💻 computer science

Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control

यह शोध पत्र एक कुशल और सटीक गैर-रेखीय प्रोग्रामिंग ढांचे को प्रस्तुत करता है जो जटिल समस्याओं जैसे कि एंड-इफ़ेक्टर और ग्रैस्प चयन को एक साथ हल करने के लिए भारी मिश्रित-पूर्णांक गणनाओं पर निर्भर किए बिना, स्पार्स संरचनाओं और $\ell_0$ -नॉर्म का लाभ उठाकर पदानुक्रमित निर्णय लेने को इन्वर्स काइनेमैटिक प्लानिंग और कंट्रोल के साथ एकीकृत करता है।

मूल लेखक: Kai Pfeiffer, Quan Zhang, Yuqing Chen, Gordon Boateng, Yuquan Wang, Vincent Bonnet, Aberrahmane Kheddar

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kai Pfeiffer, Quan Zhang, Yuqing Chen, Gordon Boateng, Yuquan Wang, Vincent Bonnet, Aberrahmane Kheddar

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 बहुत ही लचीले, बहु-भुजा वाले रोबोट जहाज के कप्तान हैं। आपका काम एक व्यस्त बंदरगाह में नेविगेट करना, विशिष्ट क्रेट्स (crates) को उठाना और उन्हें एक कन्वेयर बेल्ट पर रखना है। लेकिन इसमें एक पेंच है: बंदरगाह अराजक है, क्रेट्स हिल रहे हैं, और आपके रोबोट के पास मानव उंगलियों की तुलना में अधिक जोड़ (कोहनी, कंधे, कलाई) हैं।

आप जिस पेपर के बारे में पूछ रहे हैं, वह इस रोबोट के लिए एक नया "मस्तिष्क" पेश करता है। आइए इसे स्मार्ट कैप्टन का लॉग (Smart Captain's Log) कहें।

पुराना तरीका: अभिभूत हो गया कप्तान

पहले, इस तरह के काम करने वाले रोबोटों के सामने दो मुख्य समस्याएं थीं:

"बहुत अधिक विकल्प" वाली समस्या: कल्पना कीजिए कि आपको 200 क्रेट्स के ढेर में से एक क्रेट उठाना है। पुराना रोबोट एक साथ हर एक क्रेट तक पहुँचने के लिए सबसे सटीक रास्ता खोजने की कोशिश करेगा, या वह अंदाजे से काम करेगा। इसमें बहुत समय लगता था, जैसे किसी विशेष वाक्य को खोजने के लिए लाइब्रेरी की हर किताब को पढ़ने की कोशिश करना।
"समझौता" वाली समस्या: कभी-कभी, रोबोट को एक ऊंचे शेल्फ या एक निचले शेल्फ तक पहुँचने के बीच चुनाव करना पड़ता था। पुराने तरीके दोनों लक्ष्यों के बीच में कहीं पहुँचने की कोशिश करते थे, जिसके परिणामस्वरूप एक अजीब और भद्दा पोज़ बनता था जो न तो ऊंचे शेल्फ और न ही निचले शेल्फ के लक्ष्य को पूरी तरह से संतुष्ट कर पाता था।

नया तरीका: "स्मार्ट कैप्टन का लॉग" (SH-NLP)

लेखकों ने एक नया फ्रेमवर्क बनाया है जिसे स्पार्स हिएरार्किकल नॉन-लीनियर प्रोग्रामिंग (Sparse Hierarchical Non-Linear Programming) कहा जाता है। यह बोलने में थोड़ा कठिन है, तो आइए एक उपमा (analogy) से इसे समझते हैं।

रोबोट के कार्यों को एक नोटबुक में लिखी गई प्राथमिकता सूची (Priority List) के रूप में सोचें।

स्तर 1 (शीर्ष प्राथमिकता): "दीवार से न टकराएं।"
स्तर 2: "अपना संतुलन बनाए रखें ताकि आप गिर न जाएं।"
स्तर 3: "200 उम्मीदवारों की सूची में से एक विशिष्ट क्रेट उठाएं।"
स्तर 4: "ऊर्जा बचाने के लिए कम से कम जोड़ों का उपयोग करें।"

इस नए सिस्टम का जादू यह है कि यह स्तर 3 को कैसे संभालता है। सभी 200 क्रेट्स तक पहुँचने के बजाय, यह एक विशेष गणितीय ट्रिक (जिसे $\ell_0$ -norm कहा जाता है) का उपयोग करता है जो एक लेजर पॉइंटर की तरह काम करता है। यह तुरंत कहता है, "ठीक है, मैं उन सभी तक नहीं पहुँच सकता। मैं ठीक एक को चुनूंगा जो काम करता है और बाकी 199 को पूरी तरह से अनदेखा कर दूंगा।"

यह कैसे काम करता है: "फ़िल्टर" और "शॉर्टकट"

1. "फ़िल्थर" (श्रेणीबद्ध निर्णय लेना)
कल्पना कीजिए कि आप एक यात्रा के लिए पैकिंग कर रहे हैं। आपके पास उन चीजों की एक सूची है जिन्हें आपको जरूर साथ लाना है (पासपोर्ट, जूते) और चीजें भी हैं जिन्हें आप शायद ला सकते हैं (एक टोपी, एक किताब)।

पुराना रोबोट: सब कुछ पैक करने की कोशिश करता है, भ्रमित हो जाता है और अंत में एक अस्त-व्यस्त सूटकेस बनाता है।
नया रोबोट: यह "जरूरी" सूची को पहले देखता है। एक बार जब पासपोर्ट अंदर आ जाता है, तो यह उस निर्णय को लॉक कर देता है। फिर यह "शायद" वाली सूची को देखता है। यह एक टोपी और एक किताब चुनता है, बाकी सबको अनदेखा कर देता है। यह दोनों के बीच का औसत निकालने की कोशिश नहीं करता; यह एक स्पष्ट और सटीक निर्णय लेता है।

2. "शॉर्टकट" (स्पार्स ऑप्टिमाइज़ेशन)
गणित में, यह कहने और बीच का अंतर है कि "मैं सभी लक्ष्यों के करीब रहना चाहता हूँ" (जो कठिन और धीमा है) और "मैं एक लक्ष्य को पूरी तरह से हिट करना चाहता हूँ" (जो तेज़ है)।
नया सिस्टम एक स्पार्स सॉल्वर (Sparse Solver) का उपयोग करता है। इसे एक अंधेरे कमरे में स्पॉटलाइट की तरह समझें। पूरे कमरे को रोशन करने के बजाय (हर संभावना की गणना करने के बजाय), स्पॉटलाइट केवल उसी एक वस्तु पर चमकती है जिसे आपको पकड़ना है। यह रोबोट को अविश्वसनीय रूप से तेज़ बनाता है, भले ही हजारों वस्तुएं चुनने के लिए उपलब्ध हों।

पेपर से वास्तविक दुनिया के उदाहरण

"पिक-एंड-प्लेस" गेम: कल्पना कीजिए कि एक कन्वेयर बेल्ट पर 100 अलग-अलग नट और बोल्ट वाला एक रोबोटिक हाथ है। रोबोट को एक विशिष्ट नट पकड़ना है। पुराना तरीका गणना करने में सेकंडों का समय ले सकता है। नया तरीका मिलीसेकंड में ऐसा करता है, तुरंत निर्णय लेते हुए, "मैं स्थिति संख्या #42 वाला नट पकड़ूंगा," और बाकी 99 को अनदेखा कर देता है।
"ह्यूमनॉइड डांसर": कल्पना कीजिए कि एक रोबोट के दो हाथ और दो पैर हैं (इंसान की तरह)। उसे संतुलन बनाए रखने के लिए फर्श पर 200 संभावित स्थानों में से एक पर कदम रखने की आवश्यकता है, जबकि साथ ही अपने हाथ से एक कप पकड़ना है। नया सिस्टम पैर रखने की जगह और हाथ की पकड़ दोनों को एक साथ कैलकुलेट करता है, जिससे यह सुनिश्चित होता है कि रोबट लड़खड़ाए नहीं या कप न गिराए।
"बॉक्स ग्रैबर": एक रोबोट को एक बॉक्स दिया जाता है जो बेतरतीब ढंग से घूम रहा है। उसे दो हाथों से उसे पकड़ना है। सिस्टम तुरंत गणना करता है, "ठीक है, बायां हाथ उत्तर दिशा को पकड़ेगा और दायां हाथ दक्षिण दिशा को पकड़ेगा," भले ही बॉक्स हिल रहा हो। यह यह निर्णय बॉक्स के हिलने के दौरान लेता है, न कि पहले।

यह क्यों महत्वपूर्ण है

यह केवल तेज़ होने के बारे में नहीं है; यह अधिक स्मार्ट और मानव जैसा होने के बारे में है।

दक्षता (Efficiency): यह कम कंप्यूटर संसाधनों का उपयोग करता है, जिसका अर्थ है कि रोबोट सस्ते हो सकते हैं और छोटी बैटरी पर चल सकते हैं।
विश्वसनीयता (Reliability): यह असंभव गणितीय समस्याओं को हल करने में फंसकर नहीं रुकता। यदि कोई स्थान पहुंच से बाहर है, तो यह बिना घबराए तुरंत अगले सबसे अच्छे विकल्प पर स्विच कर जाता है।
बहुमुखी प्रतिभा (Versatility): यह जटिल कार्यों को संभाल सकता है जैसे कचरा छांटना, कारों को असेंबल करना, या अस्पतालों में मनुष्यों की मदद करना, जहाँ वातावरण हर सेकंड बदलता रहता है।

निचोड़ (The Bottom Line)

यह पेपर रोबोट्स को एक नया प्रकार का "सहज ज्ञान" (intuition) देता है। हर चीज़ में एक साथ परफेक्ट होने की कोशिश करने के बजाय, रोबोट तीक्ष्ण, प्राथमिकता वाले निर्णय लेना सीखता है। यह कहता है, "मैं सबसे महत्वपूर्ण चीज़ पर ध्यान केंद्रित करूँगा, एक विशाल सूची में से सबसे अच्छा एकल विकल्प चुनूँगा, और शोर (noise) को अनदेखा कर दूँगा।"

यह एक ऐसे रोबोट के बीच का अंतर है जो हर संभावित चाल के बारे में सोचने के दौरान जम जाता है, और एक ऐसे रोबोट के बीच का अंतर है जो एक आती हुई गेंद को देखता है, तुरंत उसे पकड़ने के लिए सबसे अच्छी जगह चुनता है, और इसे एक सहज, मानव जैसी गति के साथ करता है।

यहाँ शोध पत्र "Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रोबोटिक्स में अक्सर मोशन प्लानिंग और कंट्रोल के साथ निर्णय लेने की प्रक्रिया (decision-making) को एकीकृत करने की आवश्यकता होती है, जैसे कि:

रेडंडेंट सिस्टम्स (redundant systems) में सक्रिय जोड़ों (active joints) के न्यूनतम सेट का चयन करना (स्पार्स कंट्रोल)।
बड़ी संख्या में उम्मीदवारों के सेट में से एक एकल डिस्क्रीट एंड-इफ़ेक्टर लोकेशन चुनना (जैसे, कई वस्तुओं में से एक को उठाना, या कई संभावित फुटहोल्ड्स में से एक पर पैर रखना)।

वर्तमान सीमाएँ:

मिक्स्ड-इंटिजर नॉन-लीनियर प्रोग्रामिंग (MINLP): हालांकि ये वैश्विक इष्टतमता (global optimality) के लिए सक्षम हैं, लेकिन ये वास्तविक समय के नियंत्रण (real-time control) के लिए गणनात्मक रूप से अत्यधिक कठिन हैं।
$\ell_1$ -नॉर्म रिलैक्सेशन (Relaxations): कुशल स्पार्स विधियाँ अक्सर $\ell_1$ -नॉर्म सन्निकटन (approximations) का उपयोग करती हैं। हालाँकि, इनसे त्रुटियाँ हो सकती हैं (जैसे, एंड-इफ़ेक्टर्स का अनावश्यक आवंटन) और ये वास्तविक स्पर्सिटी (शून्य प्रविष्टियों की संख्या को अधिकतम करना) प्राप्त करने में विफल रहती हैं।
चिंताओं का पृथक्करण (Separation of Concerns): कई दृष्टिकोण निर्णय लेने (रीचेबिलिटी एप्रोक्सिमेशन) को इनवर्स किनेमैटिक्स (IK) से अलग करते हैं। इससे यह जोखिम रहता है कि चुने गए स्थान सैद्धांतिक रूप से सुलभ (reachable) तो हो सकते हैं, लेकिन पूर्ण-शरीर IK हल करते समय किनेमैटिक रूप से असंभव हो सकते हैं, या वे अत्यधिक रूढ़िवादी (conservative) हो सकते हैं।
नॉन-लीनियर सॉल्वर का अभाव: मौजूदा स्पार्स सॉल्वर अक्सर रैखिक सन्निकटन पर निर्भर करते हैं या उनमें उन रोबस्ट ग्लोबलाइजेशन तकनीकों (जैसे फ़िल्टर मेथड्स) की कमी होती है जो नॉन-लीनियर पदानुक्रमित (hierarchical) समस्याओं के लिए आवश्यक हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नया फ्रेमवर्क प्रस्तावित करते हैं जिसे स्पार्स हिएरार्किकल नॉन-लीनियर प्रोग्रामिंग (SH-NLP) और एक संबंधित सॉल्वर, सीक्वेंशियल स्पार्स हिएरार्किकल क्वाड्रेटिक प्रोग्रामिंग (S-SHQP) कहा जाता है।

A. गणितीय सूत्रीकरण (Mathematical Formulation - SH-NLP)

समस्या को प्रत्येक पदानुक्रमित प्राथमिकता स्तर $l$ पर बाधा उल्लंघन (constraint violations) के $\ell_0$ -नॉर्म (गैर-शून्य तत्वों की गणना) को कम करने के रूप में तैयार किया गया है।

उद्देश्य (Objective): प्रत्येक प्राथमिकता स्तर $l$ पर $\|v_{C_l}\|_{\ell_0}$ को कम करना, जहाँ $v_{C_l}$ बाधा उल्लंघनों के लिए स्लैक वेरिएबल्स (slack variables) का प्रतिनिधित्व करता है।
सन्निकटन (Approximation): चूंकि $\ell_0$ मिनिमाइजेशन एक कॉम्बिनेटोरियल समस्या है, लेखक एक निरंतर लॉगरिदमिक सरोगेट (continuous logarithmic surrogate): $\sum \log(t + \xi)$ का उपयोग करते हैं। यह गैर-शून्य प्रविष्टियों को भारी दंड (penalize) देकर स्पर्सिटी को बढ़ावा देता है जबकि डिफरेंशिएबिलिटी बनाए रखता है।
पदानुक्रम (Hierarchy): बाधाओं को उच्चतम से निम्नतम प्राथमिकता क्रम में क्रमिक रूप से संसाधित किया जाता है। स्तर $l$ पर संतुष्ट बाधाएं स्तर $l+1$ के लिए निश्चित समानता बाधाएं (equality constraints) बन जाती हैं।

B. S-SHQP सॉल्वर

SH-NLP को हल करने के लिए, लेखकों ने एक सीक्वेंशियल क्वाड्रेटिक प्रोग्रामिंग दृष्टिकोण विकसित किया है:

उप-समस्या (Sub-problem - SHQP): प्रत्येक इटरेशन में, एक क्वाड्रेटिक प्रोग्रामिंग (QP) उप-समस्या को हल किया जाता है। मानक HLSP के विपरीत, इस उप-समस्या में $\ell_0$ सन्निकटन से प्राप्त रैखिक पद (linear terms) शामिल होते हैं।
नलस्पेस प्रोजेक्शन (Nullspace Projection): सॉल्वर समस्या को उच्च प्राथमिकता वाले सक्रिय बाधाओं के नलस्पेस में प्रोजेक्ट करता है, जिससे वेरिएबल्स की विमा (dimensionality) कम हो जाती है।
इंटिरियर-पॉइंट मेथड (NQP): एक कस्टम सॉल्वर जिसका नाम NQP है, विशेष रूप से SHQP की संरचना के लिए डिज़ाइन किया गया है।
- यह असमानता बाधाओं (inequality constraints) के लिए लॉग-बैरियर फंक्शन का उपयोग करता है।
- मुख्य प्रमेय (Key Theorem): लेखक सिद्ध करते हैं कि SHQP की विशिष्ट संरचना के लिए, सहायक वेरिएबल्स ( $\hat{t}$ ) और स्लैक वेरिएबल्स ( $\hat{v}$ ) के बीच एक सख्त संबंध ( $\hat{t} = |\hat{v}|$ ) होता है। यह निचले स्तर की उप-समस्याओं से सहायक वेरिएबल्स को हटाने की अनुमति देता है, जिससे मानक सॉल्वरों की तरह वेरिएबल्स का "कैस्केडिंग" प्रभाव नहीं होता है।
ग्लोबलाइजेशन (Globalization): सॉल्वर नॉन-लीनियर समस्याओं के लिए अभिसरण (convergence) सुनिश्चित करने के लिए एक हिएरार्किकल स्टेप फ़िल्टर (HSF) और ट्रस्ट-रीजन रणनीति का उपयोग करता है, जो इसे सरल स्थानीय रैखिक सॉल्वर्स से अलग बनाता है।

C. पदानुक्रमित निर्णय लेने की प्रक्रिया (Hierarchical Decision-Making Mechanism)

स्वायत्त चयन (Autonomous Selection): यह फ्रेमवर्क एक समूह (जैसे, 200 संभावित फुट प्लेसमेंट) में से एक व्यवहार्य उम्मीदवार चुनने की अनुमति देता है, जो एरर वेक्टर के $\ell_0$ -नॉर्म को कम करता है।
डबल एलोकेशन से बचना (Avoiding Double Allocation): एक विशिष्ट वेटिंग मैकेनिज्म ( $\hat{\omega}$ ) पेश किया गया है ताकि यह सुनिश्चित हो सके कि यदि कई समूह (जैसे, बायां और दायां हाथ) एक ही उम्मीदवारों के सेट के लिए प्रतिस्पर्धा कर रहे हैं, तो वे एक ही स्थान पर अभिसरित न हों।
न्यूटन विधि अनुकूलन (Newton's Method Adaptation): निचले प्राथमिकता स्तरों में सटीकता बनाए रखने के लिए, सॉल्वर बुद्धिमानी से यह तय करता है कि पूर्ण हेसियन (Newton step) को सक्रिय करना है या चयनित बाधाओं की व्यवहार्यता के आधार पर गौस-न्यूटन सन्निकटन का उपयोग करना है।

3. मुख्य योगदान (Key Contributions)

प्रथम स्पार्स नॉन-लीनियर सॉल्वर: यह पहला सॉल्वर है जो $\ell_1$ रिलैक्सेशन के बजाय वास्तविक $\ell_0$ -नॉर्म फॉर्मुलेशन का उपयोग करके रोबोटिक्स में नॉन-लीनियर पदानुक्रमित निर्णय लेने को संबोधित करता है।
एकीकृत प्लानिंग और कंट्रोल: यह फ्रेमवर्क प्लानिंग (SHIK-P) (एक प्रक्षेपवक्र/पोस्चर के लिए समाधान खोजना) और कंट्रोल (SHIK-C) (वास्तविक समय गति उत्पादन) को एक ही गणितीय सूत्र के भीतर एकीकृत करता है।
गणना दक्षता (Computational Efficiency): प्रस्तावित NQP सॉल्वर SHQP की विशिष्ट स्पार्स संरचना का लाभ उठाता है, जिससे स्पार्स बाधाओं की संख्या के संबंध में रैखिक स्केलिंग ( $O(n^2 m)$ ) प्राप्त होती है, जबकि MOSEK या PIPI जैसे मानक सॉल्वर्स की क्यूबिक स्केलिंग ( $O((n+m)^3)$ ) होती है।
सटीक रीचेबिलिटी (Exact Reachability): निर्णय लेने की प्रक्रिया के साथ पूरे-शरीर IK को एक साथ हल करके, यह विधि गारंटी देती है कि चयनित स्थान किनेमैटिक रूप से सुलभ हैं, जिससे रूढ़िवादी रीचेबिलिटी एप्रोक्सिमेशन की आवश्यकता समाप्त हो जाती है।

4. परिणाम और मूल्यांकन (Results and Evaluation)

फ्रेमवर्क का मूल्यांकन संख्यात्मक बेंचमार्क और वास्तविक दुनिया के रोबोटिक परिदृश्यों (UFactory xarm6 और Unitree G1 ह्यूमनॉइड) पर किया गया।

संख्यात्मक बेंचमार्क (Numerical Benchmarks): 10 टेस्ट फंक्शन्स (Rosenbrock सहित) के पदानुक्रम पर, S-SHQP ने सही ढंग से शून्य बाधाओं (व्यवहार्य समाधान) की पहचान की और अव्यवहार्य (infeasible) को हटा दिया, जो 71 इटरेशन में अभिसरित हुआ।
पिक-एंड-प्लेस (प्लानिंग - Pick-and-Place):
- IPOPT और NLOPT की तुलना में, S-SHQP ने 10-100 वस्तुओं के लिए < 5mm के निर्णय-निर्माण त्रुटि के साथ विश्वसनीय रूप से अभिसरण किया, जबकि अन्य सॉल्वर अभिसरण करने में विफल रहे या इटरेशन सीमा से बाहर निकल गए।
ह्यूमनॉइड प्लानिंग (SHIK-P):
- इसने 4 एंड-इफ़ेक्टर्स (हाथ/पैर) के लिए 200 संभावित स्थानों में से चयन करते हुए Unitree G1 रोबोट के लिए पोस्चर सफलतापूर्वक प्लान किए।
- गणना समय (Computation time): पूरे पदानुक्रम के लिए 0.17s।
- स्केलेबिलिटी: गणना समय ने बाधाओं की संख्या (1604 बाधाओं तक) के साथ एक रैखिक संबंध दिखाया, जो H-PIQP और H-MOSEK से काफी बेहतर प्रदर्शन करता है।
रियल-टाइम कंट्रोल (SHIK-C):
- मैनिपुलेटर (Manipulator): स्पार्स जॉइंट एक्टिवेशन (जहाँ संभव हो जोड़ों को शून्य रखने) के साथ 0.8 ms का कंट्रोल लूप समय प्राप्त किया।
- ह्यूमनॉइड (Humanoid): 100 गतिशील वस्तुओं वाले एक डायनेमिक कैचिंग परिदृश्य में, रोबोट ने $\ell_0$ -नॉर्म चयन का उपयोग करके 92/100 वस्तुओं के साथ सफलतापूर्वक इंटरैक्ट किया। इसके विपरीत, $\ell_1$ और $\ell_2$ फॉर्मुलेशन किसी भी वस्तु के संपर्क में आने में विफल रहे।
- गति (Speed): NQP ने प्रत्येक स्टेप को 1.6 ms में हल किया, जबकि H-PIPI ने 2.2 ms और H-MOSEK ने 8.3 ms लिया।

5. महत्व (Significance)

यह कार्य मॉडल-आधारित रोबोटिक्स कंट्रोल में एक बड़ा कदम है। नॉन-लीनियर इनवर्स किनेमैटिक्स में डिस्क्रीट निर्णय लेने को सीधे एकीकृत करके:

यह रोबोट को डायनेमिक वातावरण में (जो अक्सर अनुकूलतमता या सुरक्षा की गारंटी नहीं देते) ह्यूरिस्टिक प्री-प्लानिंग या रिइन्फोर्समेंट लर्निंग पर निर्भर रहने के बजाय जटिल, स्वायत्त कार्यों (जैसे सॉर्टिंग, ग्रैस्पिंग और लोकोमोशन) को करने में सक्षम बनाता है।
यह स्पार्स ऑप्टिमाइजेशन (दक्षता) और नॉन-लीनियर कंट्रोल (सटीकता) के बीच के अंतर को पाटता है, जिससे मानव जैसी, किफायती गति उत्पादन संभव होती है जहाँ रोबोट केवल आवश्यक डिग्री ऑफ फ्रीडम का उपयोग करता है।
इसकी रैखिक स्केलेबिलिटी इसे सैकड़ों डिस्क्रीट उम्मीदवारों वाले बड़े पैमाने की समस्याओं के लिए व्यवहार्य बनाती है, जो सहयोगी मल्टी-रोबोट सिस्टम और जटिल मैनिपुलेशन कार्यों के लिए नई संभावनाएं खोलती है।