الأفراد. [15]
6. بروتوكولات الاتصال والبرمجيات الوسيطة (Middleware & Communication Protocols)
لا يمكن إنجاح هذه المنصات دون بنية اتصالات موثوقة. لقد وفر نظام تشغيل الروبوتات (ROS2) نقلة نوعية باعتماده على بروتوكول خدمة توزيع البيانات (DDS) كبنية تحتية تدعم نقل البيانات بزمن شبه صفري وتتيح تحديد أولويات النقل عبر سياسات "جودة الخدمة" (QoS). [4]
تشير التقييمات المقارنة للأنظمة الموزعة إلى أن (CycloneDDS) يتفوق في البيئات السلكية الداخلية للمختبرات، في حين يبرز بروتوكول (Zenoh) كحل أمثل للاتصال اللاسلكي (Wi-Fi/4G) وتخفيض زمن الانتقال للروبوتات الميدانية. ولعمليات المراقبة السحابية البطيئة، يستمر (MQTT) كخيار فعال. [4]
7. الخلاصة والتوجهات المستقبلية (Conclusion & Future Work)
أثبت هذا الاستعراض المنهجي أن تقييم الأنظمة الروبوتية يتطلب مقاربة متكاملة؛ تبدأ بتقليص الفجوة في بيئات (Sim2Real)، وتمر بمعايرة دقيقة في مختبرات (Indoor Testbeds)، وصولاً إلى اختبار الملاحة وتخطيط المسارات تحت الضغط في ساحات (Autonomous Arenas)، مع الاستفادة من السلوك الناشئ في (Swarm Labs).
توصي الورقة مستقبلاً بتعميق دمج النماذج الأساسية للذكاء الاصطناعي (Foundation Models) في بيئات (Sim2Real) لتوحيد معايير نقل البيانات، وزيادة الاعتماد على بروتوكولات مثل Zenoh لضمان اتصالات موزعة عالية الكفاءة تدعم التشغيل الآمن والفعال في مختلف الظروف التشغيلية.

تم إعداد وتطوير هذه الورقة المرجعية بواسطة م. زهدي عثمان مؤسس Q-Star SimTech (النجم الهادئ لصناعة محاكيات الطيران). تعكس المنهجيات المطروحة هنا الرؤية الهندسية الخاصة بنا في تطوير منصات اختبار الروبوتات. جميع الحقوق محفوظة © 2026.

المراجع
1- R. Moreno and A. Faiña, "EMERGE Modular Robot: A Tool for Fast Deployment of Evolved Robots," Frontiers in Robotics and AI, vol. 8, p. 699814, 2021.
2- F. Ouerdane et al., "Multi-Domain Robot Swarm for Industrial Mapping and Asset Monitoring: Technical Challenges and Solutions," Sensors, vol. 25, no. 20, p. 6295, 2025.
3- R. D. Eastman, J. Marvel, J. Falco, and T. Hong, "Measurement science for 6DOF object pose ground truth," in Proceedings of the Computer Vision Pattern Recognition, 2013.
4- J. Zhang et al., "Comparison of DDS, MQTT, and Zenoh in Edge-to-Edge/Cloud Communication with ROS 2," Journal of Intelligent & Robotic Systems, 2023.
5- S. Garrido-Jurado et al., "Generation of fiducial marker dictionaries using Mixed Integer Linear Programming," Pattern Recognition, vol. 51, pp. 481-491, 2016.
6- Occupational Safety and Health Administration (OSHA), "Guidelines for Robotics Safety," Directive STD-01-12-002, 1987.
7- Sonair, "ADAR: Acoustic Detection and Ranging - Preliminary Technical Datasheet," Version 1.5, 2025.
8- A. S. Jacoff, E. R. Messina, and J. Evans, "Performance Evaluation of Autonomous Mobile Robots," Industrial Robot: An International Journal, vol. 29, no. 3, pp. 259-267, 2002.
9- National Institute of Standards and Technology (NIST), "Performance Metrics and Test Arenas for Autonomous Mobile Robots," 2016. [Online].
10- D. Fox, W. Burgard, and S. Thrun, "The dynamic window approach to collision avoidance," IEEE Robotics & Automation Magazine, vol. 4, no. 1, pp. 23-33, 1997.
11- C. Rösmann, F. Hoffmann, and T. Bertram, "Timed-elastic-bands for time-optimal point-to-point nonlinear model predictive control," in 2015 European Control Conference (ECC), 2015, pp. 3352-3357.
12- J. Tobin et al., "Domain randomization for transferring deep neural networks from simulation to the real world," in 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017, pp. 23-30.
13- A. Wei et al., "Empirical Analysis of Sim-and-Real Cotraining of Diffusion Policies for Planar Pushing from Pixels," arXiv preprint arXiv:2503.22634, 2025.
14- NVIDIA Corporation, "Digital Twin Robotics: Immersive Software-in-the-Loop Testing With OpenUSD, Isaac Sim, and ROS," 2025. [Online].
15- D. Pickem et al., "The Robotarium: A remotely accessible swarm robotics research testbed," in 2017 IEEE International Conference on Robotics and Automation (ICRA), 2017, pp. 1699-1706.
المصادر التي تم الاقتباس منها
1. EMERGE Modular Robot: A Tool for Fast Deployment of Evolved Robots - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC8287515/
2. A Complete Guide to Robotics Testing in 2026 - Testriq, https://www.testriq.com/blog/post/how-to-test-robots-complete-guide
3. Multi-Domain Robot Swarm for Industrial Mapping and Asset Monitoring: Technical Challenges and Solutions - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12567462/
4. Testing Autonomous Robots: Navigation, Perception, and Real-World QA - Testriq, https://www.testriq.com/blog/post/testing-autonomous-robots-navigation-perception-and-real-world-qa
5. Indoor positioning systems compared: the practical guide for 2026 - Crowd Connected, https://www.crowdconnected.com/blog/indoor-positioning-tech-update-2026/
6. A UWB-Based Lighter-Than-Air Indoor Robot for User-Centered Interactive Applications, https://www.mdpi.com/1424-8220/22/6/2093
7. Calibration Target Types: Which One Do You Need? - Foamcoreprint.com, https://www.foamcoreprint.com/blog/calibration-target-types-which-one-do-you-need
8. The biomechanist's motion capture purchasing checklist, https://www.motionanalysis.com/biomechanics/the-biomechanists-motion-capture-purchasing-checklist/
9. Differences between the OptiTrack system and the VICON system when using the ros_vrpn_client package. - ResearchGate, https://www.researchgate.net/figure/Differences-between-the-OptiTrack-system-and-the-VICON-system-when-using-the_tbl3_313687261
10. Validated low-cost standardized VICON configuration as a practical approach to estimating the minimal accuracy of a specific setup - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC12223194/
11. Motion Capture for Robotics | Optitrack.com, https://optitrack.com/applications/robotics
12. Bridging Simulation and Reality for Robotics | SoftServe, https://www.softserveinc.com/en-us/blog/simulation-to-reality-robotics-virtual-gyms
13. Investigation of ArUco Marker Placement for Planar Indoor Localization - arXiv, https://arxiv.org/html/2509.17345v1
14. Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM - arXiv, https://arxiv.org/html/2602.16308v1
15. What is a TestBed? Practical Application in Satellite ADCS - Tensor Tech, https://tensortech.co/updates/detail/What_is_a_TestBed

أحلى شعور لما تشوف الشغف بعيون الطلاب..

مقتطفات وصور من مشاركتي في فعالية "إضاءات في التصميم" بجامعة العلوم التطبيقية. كان يوم مميز جداً، حكينا فيه عن مستقبل التصميم والـ VR وكيف بنحول الخيال لواقع في محاكيات الطيران.

شكراً للجامعة على الدعوة الكريمة، وشكراً لكل طالب وطالبة حضروا وشاركونا أفكارهم وأسئلتهم الذكية. الصور بتحكي عن جمال الأجواء!

#تصميم

"لما الشغل الصح يفرض احترامه عالمياً.."

يوم مميز جداً في مسيرة شركة "النجم الهادئ".. اليوم كان عندي زيارة لوفد من كبار دكاترة وخبراء الفضاء من جامعة Beihang University الصينية (أحد عمالقة الطيران والفضاء في العالم)، وعلى رأسهم البروفيسور WENG Jingnong.

الوفد شاف المحاكي اللي اشتغلنا عليه وتفحصوا التفاصيل والأنظمة.. والحمد لله، كانت ردة فعلهم أكبر من مجرد إعجاب. وبناءً على هالتجربة العملية، ولأنهم شافوا شغل حقيقي مش مجرد كلام، عرضوا علينا كشركة الانضمام إلهم والمساعدة بخبرتنا في تطوير "محاكيات الفضاء" الخاصة بجامعتهم.

شعور بالفخر إنك تشوف منتج محلي، وشغل وتعب ليالي، بيتقدر من خبراء دوليين وبيطلبوا خبرتك لمشاريع فضاء متقدمة. القادم أجمل وأقوى بإذن الله.

#فضاء #طيران