⚡ electrical engineering

Planning Human-Robot Co-manipulation with Human Motor Control Objectives and Multi-component Reaching Strategies

यह शोध पत्र एक मानव-रोबोट सह-हेरफेर (co-manipulation) नियोजन ढांचे का प्रस्ताव करता है जो अनिश्चित लक्ष्यों वाले सहयोगात्मक कार्यों के लिए अनुकूलनशील, मानव-समान प्रक्षेप पथ (trajectories) उत्पन्न करने हेतु गति-सटीकता और लागत-लाभ समझौतों पर आधारित मानव मोटर नियंत्रण मॉडलों को बहु-घटक पहुँच रणनीतियों के साथ एकीकृत करता है।

मूल लेखक: Kevin Haninger, Luka Peternel

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kevin Haninger, Luka Peternel

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 दोस्त के साथ मिलकर एक भारी, अजीब आकार की मेज उठाने की कोशिश कर रहे हैं। आप केवल अगल-बगल नहीं चल रहे हैं; आप एक टीम हैं। यदि आपका दोस्त अचानक अपने जूते के फीते बांधने के लिए रुक जाता है, तो आपको यह जानने की जरूरत है कि वह क्यों रुका है, ताकि आप मेज को गलत दिशा में न खींच लें। यदि वे बस पकड़ने के लिए अपनी गति बढ़ा देते हैं, तो आपको भी उनकी गति से तालमेल बिठाना होगा।

यह पेपर रोबोट्स को वही सटीक, सहज मित्र बनना सिखाने के बारे में है।

समस्या: रोबोट बहुत "कठोर" (Stiff) हैं

वर्तमान में, रोबोट सख्त निर्देशों का पालन करने में बेहतरीन हैं, लेकिन माहौल को समझने में बहुत खराब हैं।

पुराना तरीका: इंजीनियरों ने रोबोट्स को हजारों घंटों के वीडियो डेटा (मशीन लर्निंग) के जरिए सिखाने की कोशिश की। यह कार चलाने के लिए लाखों डैशकैम वीडियो देखने जैसा है; यह काम तो करता है, लेकिन यह धीमा और महंगा है, और अगर स्थिति थोड़ी सी भी बदल जाए तो रोबोट भ्रमित हो सकता है।
एक और तरीका: अन्य लोगों ने रोबोट्स को "एर्गोनोमिक" (आरामदायक) बनाने के लिए मानव मांसपेशियों और हड्डियों का मॉडल बनाने की कोशिश की। यह कार चलाने के तरीके को समझने के लिए उसके इंजन का अध्ययन करने जैसा है। यह आराम में मदद करता है, लेकिन यह रोबोट को यह नहीं बताता कि ड्राइवर कहाँ जाना चाहता है या वह वहाँ कैसे पहुँचने की योजना बना रहा है।

समाधान: गति का "मस्तिष्क" (The Brain of the Movement)

लेखकों, केविन और लुका ने मांसपेशियों को देखना बंद करने और इस पर ध्यान केंद्रित करने का निर्णय लिया कि मानव मस्तिष्क कैसे गति करने का निर्णय लेता है।

उन्होंने दो सरल, सार्वभौमिक नियमों का उपयोग किया जिनका पालन हर इंसान किसी चीज़ तक पहुँचते समय करता है:

गति बनाम सटीकता का समझौता (फित्स का नियम - Fitts' Law):
- उपमा: कल्पना कीजिए कि आप एक बाल्टी में गेंद फेंक रहे हैं।
- यदि बाल्टी बहुत बड़ी है (आसान लक्ष्य), तो आप गेंद को जितनी चाहें उतनी तेज़ी से फेंक सकते हैं।
- यदि बाल्टी बहुत छोटी है (कठिन लक्ष्य), तो आपको धीमा होना होगा और सावधानी से निशाना लगाना होगा।
- रोबोट का काम: केवल तेज़ चलने के बजाय, रोबट गणना करता है: "यदि इंसान एक छोटे, सटीक स्थान पर निशाना साध रहा है, तो मुझे धीमा और सावधान होना चाहिए। यदि वे एक बड़े क्षेत्र को निशाना बना रहे हैं, तो मैं गति बढ़ा सकता हूँ।"
प्रयास बनाम पुरस्कार का समझौता (Effort vs. Reward Trade-off):
- उपमा: कल्पना कीजिए कि आप फ्रिज तक जा रहे हैं।
- यदि आप बहुत धीरे चलते हैं, तो आप समय बर्बाद करते हैं (कम पुरस्कार)। यदि आप दौड़ते हैं, तो आप बहुत अधिक ऊर्जा खर्च करते हैं (उच्च लागत)।
- रोबोट का काम: रोबोट सीखता है कि इंसान "गोल्डिलॉक्स" (Goldilocks) गति खोजने की कोशिश करते हैं—न बहुत धीमी, न बहुत तेज़—ताकि कम से कम ऊर्जा बर्बाद करके काम पूरा किया जा सके।

गुप्त मंत्र: "दो-चरणों वाला नृत्य" (The Two-Step Dance)

इंसान आमतौर पर एक सीधी रेखा में नहीं चलते। हम एक दो-चरणीय नृत्य करते हैं:

टेक-ऑफ (Ballistic/प्रक्षेप्य): हम अपने हाथ को लक्ष्य के करीब लाने के लिए तेजी से आगे बढ़ाते हैं। यह थोड़ा अनियंत्रित और अपरिष्कृत होता है।
लैंडिंग (Corrective/सुधारात्मक): एक बार जब हम करीब पहुँच जाते हैं, तो हम धीमे हो जाते हैं और सूक्ष्म, सटीक समायोजन करते हैं।

लेखकों ने रोबोट को यह अनुमान लगाने के लिए प्रशिक्षित किया कि इंसान ठीक कब "टेक-ऑफ" से "लैंडिंग" की ओर स्विच करेगा। यह महत्वपूर्ण है क्योंकि यह रोबोट को बताता है कि उसे कब नियंत्रण संभालना है और कब इंसान को कमान सौंपनी है।

उन्होंने इसका परीक्षण कैसे किया (वास्तविक दुनिया का जादू)

उन्होंने एक रोबोटिक हाथ बनाया और इसे दो परिदृश्यों में परखा:

परिदृश्य 1: "समकालिक चाल" (The Synchronized Walk)

कार्य: एक इंसान और रोबोट मिलकर एक वस्तु ले जा रहे हैं। रोबोट जानता है कि ऊंचाई (Z-अक्ष) स्थिर है, लेकिन इंसान को बाएं या दाएं मुड़ने के लिए (X-Y प्लेन में) दिशा निर्देश देने की आवश्यकता है क्योंकि गंतव्य बदल सकता है।
परिणाम: रोबोट ने इंसान की गति के पहले कुछ सेकंड देखे, अनुमान लगाया कि वे कहाँ जा रहे हैं, और फिर उनकी गति और लय से पूरी तरह मेल खा गया। उसने इंसान से मुकाबला नहीं किया; बल्कि वह उनके साथ सहजता से बहता रहा, जिससे एक सुचारू गति बनी।

परिदृश्य 2: "हैंडओवर" (The Handover)

कार्य: रोबोट को एक वस्तु को तेजी से एक सामान्य क्षेत्र तक ले जाने की आवश्यकता है, लेकिन एक इंसान को अंतिम, नाजुक प्लेसमेंट (सही जगह रखने) की आवश्यकता है।
परिणाम: रोबोट ने वस्तु को तेजी से घुमाया (द "ब्लास्ट-ऑफ")। फिर, अपने मस्तिष्क मॉडल का उपयोग करते हुए, उसे एहसास हुआ, "आह, हम लक्ष्य के करीब पहुँच रहे हैं; इंसान अब धीमा होने वाला है और नियंत्रण लेने वाला है।" उसने बिल्कुल सही क्षण पर नियंत्रण को इंसान को सौंप दिया, जिससे इंसान को बारीक काम करने की सुविधा मिली बिना रोबोट के बाधा डाले।

यह क्यों महत्वपूर्ण है

यह केवल रोबोट के बेहतर चलने के बारे में नहीं है; यह रोबोट्स को अनुमानित साथी (Predictable Partners) बनाने के बारे में है।

अब कोई अनुमान नहीं लगाना: रोबोट को यह पूछने की ज़रूरत नहीं है, "आप क्या कर रहे हैं?" वह मानव इरादे के भौतिक विज्ञान को समझता है।
कोई डेटा डंप नहीं: टेराबाइट्स के वीडियो डेटा की आवश्यकता के बजाय, रोबोट उस गणित का उपयोग करता है जो हमारे मस्तिष्क के स्वाभाविक रूप से काम करने के तरीके पर आधारित है।
सुरक्षा और प्रवाह: इंसान की गति से तालमेल बिठाकर और यह जानकर कि कब पीछे हटना है, रोबोट उस "खींचातानी" को रोकता है जो तब होती है जब एक रोबोट और इंसान एक ही वस्तु को हिलाने की कोशिश करते हैं।

संक्षेप में: लेखकों ने रोबोट को गति के लिए एक "मानव मस्तिष्क" दिया है। अब, जब आप एक रोबोट के साथ काम करेंगे, तो वह केवल आदेशों का पालन करने वाली मशीन नहीं होगी; वह एक ऐसा साथी होगा जो आपकी लय, आपके लक्ष्यों और आपकी सटीकता की आवश्यकता को समझता है।

यहाँ केविन हैनिंगर और लुका पेटर्नल के शोध पत्र "Planning Human-Robot Co-manipulation with Human Motor Control Objectives and Multi-component Reaching Strategies" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मानव-रोबोट सहयोग (Human-Robot Collaboration - HRC) के लिए रोबोट को वास्तविक समय में मानव इरादों और कार्यों के अनुकूल होने की आवश्यकता होती है। मौजूदा दृष्टिकोणों में महत्वपूर्ण सीमाएँ हैं:

मांसपेशी-कंकाल मॉडल (Musculoskeletal Models): एर्गोनॉमिक्स (थकान/टॉर्क को कम करने) के लिए प्रभावी हैं, लेकिन निम्न-स्तरीय कार्यक्षमता तक सीमित हैं और सामान्य व्यवहार भविष्यवाणी करने में सक्षम नहीं हैं।
डेटा-संचालित/मशीन लर्निंग मॉडल (Data-Driven/Machine Learning Models): (जैसे, इनवर्स रिइन्फोर्समेंट लर्निंग, गॉसियन प्रोसेस) भारी डेटासेट पर निर्भर करते हैं, जो अनुपलब्ध हो सकते हैं, एकत्र करना अव्यवहारिक हो सकता है, या नए परिदृश्यों के लिए सामान्यीकरण करने में सक्षम नहीं होते हैं।
अंतराल (Gap): ऐसे मानव मोटर नियंत्रण मॉडलों (human motor control models) की कमी है जो सामान्यीकरण योग्य व्यवहार अनुमान प्रदान कर सकें, रोबोट योजना (robot planning) में एकीकृत हो सकें, और गति-सटीकता (speed-accuracy) एवं लागत-लाभ (cost-benefit) जैसे मौलिक ट्रेड-ऑफ को ध्यान में रख सकें।

मुख्य समस्या एक ऐसा रोबोट प्लानिंग फ्रेमवर्क विकसित करना है जो मानव मोटर नियंत्रण के सिद्धांतों का उपयोग करके मानव प्रक्षेपपथ (trajectories) और इरादों की भविष्यवाणी कर सके, जिससे व्यापक प्रशिक्षण डेटा के बिना निर्बाध सिंक्रोनाइज़ेशन और अथॉरिटी हैंडओवर (authority handover) संभव हो सके।

2. कार्यप्रणाली (Methodology)

लेखक एक संख्यात्मक प्रक्षेपपथ अनुकूलन (numerical trajectory optimization) फ्रेमवर्क प्रस्तावित करते हैं जो मानव मोटर नियंत्रण सिद्धांतों को सीधे रोबोट के प्लानिंग कॉस्ट फंक्शन में समाहित करता है।

A. मानव मोटर नियंत्रण मॉडल (Human Motor Control Models)

यह फ्रेमवर्क दो प्रमुख सैद्धांतिक मॉडलों को एकीकृत करता है:

गति-सटीकता और लागत-लाभ ट्रेड-ऑफ (Speed-Accuracy and Cost-Benefit Trade-offs):
- यह फिट्स लॉ (Fitts' Law) और मेटाबॉलिक लागत न्यूनीकरण पर आधारित है।
- मानव प्रक्षेपपथ एक ऐसे ऑब्जेक्टिव फंक्शन $J$ को कम करता है जो लक्ष्य तक पहुँचने के लाभ (समय द्वारा डिस्काउंट किया गया) और मेटाबॉलिक लागत (जोड़ों के टॉर्क) के बीच संतुलन बनाता है।
- स्टोकेस्टिक डायनेमिक्स (Stochastic Dynamics): मॉडल न्यूरल शोर ( $\epsilon$ ) को ध्यान में रखता है जो मांसपेशियों की गतिविधि के साथ बढ़ता है, जिससे एक एकल नियत (deterministic) पथ के बजाय संभावित प्रक्षेपपथों का एक वितरण प्राप्त होता है।
- ऑब्जेक्टिव फंक्शन:
  $J(\tau(t)) = E \int_0^\infty \left( e^{-t/\gamma} R(q, g) - \nu \|\tau(t)\|^2 \right) dt$
  जहाँ $R$ लक्ष्य तक पहुँचने का रिवॉर्ड है, $\gamma$ एक टाइम डिस्काउंट फैक्टर है, और $\nu$ मेटाबॉलिक लागत को भारित (weight) करता है।
बहु-घटक रीचिंग रणनीति (Multi-Component Reaching Strategy):
- मानव रीचिंग को दो चरणों के रूप में मॉडल किया गया है: एक प्रारंभिक बैलिस्टिक (ballistic) उप-गति (तेज, कम सटीक) और एक अंतिम सुधारात्मक (corrective) उप-गति (धीमी, सटीक)।
- एक ट्रांज़िशन पॉइंट (transition point) की भविष्यवाणी एक गॉसियन प्रोसेस रिग्रेशन मॉडल का उपयोग करके की जाती है, जिसे अनुभवजन्य डेटा पर प्रशिक्षित किया गया है। यह बिंदु लक्ष्य की दूरी और चौड़ाई (कठिनाई) पर निर्भर करता है।
- इस मॉडल का उपयोग यह निर्धारित करने के लिए किया जाता है कि मानव स्वाभाविक रूप से "लीड" भूमिका से "फाइन-ट्यूनिंग" भूमिका में कब बदलेगा।

B. संख्यात्मक अनुकूलन सूत्रीकरण (Numerical Optimization Formulation)

इन निरंतर मॉडलों को रोबोट प्लानिंग के लिए व्यावहारिक बनाने के लिए:

विविक्तिकरण (Discretization): निरंतर डायनेमिक्स को लीनियर किया गया है और फॉरवर्ड यूलर इंटीग्रेशन का उपयोग करके विविक्त (discretize) किया गया है।
स्टेट प्रतिनिधित्व (State Representation): मानव अवस्था को शोर को संभालने के लिए एक गॉसियन वितरण $s \sim N(\mu, \Sigma)$ के रूप में माना जाता है।
रिवॉर्ड सन्निकटन (Reward Approximation): बाइनरी गोल इंडिकेटर को एक स्मूथ, डिफरेंशिएबल प्रोबेबिलिटी फंक्शन (गॉसियन कर्नेल) से बदल दिया गया है, जिससे स्टेट डिस्ट्रीब्यूशन पर क्लोज्ड-फॉर्म एक्सपेक्टेशन संभव हो सके।
प्लानिंग (Planning): रोबोट एक ऑप्टिमल कंट्रोल समस्या को हल करता है ताकि मानव जैसे कॉस्ट फंक्शन को कम किया जा सके, जिससे ऐसे प्रक्षेपपथ उत्पन्न होते हैं जो मानव की गति, त्वरण और शोर विशेषताओं की नकल करते हैं।

C. सहयोगात्मक अनुप्रयोग (Collaborative Applications)

इस फ्रेमवर्क को दो विशिष्ट HRC परिदृश्यों में लागू किया गया है:

को-मैनिपुलेशन सिंक्रोनाइज़ेशन (Co-manipulation Synchronization): रोबोट मानव के प्रक्षेपपथ की वास्तविक समय में भविष्यवाणी करता है (आंशिक गति का उपयोग करके) ताकि अपने मोशन को सिंक्रोनाइज़ किया जा सके, वेग प्रोफाइल और आगमन समय से मेल खा सके।
अथॉरिटी हैंडओवर (Authority Handover): रोबोट कार्य के प्रारंभिक बैलिस्टिक चरण का नेतृत्व करता है। मल्टी-कंपोनेंट मॉडल का उपयोग करके, यह उस ट्रांज़िशन पॉइंट की भविष्यवाणी करता है जहाँ मानव स्वाभाविक रूप से सुधारात्मक गति शुरू करेगा। इस बिंदु पर, रोबोट नियंत्रण छोड़ देता है (जीरो स्टिफनेस) ताकि मानव फाइन पोजिशनिंग के लिए नियंत्रण ले सके।

3. मुख्य योगदान (Key Contributions)

एकीकृत मोटर कंट्रोल मॉडल: सहयोगात्मक गतिविधियों के लिए यूनिफाइड स्पीड-एक्यूरेसी और कॉस्ट-बेनिफिट ट्रेड-ऑफ को एक रोबोट प्लैनर में एकीकृत करने वाला पहला कार्य।
बहु-घटक रणनीति एकीकरण: अनुकूलतम अथॉरिटी हैंडओवर बिंदुओं को निर्धारित करने के लिए बैलिस्टिक/सुधारात्मक मूवमेंट स्प्लिटिंग को शामिल करना।
गोल इन्फरेंस सिस्टम: देखे गए आंशिक मोशन के साथ ऑप्टिमाइजेशन समस्या को बाधित (constrain) करके मानव के शेष प्रक्षेपपथ और लक्ष्य स्थान का अनुमान लगाने की विधि।
वैलिडेशन: दृष्टिकोण को फिट्स लॉ, वेलोसिटी प्रोफाइल एसिमेट्री और डिस्पर्सन विशेषताओं के विरुद्ध मान्य किया गया है, जो मानव मोटर कंट्रोल साहित्य के प्रति उच्च निष्ठा (fidelity) दिखाता है।

4. परिणाम (Results)

सिस्टम को कंप्यूटेशनल सिमुलेशन और इलेक्ट्रॉनिक्स असेंबली कार्य में एक फ्रंका एमिका (Franka Emika) रोबोटिक आर्म का उपयोग करके भौतिक प्रयोगों के माध्यम से मान्य किया गया।

मॉडल फिडेलिटी (O1):
- उत्पन्न प्रक्षेपपथों ने सफलतापूर्वक स्पीड-एक्यूरेसी ट्रेड-ऑफ को पुनरुत्पादित किया: बड़े/छोटे लक्ष्यों के लिए गति तेज थी और छोटे/दूर के लक्ष्यों के लिए धीमी थी।
- वेलोसिटी प्रोफाइल्स: मॉडल ने टेम्पोरल एसिमेट्रिक वेलोसिटी पीक्स (मूवमेंट के शुरुआती हिस्से में पीक वेलोसिटी) उत्पन्न किए, जो मानव गति की एक विशेषता है जिसे अक्सर मिनिमम-जर्क मॉडल्स द्वारा मिस कर दिया जाता है।
- कॉस्ट-बेनिफिट: मॉडल ने समय/ऊर्जा को कम करने के लिए लक्ष्य को "मिस" करने की एक छोटी संभावना की अनुमति दी, जो मानव जोखिम लेने वाले व्यवहार से मेल खाता है।
को-मैनिपुलेशन सिंक्रोनाइज़ेशन (O3):
- उन प्रयोगों में जहाँ रोबोट और मानव मिलकर एक वस्तु को हिला रहे थे, रोबोट ने अपने मोशन को मानव के साथ सफलतापूर्वक सिंक्रोनाइज़ किया।
- रोबोट ने वास्तविक समय में विभिन्न लक्ष्य दूरियों और दिशाओं के अनुकूल खुद को ढाला।
- रोबोट के वेलोसिटी प्रोफाइल मानव प्रोफाइल से बारीकी से मेल खाते थे, जिससे मोशन संघर्ष और इंटरैक्शन फोर्स कम हो गए।
अथॉरिटी हैंडओवर (O2):
- रोबोट ने बैलिस्टिक और करेक्टिव चरणों के बीच ट्रांज़िशन पॉइंट को सफलतापूर्वक पहचाना।
- प्रयोगात्मक डेटा ने दिखाया कि ट्रांज़िशन अधिकतम पोजीशन डिस्पर्सन (जैसा कि मॉडल द्वारा भविष्यवाणी की गई थी) के पास हुआ।
- हैंडओवर सुचारू था, जिसमें वेलोसिटी में कोई अचानक उछाल नहीं था, जिससे मानव को फाइन पोजिशनिंग के लिए सहजता से नियंत्रण लेने में मदद मिली।

5. महत्व (Significance)

सिद्धांत-आधारित बनाम डेटा-संचालित: यह कार्य प्रदर्शित करता है कि रोबोट विशाल डेटासेट के बिना, स्थापित न्यूरोसाइंस सिद्धांतों (मोटर कंट्रोल थ्योरी) का लाभ उठाकर मानव जैसी अनुकूलन क्षमता प्राप्त कर सकते हैं।
प्राकृतिक इंटरैक्शन: मानव शोर, गति और रणनीति (बैलिस्टिक बनाम सुधारात्मक) की नकल करके, रोबोट का व्यवहार अधिक "पठनीय" (legible) और अनुमानित हो जाता है, जिससे संज्ञानात्मक भार (cognitive load) कम होता है।
मजबूती (Robustness): यह दृष्टिकोण लक्ष्य स्थान और विभिन्न कार्य कठिनाइयों (दूरी/चौड़ाई) के प्रति अनिश्चितता को प्रभावी ढंग से संभालता है, जिससे यह असेंबली लाइनों जैसे गतिशील औद्योगिक वातावरण के लिए उपयुक्त बनता है।
भविष्य का प्रभाव: यह फ्रेमवर्क अधिक सहज HRC सिस्टम के लिए एक आधार प्रदान करता है जहाँ रोबट मानव की जरूरतों का अनुमान लगा सकते हैं और अपनी कंट्रोल अथॉरिटी को गतिशील रूप से अनुकूलित कर सकते हैं, जो सरल प्री-प्रोग्राम्ड पाथ या रिएक्टिव इम्पीडेंस कंट्रोल से आगे जाता है।

सीमाएँ और भविष्य का कार्य:
वर्तमान मॉडल पॉइंट-टू-पॉइंट मोशन तक सीमित हैं और जटिल इंटरैक्शन डायनेमिक्स को पूरी तरह से ध्यान में नहीं रखते हैं। वर्तमान नॉन-लीनियर सॉल्वर 1 सेकंड से अधिक समय लेता है (हालांकि लीनियर संस्करण तेज़ हैं), और मापदंडों (parameters) को ट्यून करने की आवश्यकता है। भविष्य के कार्य में व्यक्तिपरक धारणाओं का आकलन करने के लिए यूजर स्टडीज और निरंतर इंटरैक्शन डायनेमिक्स के लिए मॉडलों का विस्तार करना शामिल है।