Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration
यह शोध पत्र लोकल अनसर्टेन्टी कॉन्फॉर्मल कैलिब्रेशन (LUCCa) प्रस्तुत करता है, जो एक नॉन-एसिम्टोटिक, कॉन्फॉर्मल प्रेडिक्शन-आधारित विधि है जो रोबोट डायनेमिक्स में एलीटोरिक और एपिस्टेमिक दोनों अनसर्टेन्टीज़ को ध्यान में रखते हुए संभाव्यतात्मक रूप से वैध प्रेडिक्शन रीजन उत्पन्न करने के लिए स्थानीय रूप से एलीटोरिक अनसर्टेन्टी अनुमानों को कैलिब्रेट करता है, जिससे नवीन वातावरणों में सुरक्षित प्लानिंग संभव हो पाती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
रोबोट दुनिया में यह अनुमान लगाकर चलते हैं कि आगे क्या होने वाला है। यदि एक रोबोट को ठीक-ठीक पता हो कि उसके पहिए फर्श पर कैसे पकड़ बनाते हैं या उसके प्रोपेलर हवा को कैसे धकेलते हैं, तो वह गंतव्य तक पहुँचने के लिए एक आदर्श पथ की गणना कर सकता है। लेकिन वास्तविक दुनिया अव्यवस्थित है। सतहें फिसलन भरी हो जाती हैं, हवाएँ बदल जाती हैं, और किसी मशीन का भौतिक विज्ञान (फिजिक्स) उन तरीकों से बदल सकता है जिनकी उसके डिजाइनरों ने कभी कल्पना भी नहीं की थी। जब कोई रोबोट ऐसी स्थिति का सामना करता है जो उसने पहले नहीं देखी है, तो भविष्य के बारे में उसका आंतरिक अनुमान एक अटकल बन जाता है। सुरक्षित रूप से चलने के लिए, रोबोट को न केवल यह समझने की आवश्यकता है कि वह कहाँ होगा, बल्कि यह भी कि उस अटकल में अनिश्चितता कितनी है। उसे दो प्रकार के संदेह के बीच अंतर करना चाहिए। एक प्रकार यादृच्छिक शोर (रैंडम नॉइज़) है, जैसे बर्फ के एक टुकड़े पर पहिए का फिसलना; यह अप्रत्याशित है लेकिन ज्ञात सीमाओं के भीतर होता है। दूसरा प्रकार अज्ञानता है, जैसे एक रोबोट जो ऐसी सतह पर चलने की कोशिश कर रहा है जिसे उसने पहले कभी छुआ नहीं है; यहाँ, रोबोट के पास यह जानने के लिए जानकारी ही नहीं है कि क्या होगा। वर्षों से, इंजीनियर इस दूसरे प्रकार की अनिश्चितता को मापने के लिए संघर्ष कर रहे हैं ताकि सुरक्षा सुनिश्चित की जा सके, और अक्सर उन धारणाओं पर भरोसा करते हैं जो वातावरण बदलने पर विफल हो जाती हैं।
मिचिगन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नई विधि विकसित की है, जिससे रोबोट पूरी तरह से अपरिचित क्षेत्र में भी अपने अनुमानों के चारों ओर एक सुरक्षा जाल बना सकते हैं। वे अपने इस दृष्टिकोण को 'लोकल अनसर्टेन्टी कॉन्फॉर्मल कैलिब्रेशन' (Local Uncertainty Conformal Calibration) कहते हैं। इसका मूल विचार यह है कि रोबोट की अपनी भविष्य की गति के बारे में सबसे अच्छी अटकल को लें और फिर वास्तविक दुनिया के डेटा के आधार पर उसके "सुरक्षा बुलबुले" (सेफ्टी बबल) के आकार को समायोजित करें। एक ऐसे रोबोट की कल्पना करें जिसका अपने चलने के मॉडल का एक मॉडल है, लेकिन वह मॉडल कुछ क्षेत्रों में गलत हो सकता है। इससे पहले कि रोबोट कोई नया कार्य शुरू करे, शोधकर्ता इसे एक संक्षिप्त अंशांकन (कैलिब्रेशन) चरण से गुजारते हैं। इस चरण के दौरान, रोबोट अपने मॉडल का परीक्षण जमीन पर किए गए अपने वास्तविक आंदोलनों के एक छोटे से सेट के विरुद्ध करता है। यह तुलना करके कि मॉडल ने क्या भविष्यवाणी की थी और वास्तव में क्या हुआ, सिस्टम यह सीखता है कि कमरे के विभिन्न हिस्सों में अपने सुरक्षा बुलबुले को कितना फैलाना है। यदि मॉडल एक कोने में आमतौर पर सटीक रहता है, तो बुलबुला सघन रहता है। यदि मॉडल दूसरे कोने में डगमगाता है, शायद इसलिए क्योंकि फर्श फिसलन भरा है, तो बुलबुला सभी संभावित परिणामों को कवर करने के लिए काफी फैल जाता है।
शोधकर्ताओं ने इस पद्धति का परीक्षण एक सिम्युलेटेड रोबोट पर किया जो कार की तरह चलता है, जो त्वरित (एक्सेलरेट) और मुड़ने में सक्षम है। उन्होंने इस रोबोट को ऐसे वातावरण में रखा जहाँ भौतिक विज्ञान अचानक बदल गया, जैसे कि फर्श का एक हिस्सा जहाँ घर्षण (फ्रिक्शन) बाकी हिस्से की तुलना में बहुत कम था। इन कठिन क्षेत्रों में, रोबोट का मानक मॉडल यह मान लेगा कि वह आसानी से रुक सकता है या मुड़ सकता है, जिससे ऐसे पथों की योजना बनती है जो दुर्घटना का कारण बनते हैं। हालाँकि, नई विधि ने पहचान लिया कि उन विशिष्ट स्थानों पर मॉडल अविश्वसनीय था। इसने उन क्षेत्रों के लिए अनिश्चितता को बढ़ाने के लिए अंशांकन डेटा का उपयोग किया, जिससे प्लानिंग एल्गोरिदम को धीमे, सुरक्षित मार्ग चुनने के लिए मजबूर किया गया जो खतरनाक क्षेत्रों से पूरी तरह बच सकें। चार अलग-अलग वातावरणों में परीक्षणों की एक श्रृंखला में, इस नए अंशांकन पद्धति का उपयोग करने वाला रोबोट अधिकांश प्रयासों में बाधाओं से टकराए बिना अपने लक्ष्य तक पहुँच गया, हालांकि जटिल परिदृश्यों जैसे तीखे मोड़ में उसे कुछ टक्करों का सामना करना पड़ा। इसके विपरीत, मानक, बिना अंशांकित मॉडल का उपयोग करने वाला रोबोट 80 प्रतिशत प्रयासों में तक टकरा गया, क्योंकि वह इस तथ्य को ध्यान में रखने में विफल रहा कि दुनिया के बारे में उसकी समझ अधूरी थी।
इस दृष्टिकोण को विशेष रूप से शक्तिशाली बनाने वाली बात यह है कि इसके लिए रोबोट को यह जानने की आवश्यकता नहीं है कि भौतिक विज्ञान ठीक से कैसे बदला है। इसे यह पहचानने की आवश्यकता नहीं है कि फर्श गीला है या हवा गाढ़ी है। यह केवल अपने अनुमान और वास्तविकता के बीच के अंतर को देखता है और उसके अनुसार अपने विश्वास को समायोजित करता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि यह विधि गारंटी देती है कि रोबोट का सुरक्षा बुलबुला एक योजना के पहले कदम के लिए कम से कम 90 प्रतिशत बार रोबोट की वास्तविक भविष्य की स्थिति को समाहित करेगा, भले ही अंशांकन डेटा की मात्रा बहुत कम क्यों न हो। यह गारंटी तब भी बनी रहती है जब रोबोट एक परिचित गलियारे से गुजर रहा हो या एक अराजक, अप्रत्याशित स्थान से। समस्या को छोटे, स्थानीय क्षेत्रों में विभाजित करके, यह प्रणाली हर जगह अत्यधिक सतर्क होने की सामान्य खामी से बचती है। पूरी यात्रा के लिए सबसे खराब स्थिति को मानने के बजाय, यह केवल वहीं सुरक्षा मार्जिन को बढ़ाती है जहाँ डेटा दिखाता है कि यह वास्तव में आवश्यक है।
अध्ययन ने यह भी देखा कि जब रोबोट गतिविधियों के एक क्रम की योजना बनाता है तो समय के साथ यह विधि कैसे प्रदर्शन करती है। जबकि गणितीय प्रमाण एक योजना के पहले कदम के लिए सबसे मजबूत है, प्रयोगों ने दिखाया कि विधि प्रभावी बनी रही, भले ही रोबोट भविष्य में और आगे देख रहा हो। सिस्टम ने उस संचयी अनिश्चितता (कंपाउंडिंग अनसर्टेन्टी) को सफलतापूर्वक प्रबंधित किया जो आमतौर पर दीर्घकालिक योजना में बाधा डालती है। सिमुलेशन में, इस पद्धति का उपयोग करने वाले रोबोट ने अनिश्चितता को अनदेखा करने वाले टकराने वाले रोबोट की तुलना में अपने गंतव्य तक पहुँचने में थोड़ा अधिक समय लिया, लेकिन वह सुरक्षित रूप से पहुँचा। इस सुरक्षा जाँच को जोड़ने की कम्प्यूटेशनल लागत न्यूनतम थी, जो एक मानक कंप्यूटर प्रोसेसर पर प्रति प्लानिंग स्टेप एक मिलीसेकंड से भी कम समय लेती है। यह सुझाव देता है कि इस विधि को वास्तविक रोबोटों पर बिना उन्हें धीमा किए लागू किया जा सकता है। यह कार्य यह प्रदर्शित करता है कि एक रोबोट के आंतरिक मॉडल को एक सरल, डेटा-संचालित जाँच के साथ जोड़कर, हम मशीनों को अपनी अज्ञानता को पहचानने और उचित सावधानी के साथ कार्य करने की क्षमता दे सकते हैं, जिससे एक संभावित रूप से खतरनाक अटकल को एक प्रमाणित सुरक्षित योजना में बदला जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।