DOI: https://doi.org/10.1038/s41598-025-33603-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41526580
تاريخ النشر: 2026-01-12
المؤلف: Amr Khamis Mahmoud وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث RoboFusion، وهو إطار عمل مبتكر مصمم للكشف عن المخاطر في الوقت الحقيقي ومراقبة البيئة في البيئات الصناعية من خلال دمج الروبوتات المتنقلة المستقلة (AMRs) ونقاط الاستشعار الثابتة. تم نشر RoboFusion في بيئة اختبار صناعية تعمل، حيث استخدم أربع مجموعات استشعار لجمع حوالي مليون سجل استشعار متعدد الأنماط على مدى 180 يومًا، مما أدى إلى جمع بيانات حيوية مثل درجة الحرارة والرطوبة وتركيزات الغاز وجودة الهواء والضغط. يعالج الإطار تحدي ندرة البيانات وعدم التوازن في أحداث المخاطر من خلال استخدام خط أنابيب لتوليد مجموعات بيانات هجينة تجمع بين البيانات الحقيقية مع محاكاة المخاطر الاصطناعية، مما يعزز تدريب نماذج التعلم الآلي.
أظهر تقييم RoboFusion تحسينات كبيرة في قدرات الكشف عن المخاطر، حيث حققت نماذج التعلم الآلي المدربة على البيانات الاصطناعية درجات F1 تبلغ 0.85 لأسلوب الغابة العشوائية و0.79 لآلة الدعم الناقل، مقارنةً بالدرجات المنخفضة عند التدريب فقط على البيانات الحقيقية. وهذا يبرز فعالية مجموعات البيانات الاصطناعية في إعداد الأنظمة الروبوتية للأحداث النادرة الحرجة للسلامة. لا يعمل RoboFusion فقط كمنصة استشعار روبوتية ولكن أيضًا كأداة لتوليد البيانات، مما يسهل التقدم في الاستشعار الذكي للبيئات الخطرة. ستركز الأبحاث المستقبلية على تعزيز الإطار بسياسات تحكم تكيفية وتقنيات تكيف المجال للتحقق من قابليته للتطبيق عبر ظروف صناعية متنوعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التعقيد المتزايد للبيئات الصناعية الحديثة والحاجة المقابلة إلى حلول متقدمة في الوقت الحقيقي لتحسين الكفاءة التشغيلية والوعي بالوضع والسلامة. ظهرت الروبوتات المتنقلة المستقلة (AMRs) كتكنولوجيا تحويلية، متجاوزةً المركبات الموجهة آليًا التقليدية (AGVs) من خلال تمكين التنقل المستقل وتنفيذ مهام اللوجستيات. تعتبر AMRs محورية في تقدم الصناعة 4.0، خاصة في أنظمة التصنيع الذكية، بسبب قدراتها المعززة المستمدة من تكامل المستشعرات المتعددة، والتواصل عبر الإنترنت للأشياء (IoT)، وتحليلات الذكاء الاصطناعي (AI). تسمح هذه التقدمات لـ AMRs بالكشف عن المخاطر البيئية الحرجة، مثل تسرب الغاز ومخاطر الحرائق.
على الرغم من إمكانياتها، غالبًا ما تعيق فعالية الكشف عن المخاطر المدفوعة بالذكاء الاصطناعي في البيئات الصناعية نقص مجموعات البيانات عالية الجودة، خاصة تلك التي تشمل سيناريوهات المخاطر النادرة. تتعقد تحديات محاكاة الأحداث الخطرة في المنشآت الواقعية بسبب المخاوف المتعلقة بالسلامة والتنظيم، مما يتطلب مجموعات بيانات تكون قوية إحصائيًا ومتنوعة. أنظمة الكشف عن المخاطر التقليدية، التي تعتمد على شبكات استشعار ثابتة، محدودة في التنقل والتكيف، مما يؤدي إلى نماذج تعلم متحيزة وزيادة في النتائج السلبية الكاذبة. يعالج إنترنت الأشياء الروبوتية (IoRT) هذه القيود من خلال تمكين قدرات الاستشعار والاستجابة في الوقت الحقيقي من خلال الحوسبة الحافة المدمجة وبروتوكولات الاتصال الفعالة مثل MQTT. يعزز هذا النهج سرعة معالجة البيانات ويدعم النمذجة التنبؤية، مما يحسن في النهاية من مرونة النظام ويقلل من وقت التوقف عن العمل.
طرق
يستخدم إطار عمل RoboFusion منهجية منظمة لإنشاء مجموعات بيانات بيئية هجينة تهدف إلى تدريب نماذج الكشف عن المخاطر المعتمدة على الذكاء الاصطناعي في الروبوتات الصناعية. الهدف الرئيسي هو محاكاة كل من السيناريوهات التشغيلية العادية والخطيرة التي قد تحدث في البيئات الصناعية الديناميكية، مما يعزز قدرات التعميم لخوارزميات التعلم عند تنفيذها على الأنظمة الروبوتية المستقلة. المركز في هذا النهج هو نظام استشعار هجيني يدمج بيانات المستشعرات الحقيقية من أربع مجموعات استشعار متميزة مع خط أنابيب مزدوج لتوليد البيانات الاصطناعية، مما يعالج التحدي الحاسم المتمثل في نقص بيانات المخاطر عالية الدقة بسبب ندرة وعدم قابلية التنبؤ بمثل هذه الأحداث.
تنقسم المنهجية إلى ثلاث مراحل رئيسية: (1) الحصول على بيانات العالم الحقيقي، والتي تتضمن نشرًا لمدة 180 يومًا عبر مجموعات الاستشعار؛ (2) توليد البيانات الاصطناعية، حيث يتم استخدام فروع مستقلة لتعزيز الظروف العادية ونمذجة ظروف المخاطر؛ و(3) تجميع مجموعة البيانات الهجينة، حيث يتم دمج المخاطر الاصطناعية بشكل استراتيجي في بيانات عادية اصطناعية كثيفة في فترات ومواقع مكانية ذات مغزى. ينتج عن ذلك مجموعة بيانات زمنية مستمرة وموسومة تلتقط بفعالية الديناميات المعقدة للمخاطر الصناعية، مما يسهل تدريب المنصات الروبوتية المتنقلة تحت مجموعة متنوعة من الظروف البيئية.
نتائج
يوفر قسم النتائج في الورقة تحققًا شاملاً من إطار عمل RoboFusion من خلال تطبيق نماذج التعلم الآلي (ML) المختلفة على كل من مجموعات البيانات الحقيقية والاصطناعية. الهدف الرئيسي هو تقييم فعالية النماذج في الكشف عن الظروف البيئية الخطرة تحت قيود مختلفة من توفر البيانات والتدريب. تم استخدام أربعة مصنفات: الغابة العشوائية (RF)، آلة الدعم الناقل (SVM مع نواة RBF)، تعزيز التدرج المتطرف (XGBoost)، وطبقة متعددة ضحلة (MLP). تشمل هذه المصنفات الهياكل المعتمدة على الشجرة، والمعتمدة على النواة، والتجمع، والشبكات العصبية، على التوالي.
تم تدريب النماذج وتقييمها كمصنفات ثنائية تميز بين الظروف “العادية” و”الخطر”، مع تقييم الأداء باستخدام الدقة والاسترجاع ودرجة F1 كمقاييس رئيسية. درست الدراسة ثلاثة سيناريوهات بيانات متميزة (S1 وS2 وS3)، كل منها يتميز بأنواع بيانات تدريب واختبار مختلفة، كما هو ملخص في الجدول 6. تعالج هذه السيناريوهات مجتمعة الأداء الأساسي على البيانات الحقيقية، والأداء على البيانات الاصطناعية فقط، والأداء عبر المجالات، مما يوفر تقييمًا شاملاً لقدرات إطار عمل RoboFusion.
نقاش
يقدم إطار عمل RoboFusion نهجًا جديدًا لتوليد مجموعات البيانات الاصطناعية للكشف عن المخاطر الصناعية، مستفيدًا من منهجية خط أنابيب مزدوجة تدمج جمع البيانات من العالم الحقيقي مع تقنيات تعزيز البيانات الاصطناعية المتقدمة. يستخدم النظام إعدادًا مزدوجًا للروبوتات المتنقلة المستقلة (AMR) الموجهة بواسطة التواصل قريب المدى (NFC) بدون رؤية، مدعومًا بأربع مجموعات استشعار، لجمع بيانات بيئية شاملة على مدى 180 يومًا. تشمل هذه البيانات كل من الظروف التشغيلية العادية والأحداث الخطرة النادرة، مما يعالج النقص الحرج في بيانات المخاطر في البيئات الصناعية. لا يعزز الإطار البيانات العادية الحقيقية من خلال تقنيات مثل حقن الضوضاء وتشويه الوقت فحسب، بل يحاكي أيضًا سيناريوهات المخاطر من خلال ملاءمة النماذج الرياضية للأحداث الخطرة الحقيقية، مما ينتج مجموعة بيانات اصطناعية متنوعة وواعية بالموقع.
يميز RoboFusion نفسه عن المنهجيات الحالية من خلال دمج بيانات متعددة الأنماط من اثني عشر مستشعرًا متميزًا، مما يخلق أول مجموعة بيانات هجينة تجمع بين البيانات الحقيقية والاصطناعية للتطبيقات الصناعية. تم التحقق من صحة هذه المجموعة عبر نماذج التعلم الآلي المختلفة، مما يوضح فائدتها في تعزيز قوة أنظمة الكشف عن المخاطر المدفوعة بالذكاء الاصطناعي. علاوة على ذلك، تسهل بنية النظام اللامركزية وبروتوكولات الاتصال الخفيفة اتخاذ القرارات ذات الكمون المنخفض، مما يجعلها مناسبة للمراقبة الصناعية في الوقت الحقيقي. تسلط الأبحاث الضوء على أهمية السياق البيئي في توليد المخاطر، مما يضع RoboFusion كحل قابل للتوسع وإعادة الإنتاج لتعزيز السلامة في البيئات الصناعية.
DOI: https://doi.org/10.1038/s41598-025-33603-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41526580
Publication Date: 2026-01-12
Author(s): Amr Khamis Mahmoud et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents RoboFusion, an innovative framework designed for real-time hazard detection and environmental monitoring in industrial settings through the integration of Autonomous Mobile Robots (AMRs) and fixed sensing nodes. Deployed in a functioning industrial testbed, RoboFusion utilized four sensor suites to collect approximately one million multi-modal sensor records over 180 days, capturing critical data such as temperature, humidity, gas concentrations, air quality, and pressure. The framework addresses the challenge of data scarcity and imbalance in hazard events by employing a hybrid dataset generation pipeline that combines real telemetry with synthetic hazard simulations, enhancing the training of machine learning models.
The evaluation of RoboFusion demonstrated significant improvements in hazard detection capabilities, with machine learning models trained on synthetic data achieving F1 scores of 0.85 for Random Forest and 0.79 for Support Vector Machine, compared to lower scores when trained solely on real data. This underscores the effectiveness of synthetic datasets in preparing robotic systems for rare safety-critical events. RoboFusion not only serves as a robotic sensing platform but also as a data generation tool, facilitating advancements in intelligent sensing for hazardous environments. Future research will focus on enhancing the framework with adaptive control policies and domain adaptation techniques to further validate its applicability across diverse industrial conditions.
Introduction
The introduction of the research paper highlights the increasing complexity of modern industrial environments and the corresponding need for advanced, real-time solutions to improve operational efficiency, situational awareness, and safety. Autonomous Mobile Robots (AMRs) have emerged as a transformative technology, surpassing traditional Automated Guided Vehicles (AGVs) by enabling autonomous navigation and logistics task execution. AMRs are pivotal to the advancement of Industry 4.0, particularly in smart manufacturing systems, due to their enhanced capabilities derived from multi-sensor integration, Internet of Things (IoT) communication, and Artificial Intelligence (AI) analytics. These advancements allow AMRs to detect critical environmental hazards, such as gas leaks and fire risks.
Despite their potential, the effectiveness of AI-driven hazard detection in industrial settings is often hampered by the lack of high-quality datasets, especially those that encompass rare hazard scenarios. The challenges of simulating hazardous events in real-world facilities are compounded by safety and regulatory concerns, necessitating datasets that are both statistically robust and diverse. Traditional hazard detection systems, which depend on fixed sensor networks, are limited in mobility and adaptability, leading to biased learning models and increased false negatives. The Internet of Robotic Things (IoRT) addresses these limitations by enabling real-time sensing and response capabilities through embedded edge computing and efficient communication protocols like MQTT. This approach enhances data processing speed and supports predictive modeling, ultimately improving system resilience and minimizing operational downtime.
Methods
The RoboFusion framework employs a structured methodology to create hybrid environmental datasets aimed at training AI-based hazard detection models in industrial robotics. Its primary objective is to simulate both normal and hazardous operational scenarios that may occur in dynamic industrial environments, thereby enhancing the generalization capabilities of learning algorithms when implemented on autonomous robotic systems. Central to this approach is a hybrid sensing system that integrates real sensor data from four distinct sensor suites with a dual synthetic data generation pipeline, addressing the critical challenge of limited high-fidelity hazard data due to the infrequency and unpredictability of such events.
The methodology is divided into three key phases: (1) Real-world data acquisition, which involves a 180-day deployment across the sensor suites; (2) Synthetic data generation, where independent branches are utilized for augmenting normal conditions and modeling hazard conditions; and (3) Hybrid dataset assembly, where synthetic hazards are strategically incorporated into dense synthetic normal data at meaningful intervals and spatial positions. This results in a continuous, labeled time series dataset that effectively captures the intricate dynamics of industrial hazards, facilitating the training of mobile robotic platforms under a variety of environmental conditions.
Results
The results section of the paper provides a thorough validation of the RoboFusion framework through the application of various machine learning (ML) models on both real and synthetic datasets. The primary aim is to assess the models’ effectiveness in detecting hazardous environmental conditions under different data availability and training constraints. Four classifiers were utilized: Random Forest (RF), Support Vector Machine (SVM with RBF kernel), Extreme Gradient Boosting (XGBoost), and a shallow Multi-Layer Perceptron (MLP). These classifiers encompass tree-based, kernel-based, ensemble, and neural network architectures, respectively.
The models were trained and evaluated as binary classifiers distinguishing between ‘Normal’ and ‘Hazard’ conditions, with performance assessed using precision, recall, and F1 score as key metrics. The study examined three distinct data-domain scenarios (S1, S2, and S3), each characterized by different training and testing data types, as summarized in Table 6. These scenarios collectively address baseline performance on real data, performance on synthetic-only data, and cross-domain performance, thereby providing a comprehensive evaluation of the RoboFusion framework’s capabilities.
Discussion
The RoboFusion framework presents a novel approach to synthetic dataset generation for industrial hazard detection, leveraging a dual-pipeline methodology that integrates real-world data collection with advanced synthetic data augmentation techniques. The system employs a vision-free, Near-Field Communication (NFC) guided dual-Autonomous Mobile Robot (AMR) setup, complemented by four sensor suites, to gather comprehensive environmental data over a 180-day period. This data encompasses both normal operational conditions and rare hazard events, addressing the critical scarcity of hazard data in industrial settings. The framework not only augments real normal data through techniques such as noise injection and time warping but also simulates hazard scenarios by fitting mathematical models to real hazard events, thus producing a diverse and location-aware synthetic dataset.
RoboFusion distinguishes itself from existing methodologies by integrating multi-modal data from twelve distinct sensors, creating the first hybrid dataset that combines real and synthetic data for industrial applications. This dataset has been validated across various machine learning models, demonstrating its utility in enhancing the robustness of AI-driven hazard detection systems. Furthermore, the system’s decentralized architecture and lightweight communication protocols facilitate low-latency decision-making, making it suitable for real-time industrial monitoring. The research highlights the importance of environmental context in hazard generation, positioning RoboFusion as a scalable and reproducible solution for advancing safety in industrial environments.