💻 computer science

SERN: Bandwidth-Adaptive Cross-Reality Synchronization for Simulation-Enhanced Robot Navigation

SERN एक बैंडविड्थ-अनुकूली क्रॉस-रियलिटी फ्रेमवर्क है जो प्रेडिक्टिव मॉडलिंग और एडेप्टिव कंट्रोल के माध्यम से हाई-फिडेलिटी वर्चुअल ट्विन्स को फिजिकल रोबोट्स के साथ मजबूती से जोड़ता है, जो बाधित संचार के तहत टाइट वर्चुअल-रियल अलाइनमेंट बनाए रखते हुए, कंटेस्टेड एनवायरनमेंट्स में नेविगेशन सफलता दर और सिचुएशनल अवेयरनेस में महत्वपूर्ण सुधार करता है।

मूल लेखक: Jumman Hossain, Emon Dey, Snehalraj Chugh, Masud Ahmed, MS Anwar, Abu-Zaher Faridee, Jason Hoppes, Theron Trout, Anjon Basak, Rafidh Chowdhury, Rishabh Mistry, Hyun Kim, Jade Freeman, Niranjan Suri, A

प्रकाशित 2026-03-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jumman Hossain, Emon Dey, Snehalraj Chugh, Masud Ahmed, MS Anwar, Abu-Zaher Faridee, Jason Hoppes, Theron Trout, Anjon Basak, Rafidh Chowdhury, Rishabh Mistry, Hyun Kim, Jade Freeman, Niranjan Suri, Adrienne Raglin, Carl Busart, Anuradha Ravi, Nirmalya Roy

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

कल्पना कीजिए कि आप एक रिमोट-कंट्रोल कार को एक ऊबड़-खाबड़, धुंधले मैदान में चलाने की कोशिश कर रहे हैं, लेकिन आप मीलों दूर एक कंट्रोल रूम में बैठे हैं। आपके पास कार का एक वीडियो फीड है, लेकिन कनेक्शन अस्थिर है। कभी वीडियो फ्रीज हो जाता है, कभी इसमें लैग (देरी) आता है, और कभी यह पूरी तरह से कट जाता है।

यदि आप केवल वीडियो पर निर्भर रहते हैं ("रियल ओनली" दृष्टिकोण), तो आप एक छिपे हुए पत्थर को मिस कर सकते हैं क्योंकि वीडियो धुंधला है। यदि आप केवल एक सटीक कंप्यूटर सिमुलेशन पर निर्भर रहते हैं ("सिम ओनली" दृष्टिकोण), तो आप सीधे उस असली पेड़ से टकरा सकते हैं जिसके बारे में सिमुलेशन को पता ही नहीं था।

SERN इस समस्या का समाधान है। यह आपके रिमोट-कंट्रोल कार को एक "घोस्ट ट्विन" (भूतिया जुड़वा) देने जैसा है जो एक आदर्श कंप्यूटर दुनिया में रहता है, लेकिन इसके पास एक सुपर-स्मार्ट, एडेप्टिव कम्युनिकेशन सिस्टम है जो भूत और असली कार को, तब भी, पूरी तरह से सिंक में रखता है जब इंटरनेट बहुत खराब हो।

यहाँ बताया गया है कि SERN कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. "द घोस्ट ट्विन" (द वर्चुअल ट्विन)

अपने वर्चुअल ट्विन को अपने असली रोबोट के एक हाई-डेफिनिशन वीडियो गेम वर्जन के रूप में समझें।

यह कैसे शुरू होता है: इसे मैप्स और सेंसर डेटा का उपयोग करके बनाया जाता है ताकि यह बिल्कुल असली दुनिया जैसा दिखे।
यह कैसे वास्तविक बना रहता है: जैसे-जैसे असली रोबोट चलता है, वह भूत (ट्विन) को अपडेट भेजता है। यदि असली रोबोट किसी पत्थर से टकराता है, तो भूत भी एक डिजिटल पत्थर से टकराता है।
समस्या: यदि इंटरनेट कनेक्शन खराब हो जाता है, तो भूत को अपडेट मिलना बंद हो जाता है। वह अनुमान लगाने लगता है कि रोबोट कहाँ है। यदि उसका अनुमान गलत होता है, तो भूत और असली रोबोट एक-दूसरे से अलग हो जाते हैं, और भूत बेकार हो जाता है।

2. "द स्मार्ट मैसेंजर" (बैंडविड्थ-एडेप्टिव ब्रिज)

आमतौर पर, खराब कनेक्शन पर डेटा भेजना एक टिन के डिब्बे वाले टेलीफोन के माध्यम से पूरा उपन्यास चिल्लाने जैसा है। या तो आप सब कुछ चिल्लाते हैं (और बीच में ही कट जाते हैं) या आप चुप रहते हैं।

SERN एक स्मार्ट मैसenger (SERN ROS ब्रिज) का उपयोग करता है जो एक बहुत ही व्यवस्थित बटलर (बड़ा नौकर) की तरह काम करता है:

प्रायोरिटी सीटिंग: वह जानता है कि कौन से संदेश जीवन-मरण के सवाल हैं (जैसे "रुको!" या "मैं बाईं ओर मुड़ रहा हूँ") और कौन से केवल दिखाने के लिए हैं (जैसे "यहाँ एक बादल का चित्र है")। वह जीवन-मरण के संदेशों को पहले भेजता है।
कंप्रेशन (संपीड़न): एक पेड़ की भारी वीडियो फ़ाइल भेजने के बजाय, यह केवल एक छोटा नोट भेज सकता है, जैसे "यहाँ एक पेड़ है।" यह "टिन के डिब्बे" में जगह बचाता है ताकि महत्वपूर्ण चीजें निकल सकें।
अनुकूलनशीलता (Adaptability): यदि कनेक्शन और खराब हो जाता है, तो बटलर स्वचालित रूप से कम महत्वपूर्ण नोट्स को हटा देता है ताकि यह सुनिश्चित हो सके कि क्रिटिकल (महत्वपूर्ण) सूचनाएं पहुँच सकें।

3. "द क्रिस्टल बॉल" (प्रेडिक्टर-करैक्टर)

क्या होता है जब कनेक्शन पूरी तरह से 30 सेकंड के लिए कट जाता है?

पुराना तरीका: भूत बस फ्रीज हो जाता है। जब कनेक्शन वापस आता है, तो भूत गलत जगह पर होता है, और असली रोबोट कहीं और होता है। आपको भूत को वापस रोबोट के पास मैन्युअल रूप से खींचना पड़ता है, जो झटकेदार और खतरनाक होता है।
SERN का तरीका: भूत के पास एक क्रिस्टल बॉल होती है। जब कनेक्शन बंद होता है, तब भी भूत भौतिकी (physics) का उपयोग करके यह अनुमान लगाता है कि रोबोट को कहाँ होना चाहिए। "ठीक है, रोबोट 2 मील प्रति घंटे की गति से आगे बढ़ रहा था, तो 30 सेकंड बाद, उसे 60 फीट आगे होना चाहिए।"
करेक्शन (सुधार): जब कनेक्शन वापस आता है, तो भूत अचानक से असली रोबोट की लोकेशन पर नहीं कूदता (जो एक ग्लिच जैसा दिखेगा)। इसके बजाय, यह धीरे से अपनी जगह पर वापस आता है, अंतर को सुचारू बनाता है। यह ब्लैकआउट के दौरान भी भूत को उपयोगी बनाए रखता है।

4. "द ट्रैफिक Cop" (मल्टी-मेट्रिक कॉस्ट फंक्शन)

SERN के पास एक अंतर्निहित ट्रैफिक पुलिस वाला है जो लगातार पूछता है: "अभी क्या अधिक महत्वपूर्ण है? गति, या यह सुनिश्चित करना कि हम डेटा न खोएं?"

यदि आप टेलीऑपरेशन (मैन्युअल ड्राइविंग) कर रहे हैं, तो Cop गति (लो लेटेंसी) को प्राथमिकता देता है ताकि आप टकरा न जाएं।
यदि आप किसी क्षेत्र का मैपिंग कर रहे हैं, तो Cop विश्वसनीयता को प्राथमिकता देता है ताकि आप विवरण मिस न करें।
यह सही संतुलन खोजने के लिए सेटिंग्स को लगातार एडजस्ट करता है, जिससे बैटरी और डेटा बचता है और सिस्टम सुरक्षित रहता है।

परिणाम: यह क्यों मायने रखता है?

शोधकर्ताओं ने एक वास्तविक दुनिया के नेविगेशन कार्य में इस प्रणाली का परीक्षण किया:

रियल रोबोट ओनली: 85% सफलता दर। (अच्छा है, लेकिन यह कोनों के पीछे नहीं देख सकता)।
सिमुलेशन ओनली: 70% सफलता दर। (यह वास्तविक दुनिया के सरप्राइज से भ्रमित हो जाता है)।
SERN (द हाइब्रिड): 95% सफलता दर।

उपमा (Analogy):
कल्पना कीजिए कि आप घने कोहरे में कार चला रहे हैं।

रियल ओनली: आप धीरे-धीरे चलते हैं, रास्ता महसूस करते हुए। सुरक्षित है, लेकिन धीमा है।
सिम ओनली: आप एक मैप के आधार पर तेज़ चलते हैं, लेकिन आप एक असली गड्ढे से टकरा जाते हैं जिसे मैप ने नहीं दिखाया था।
SERN: आपके पास एक को-पायलट (घोस्ट ट्विन) है जो कोहरे के माध्यम से सड़क को स्पष्ट रूप से देख सकता है। वे आपसे कहते हैं, "50 फीट में बाएं मुड़ें।" लेकिन, यदि को-पायलट मैप गलत पढ़ता है (जैसे, उन्हें लगता है कि वहाँ एक दीवार है, लेकिन वास्तव में नहीं है), तो आपकी अपनी आँखें (असली सेंसर) कहती हैं, "नहीं, मैं एक साफ रास्ता देख रहा हूँ," और आप को-पायलट की बात को नजरअंदाज कर देते हैं। आपको दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है: सिमुलेशन की दूरदर्शिता और वास्तविकता की सुरक्षा।

सारांश में

SERN एक ऐसा फ्रेमवर्क है जो रोबोट और उनके डिजिटल ट्विन्स को कुशलतापूर्वक एक-दूसरे से बात करने में मदद करता है, भले ही इंटरनेट खराब हो। यह महत्वपूर्ण डेटा को प्राथमिकता देता है, सिग्नल गिरने पर रोबोट कहाँ है इसका अनुमान लगाता है, और गति एवं सुरक्षा के बीच लगातार संतुलन बनाता है। यह रोबोट को जटिल और खतरनाक वातावरण में अकेले की तुलना में बहुत अधिक सफलतापूर्वक नेविगेट करने की अनुमति देता है।

यहाँ शोध पत्र "SERN: Bandwidth-Adaptive Cross-Reality Synchronization for Simulation-Enhanced Robot Navigation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्षेत्रीय वातावरण (field environments) में काम करने वाले रोबोट अक्सर संचार संबंधी बाधाओं का सामना करते हैं, जिनमें उच्च विलंबता (high latency), पैकेट लॉस और सीमित बैंडविड्थ शामिल हैं। इन परिदृश्यों में, केवल भौतिक सेंसरों पर निर्भर रहना जोखिम भरा है क्योंकि उनमें भविष्य की दृष्टि (foresight) का अभाव होता है, जबकि केवल सिमुलेशन पर निर्भर रहना खतरनाक है क्योंकि आभासी मॉडल वास्तविकता से विचलित हो सकता है।
मुख्य चुनौती एक अविश्वसनीय संचार के दौरान एक भौतिक रोबोट और उसके उच्च-सटीकता वाले वर्चुअल ट्विन (डिजिटल ट्विन) के बीच एक सटीक संरेखण (tight alignment) बनाए रखना है। मौजूदा दृष्टिकोण अक्सर सिमुलेशन और भौतिक तैनाती को अलग-अलग मानते हैं या निष्पादन अंतराल (execution gaps) के दौरान लाइव, सिंक्रोनाइज़्ड अवस्था बनाए रखने में विफल रहते हैं। उचित सिंक्रोनाइज़ेशन के बिना, वर्चुअल ट्विन योजना (planning) और स्थितिजन्य जागरूकता के लिए बेकार हो जाता है, जिससे गलत डाउनस्ट्रीम निर्णय लिए जा सकते हैं।

2. कार्यप्रणाली: SERN फ्रेमवर्क (Methodology: The SERN Framework)

लेखक SERN (Simulation Enhanced Realistic Navigation) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे सीमित संचार के तहत एक भौतिक रोबोट को वर्चुअल ट्विन के साथ सिंक्रोनाइज़ करने के लिए डिज़ाइन किया गया है। यह प्रणाली तीन प्राथमिक घटकों को एकीकृत करती है:

A. लाइव सुधार के साथ वर्चुअल ट्विन (Virtual Twin with Live Correction)

आरंभीकरण (Initialization): ट्विन को भू-स्थानिक डेटा (डिजिटल एलीवेशन मैप्स, वेक्टर लेयर्स) और सेंसर डेटा का उपयोग करके आरंभीकृत किया जाता है।
पैच-आधारित अपडेट (Patch-Based Updates): पूर्ण दृश्य रिफ्रेश भेजने के बजाय, सिस्टम "सीन पैचेस" (scene patches) प्रसारित करता है—अर्थात, पिछले सिंक्रोनाइज़्ड स्टेट के सापेक्ष केवल स्थानीय परिवर्तन (जैसे, नए अवरोध, पोज़ सुधार)।
अनुकूली स्तर का विवरण (Adaptive Level of Detail - LoD): अपडेट की सटीकता गतिशील है। रोबोट के पास के क्षेत्र या वर्तमान पथ पर स्थित क्षेत्रों को उच्च-सटीकता वाले अपडेट ( $L_{high}$ ) प्राप्त होते हैं, जबकि दूर के स्थिर क्षेत्रों को निम्न-सटीकता वाले अपडेट ( $L_{low}$ ) मिलते हैं।
निर्देशांक रूपांतरण (Coordinate Transformation): GPS डेटा को जियोडेटिक निर्देशांकों से स्थानीय टेंजेंट फ्रेम में और फिर विशिष्ट रूपांतरण एल्गोरिदम (बड़े स्थलों के लिए Haversine, छोटे स्थलों के लिए स्थानीय सन्निकटन) का उपयोग करके Unity इंजन इकाइयों में परिवर्तित किया जाता है।

B. बैंडविड्थ-अनुकूली SERN ROS ब्रिज (Bandwidth-Adaptive SERN ROS Bridge)

यह मिडलवेयर परत AuroraXR रिले सर्वर के माध्यम से भौतिक रोबोट के ROS नेटवर्क और रिमोट वर्चुअल वातावरण के बीच डेटा प्रवाह का प्रबंधन करती है।

प्राथमिकता-जागरूक शेड्यूलिंग (Priority-Aware Scheduling): संदेशों को एक क्रिटिकैलिटी स्कोर ( $\kappa$ ) सौंपा जाता है। शेड्यूलर सुरक्षा-महत्वपूर्ण डेटा (कमांड, पोज़, वेलोसिटी) को गैर-आवश्यक डेटा (डिबग लॉग, डेंस पॉइंट क्लाउड) पर प्राथमिकता देता है।
लागत फलन (Cost Function - MMCF): एक मल्टी-मेट्रिक कॉस्ट फंक्शन (MMCF) विलंबता (Latency), विश्वसनीयता (Reliability), कंप्यूट लागत (Compute Cost), और बैंडविड्थ (Bandwidth) के भारित योग के आधार पर ब्रिज कॉन्फ़िगरेशन मापदंडों (रेट कैप्स, क्यू लिमिट्स, कम्प्रेशन) को गतिशील रूप से चुनता है।
- टेलीऑपरेशन प्रोफाइल: कम विलंबता को प्राथमिकता देता है।
- मैपिंग प्रोफाइल: बैंडविड्थ दक्षता को प्राथमिकता देता है।
डायनेमिक डिस्कवरी (Dynamic Discovery): ब्रिज रनटाइम पर नए ROS टॉपिक्स का पता लगा सकता है और बिना किसी मैनुअल पुनर्गठन या सिस्टम रीस्टार्ट के उन्हें फॉरवर्ड करना शुरू कर सकता है।

C. प्रेडिक्टर-करैक्टर सिंक्रोनाइज़ेशन पाइपलाइन (Predictor-Corrector Synchronization Pipeline)

संचार अंतराल (ब्लैकआउट) को संभालने के लिए, SERN एक हाइब्रिड सिंक्रोनाइज़ेशन रणनीति अपनाता है:

भविष्यवाणी (Prediction): एक अंतराल के दौरान, वर्चुअल ट्विन अंतिम ज्ञात वेलोसिटी और एक्सेलेरेशन (IMU/ओडोमेट्री हिस्ट्री से प्राप्त) के आधार पर अपने किनेमैटिक मॉडल का उपयोग करके अपनी अवस्था को आगे बढ़ाता है।
सुधार (Correction): जब टेलीमेट्री पुनः प्रारंभ होती है, तो सिस्टम भौतिक अवस्था ( $x_{phys}$ ) और वर्चुअल अवस्था ( $x_{virt}$ ) के बीच त्रुटि की गणना करता है।
अनुकूली PD नियंत्रण (Adaptive PD Control): वर्चुअल अवस्था पर एक प्रोपोर्शनल-डेरिवेटिव (PD) सुधार लागू किया जाता है। महत्वपूर्ण रूप से, नियंत्रण गेन ( $K_p, K_d$ ) समय-निर्भर होते हैं; यदि आउटेज की अवधि लंबी है, तो इन्हें कम कर दिया जाता है ताकि वर्चुअल अवस्था के आक्रामक और अस्थिर "स्नैपिंग" (snapping) को रोका जा सके।
सैद्धांतिक सीमा (Theoretical Bound): लेखक एक परिमित-अंतराल त्रुटि सीमा प्रमाण (finite-interval error bound proof) प्रदान करते हैं जो यह दर्शाता है कि यदि कंट्रोल मिसमैच सीमित है, तो सिंक्रोनाइज़ेशन त्रुटि तुरंत विचलन (diverge) होने के बजाय समय के साथ रैखिक/द्विघात (linearly/quadratically) रूप से बढ़ती है।

3. मुख्य योगदान (Key Contributions)

लाइव-करेक्टेड वर्चुअल ट्विन: लाइव टेलीमेट्री और सीन पैचेस के माध्यम से अपडेट किया जाने वाला एक उच्च-सटीकता वाला ट्विन, जो मैनुअल सेटअप को कम करता है और संचालन के दौरान संरेखण बनाए रखता है।
बैंडविड्थ-अनुकूली ROS ब्रिज: AuroraXR फ्रेमवर्क का एक विस्तार जो प्राथमिकता-आधारित टॉपिक शेड्यूलिंग और डायनेमिक रनटाइम डिस्कवरी को लागू करता है, जिससे यह सुनिश्चित होता है कि तनाव के दौरान भी महत्वपूर्ण डेटा पहुँच सके।
प्रेडिक्टर-करैक्टर सिंक्रोनाइज़ेशन: मॉडल-आधारित प्रोपेगेशन के साथ अनुकूली PD सुधार को संयोजित करने वाला एक अभिनव पाइपलाइन, जो संचार अंतराल के दौरान सिंक्रोनाइज़ेशन त्रुटि को सीमित रखने के लिए सिद्ध है।
मल्टी-मेट्रिक रनटाइम एडैप्टेशन: एक कॉस्ट फंक्शन (MMCF) जो मिशन की जरूरतों के आधार पर लेटेंसी, विश्वसनीयता और संसाधन उपयोग को संतुलित करने के लिए संचार व्यवहार (कम्प्रेशन, डाउनसैंपलिंग) को स्वचालित रूप से ट्यून करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिस्टम का मूल्यांकन एक क्रॉस-रियलिटी नेविगेशन कार्य में किया गया जिसमें एक भौतिक Clearpath रोबोट और एक Unity-आधारित वर्चुअल ट्विन शामिल था, जिसमें सिम्युलेटेड नेटवर्क बाधाएं लागू थीं।

सिंक्रोनाइज़ेशन सटीकता (Synchronization Accuracy):
- मध्यम विलंबता और पैकेट लॉस के तहत, SERN ने < 5 सेमी पोजीशनल एरर और < 2° रोटेशनल एरर बनाए रखा।
- 30 सेकंड के संचार ब्लैकआउट के दौरान, SERN ट्विन केवल ~5 सेमी विचलित हुआ, जबकि एक बेसलाइन "करेक्शन-ओनली" सिस्टम (बिना प्रेडिक्शन के) > 20 सेमी विचलित हुआ।
संचार दक्षता (Communication Efficiency):
- एक मानक ROS सेटअप की तुलना में, SERN ने एंड-टू-एंड मैसेज लेटेंसी में 15–25% की कमी की।
- प्रोसेसिंग लोड (CPU/Memory) लगभग 15% कम हो गया।
नेविगेशन प्रदर्शन (Navigation Performance):
- सफलता दर (Success Rate): SERN ने 95% सफलता प्राप्त की, जबकि "Real Only" के लिए 85% और "Sim Only" के लिए 70% थी।
- दक्षता (Efficiency): SERN के परिणामस्वरूप लक्ष्य तक पहुँचने का समय सबसे कम और ऑपरेटर हस्तक्षेप सबसे कम रहा (0.4 बनाम Real Only के लिए 1.3)।
- मजबूती (Robustness): सिस्टम ने विसंगतियों (जैसे, वर्चुअल लॉग्स द्वारा स्पष्ट वास्तविक पुल को ब्लॉक करना) को सफलतापूर्वक संभाला, जो वास्तविक सेंसर डेटा के साथ वर्चुअल भविष्यवाणियों की जांच करके, सुरक्षा के लिए वास्तविक डेटा को प्राथमिकता देता है।
कॉस्ट फंक्शन प्रभावशीलता (Cost Function Effectiveness): MMCF पॉलिसी ने टेलीऑपरेशन और मैपिंग दोनों परिदृश्यों में फिक्स्ड पॉलिसी (Fixed Throughput, Fixed Reliability) की तुलना में लगातार बेहतर प्रदर्शन किया, और सबसे कम कुल परिचालन लागत प्राप्त की।

5. महत्व और निष्कर्ष (Significance and Conclusion)

SERN यह प्रदर्शित करता है कि सिमुलेशन-एन्हांस्ड नेविगेशन क्षीण संचार वातावरण में भी व्यवहार्य है, बशर्ते कि क्रॉस-रियलिटी सिंक्रोनाइज़ेशन के लिए एक मजबूत तंत्र मौजूद हो।

व्यावहारिक प्रभाव: यह ऑपरेटरों को भौतिक सेंसिंग के सुरक्षा गारंटियों से समझौता किए बिना सिमुलेशन की "लुक-अहेड" क्षमताओं (जैसे, कोनों के चारों ओर देखना या इलाके का पूर्वानुमान लगाना) का लाभ उठाने की अनुमति देता है।
स्केलेबिलिटी: फ्रेमवर्क को गतिशील नेटवर्क संरचनाओं और बदलते बैंडविड्थ प्रतिबंधों को संभालने के लिए डिज़ाइन किया गया है, जो इसे दूरस्थ या विवादास्पद वातावरणों में मल्टी-रोबोट टीमों के लिए उपयुक्त बनाता है।
भविष्य का कार्य: लेखक तीव्र युद्धाभ्यास (sharp maneuvers) के दौरान त्रुटि सीमाओं के संबंध में सीमाओं का उल्लेख करते हैं और बड़े भौतिक रोबोट समूहों तथा अधिक विविध पर्यावरणीय स्थितियों में सत्यापन का विस्तार करने की योजना बना रहे हैं।

संक्षेप में, SERN सिमुलेशन के लचीलेपन और भौतिक रोबोटों की जमीनी वास्तविकता के बीच के अंतर को पाटता है, जिससे एक लचीला नेविगेशन सिस्टम बनता है जो नेटवर्क बाधाओं के अनुकूल बुद्धिमानी से ढल जाता है।