الترميز التلقائي للجرافيك الزماني-المكاني لتقييم الحركات البشرية ثلاثية الأبعاد تلقائيًا في تدريب واقع افتراضي غامر لعلماء الآثار

ممارسة أعمال دقيقة دون مغادرة المختبر

تعتمد الكثير من الوظائف على حركات جسدية دقيقة وآمنة، ومع ذلك قد تكون الممارسة في العالم الحقيقي محفوفة بالمخاطر أو مكلفة أو صعبة التكرار. تُظهر هذه الدراسة كيف يمكن لتقنية الواقع الافتراضي ونظام تتبُّع الحركة أن تتعاون مع الذكاء الاصطناعي لتدريب علماء الآثار أثناء الحفر والكشط والرفع، وكل ذلك داخل موقع تنقيب رقمي. يمكن أن تساعد نفس الأفكار يومًا ما في تدريب الجراحين أو عمال المصانع أو الرياضيين من خلال تحويل حركة الخبراء إلى معيار يستطيع أي شخص تعلّمه ومطابقته.

الخطو داخل موقع تنقيب افتراضي

بنَاءً على ذلك، طوّر الباحثون نظام تدريب غامر يضع عالم الآثار داخل منطقة تنقيب افتراضية باستخدام سماعة Meta Quest 3. في الوقت نفسه، يسجل بدلة التقاط الحركة Xsens MVN Awinda، المزوّدة بسبعة عشر مجسًا صغيرًا، حركات كل جزء من الجسم في ثلاثة أبعاد. بدلًا من إعادة تشغيل الحركة فقط، يحول النظام كل تسجيل إلى وصف مُنظم للجسم: الرأس والجذع والذراعان والساقان تصبح نقاطًا في هيكل عظمي رقمي، كل نقطة تحمل قياسات مفصّلة مثل السرعة والتسارع وزوايا المفاصل عبر الزمن. يصبح هذا التدفق الغني من البيانات المادة الخام لمدرّب آلي.

تعليم الحاسوب شكل «الحركة الجيدة»

لتحويل معرفة الخبراء إلى معيار تدريبي، طلب الفريق أولًا من علماء آثار محترفين أداء مهام نموذجية باستخدام المجرفة والمطرقة اليدوية والجاروف. تُعدّ هذه الأمثلة الخبيرة بمثابة الحركات «المثالية». ثم يتعلم نموذج ذكاء اصطناعي متخصص، يدعى AEforGraph، ضغط كل سلسلة حركة إلى رمز داخلي مضغوط يحفظ كيفية تحرّك مفاصل الجسم معًا في الزمان والمكان. يُعطي هذا النموذج اهتمامًا أكبر للمفاصل الحرجة — مثل اليد والساعد في أعمال المجرفة الدقيقة — بحيث تصبح السلامة والدقّة في المناطق الرئيسة أكثر أهمية من الحركة الخلفية في أماكن أخرى.

كيف يكتشف النظام الأخطاء

بعد أن يتعلّم النموذج هذه الرموز الداخلية للحركة، يجمع الحركات المماثلة في عناقيد، كل منها مركز حول نمط مرجعي يعكس فعلًا مثاليًا، مثل تأرجح جاروف صحيح. عندما يؤدي المتدرب حركة جديدة، يقوم النظام بترميزها، ويجد أقرب نمط مرجعي، ثم يعيد بناء ما فعله المتدرب فعليًا. من خلال مقارنة إعادة بناء المتدرب مع النموذج المثالي مفصلًا تلو الآخر ووقتًا بعد وقت، يستطيع النظام تقدير مدى ابتعاد كل جزء من الجسم عن شكل الخبير. يمكن تحويل هذه الاختلافات إلى ملاحظات سهلة الفهم، مثل أي مقطع ذراع تحرّك بسرعة زائدة أو بزاوية غير صحيحة.

اختبار المدرب الافتراضي

سجّل الفريق 509 حركات حقيقية من ثمانية علماء آثار لتدريب النظام وتقييمه. أعاد التشفير الآلي AEforGraph إنتاج بيانات الحركة بدقة عالية، محتفظًا بأكثر من تسعين بالمئة من التباين الأصلي مع تقليل كبير في التعقيد. مقارنةً بنموذج أساسي معروف، أدّى عمله بشكل أفضل في التقاط كيفية تتابع الحركات عبر الزمن. عند استخدامه لفرز الحركات إلى ثلاث مجموعات مرتبطة بالأدوات — المجرفة والمطرقة اليدوية والجاروف — نجحت طريقة التجميع نصف المراقبة في تعيين أكثر من 97 بالمئة من العينات بشكل صحيح. في اختبارات الواقع الافتراضي الحية مع تشغيل جميع الأجهزة، كان النظام عادة ما يقدّم ملاحظات في حوالي ثانية بعد كل حركة مسجلة وكاد دومًا يختار العُنقود الصحيح للحركة المؤداة.

لماذا يهم هذا الأمر خارج علم الآثار

من منظور قارئ عادي، الإنجاز الرئيسي هنا هو مخطط عملي لمدرّب حركي رقمي: يوفر الواقع الافتراضي بيئة آمنة وواقعية؛ تسجّل حساسات التقاط الحركة سلوك الجسم بتفصيل؛ ويقارن نموذج ذكي كل محاولة بأمثلة الخبراء ليقدّم ملاحظات موجهة في الوقت الحقيقي. رغم أن دراسة الحالة تركز على علماء الآثار، فإن الإطار عام. مع أمثلة وبيانات حركة مناسبة، يمكن أن يساعد نفس النهج في تحسين مهام في الطب أو التأهيل أو التصنيع أو الرياضة، موجهًا الناس نحو حركات أكثر أمانًا وكفاءة دون الحاجة إلى مدرِّب بجانبهم في كل تكرار.

الاستشهاد: Pradisi, V., Marini, M.R., Castelli Gattinara Di Zubiena, F. et al. Spatio-temporal graph autoencoder for automated evaluation of human actions in 3D in immersive VR-based training for archaeologists. Sci Rep 16, 10568 (2026). https://doi.org/10.1038/s41598-026-46138-0

الكلمات المفتاحية: تدريب الواقع الافتراضي, التقاط الحركة, علم الآثار, تحليل حركة الإنسان, شبكات الأعصاب الرسومية