तकनीकी सारांश: मानव प्राथमिकता अनिश्चितता के साथ मानव-रोबोट सह-परिवहन में पारस्परिक अनुकूलन

समस्या विवरण

यह शोध पत्र मानव-रोबोट सह-परिवहन (co-transportation) की चुनौतियों को संबोधित करता है, विशेष रूप से उन परिदृश्यों पर ध्यान केंद्रित करता है जहाँ एक मानव और एक रोबोट मिलकर किसी वस्तु को बाधाओं के बीच से लक्ष्य तक ले जाते हैं। मुख्य समस्या मानव प्राथमिकता मापदंडों (human preference parameters) की अनिश्चितता और अनुकूलन रणनीतियों को संतुलित करने की कठिनाई है।

पारंपरिक दृष्टिकोण अक्सर मानव व्यवहार को मॉडल करने के लिए निश्चित मापदंडों पर निर्भर करते हैं, जो व्यक्तिगत भिन्नताओं और जोखिम धारणा एवं दूरी संवेदनशीलता में उतार-चढ़ाव को समझने में विफल रहते हैं। इसके अलावा, मौजूदा सहयोग मॉडल अक्सर स्थिर, एक-बार की अंतःक्रियाओं या एक-दिशीय अनुकूलन (या तो रोबोट का मानव के प्रति अनुकूलन या मानव का रोबोट के प्रति अनुकूलन) पर ध्यान केंद्रित करते हैं, न कि विकसित होते वातावरण में गतिशील, पारस्परिक अनुकूलन पर। लेखक तीन विशिष्ट कमियों की पहचान करते हैं:

1. ऐसे मॉडलों का अभाव जो व्यक्तिपरक प्राथमिकता मापदंडों से उत्पन्न होने वाली मानव निर्णय लेने की अनिश्चितताओं को मात्रात्मक रूप से दर्शा सकें।
2. गतिशील भूमिका परिवर्तन (कि टीम का नेतृत्व कौन करेगा) के लिए तंत्र का अभाव, जो रोबोट की योजना के प्रति मानव के प्रतिरोध पर आधारित हो।
3. जब मानव नेतृत्व कर रहा हो, तो अनिश्चित मानव विकल्पों के प्रभाव को कम करने के लिए अपर्याप्त निम्न-स्तरीय नियंत्रण रणनीतियाँ।

कार्यप्रणाली (Methodology)

लेखक एक एकीकृत ढांचे का प्रस्ताव करते हैं जिसमें तीन परस्पर जुड़े हुए मॉड्यूल शामिल हैं, जिनमें से प्रत्येक मानव प्राथमिकता अनिश्चितता, पारस्परिक अनुकूलन और निम्न-स्तरीय नियंत्रण के संबंध में एक विशिष्ट परिकल्पना को संबोधित करता है।

1. पैरामीटर अनिश्चितता के साथ मानव प्राथमिकता मॉडल (H1)

निश्चित मानव मापदंडों को मानने के बजाय, लेखक मानव निर्णय लेने को एक संभाव्यता वितरण (probability distribution) के रूप में मॉडल करते हैं।

• व्यक्तिपरक लागत (Subjective Cost): वे प्रेलेक के संभाव्यता वेटिंग फंक्शन (जो जोखिम धारणा के लिए पैरामीटर $\gamma$ है) और स्टीवंस के पावर लॉ (जो दूरी धारणा के लिए पैरामीटर $\alpha$ है) के आधार पर एक व्यक्तिपरक लागत फलन $\hat{J}_o(\alpha, \gamma)$ को परिभाषित करते हैं।
• अनिश्चितता मॉडलिंग: $\alpha$ और $\gamma$ को स्वतंत्र चर के रूप में माना गया है जो समान वितरण (uniform distributions) का पालन करते हैं ($\alpha \sim U(0.55, 0.95)$, $\gamma \sim U(0.5, 1.1)$)।
• विकल्प वितरण: पैरामीटर स्पेस पर एकीकरण (integration) करके, मॉडल यह गणना करता है कि मानव द्वारा एक विशिष्ट पथ विकल्प $o$ चुनने की संभावना $P_o$ क्या है। यह पैरामीटर अनिश्चितता को एक विकल्प वितरण में बदल देता है, जिससे रोबोट एक एकल नियतात्मक पथ के बजाय मानव प्राथमिकताओं की एक श्रृंखला का पूर्वानुमान लगा सकता है।

2. समय-परिवर्तनीय हठ (Time-Varying Stubbornness) के माध्यम से सहकारी पथ नियोजन (H2)

रोबोट-नेतृत्व वाले और मानव-नेतृत्व वाले मोड के बीच संक्रमण को प्रबंधित करने के लिए, ढांचा एक समय-परिवर्तनीय हठ माप $\phi(k)$ पेश करता है।

• असुविधा का संचय: यह माप "असुविधा" $g(k)$ के संचय के आधार पर तेजी से बढ़ता है, जो तब होता है जब टीम की गति मानव की संभाव्य प्राथमिकताओं से विचलित होती है।
• मोड संक्रमण:
  • रोबोट-नेतृत्व मोड ($\phi(k) \le 1$): रोबोट एक ऐसा पथ चुनता है जो अपनी वस्तुनिष्ठ लागत और अनुमानित मानव व्यक्तिपरक लागत के बीच संतुलन बनाता है। जैसे-जैसे $\phi(k)$ का मान 1 की ओर बढ़ता है, मानव की लागत का भार बढ़ता जाता है।
  • मानव-नेतृत्व मोड ($\phi(k) > 1$): एक बार जब मानव का हठ एक सीमा (1) से अधिक हो जाता है, तो रोबोट नियंत्रण छोड़ देता है और मानव का अनुसरण करता है।
• गतिशील अनुकूलन: यह तंत्र टीम को रोबोट के मार्गदर्शन के साथ शुरू करने की अनुमति देता है, लेकिन यदि मानव लगातार रोबोट की योजना का विरोध करता है, तो यह मानव नेतृत्व में परिवर्तित हो जाता है, जिससे पारस्परिक अनुकूलन प्राप्त होता है।

3. पोज़ ऑप्टिमाइज़ेशन के माध्यम से निम्न-स्तरीय नियंत्रण (H3)

जब रोबोट मानव-नेतृत्व मोड में होता है, तो उसे सटीक पथ जाने बिना कई संभावित मानव विकल्पों के लिए तैयार रहना चाहिए।

• रिडंडेंसी रिज़ॉल्यूशन: रोबोट अपने मैनिपुलेटर आर्म की रेडंडेंसी (redundancy) का उपयोग करता है।
• संभाव्यता-आधारित पोज़ ऑप्टिमाइज़ेशन: सिस्टम सभी संभावित पथ विकल्पों में मॉडल प्रेडिक्टिव कंट्रोल (MPC) लागतों के संभाव्यता-भारित योग को न्यूनतम करने के लिए एक अनुकूलन समस्या को हल करता है।
• उद्देश्य: यह सक्रिय समायोजन सुनिश्चित करता है कि रोबोट अनुकूल किनेमैटिक कॉन्फ़िगरेशन बनाए रखे ताकि अप्रत्याशित स्विचों को संभाला जा सके, जिससे नियंत्रण प्रयास और ट्रैकिंग त्रुटियों को कम किया जा सके।

मुख्य योगदान

1. संभाव्यता आधारित मानव प्राथमिकता मॉडल: एक गणितीय ढांचा जो मानव जोखिम और दूरी धारणा मापदंडों की अनिश्चितताओं को कैप्चर करता है, जिससे निश्चित मूल्यों पर निर्भर रहने के बजाय मानव विकल्पों का संभाव्यता वितरण उत्पन्न होता है।
2. हठ के माध्यम से पारस्परिक अनुकूलन: एक समन्वय मॉडल जो समय-परिवर्तनीय हठ माप का उपयोग करके रोबोट-नेतृत्व और मानव-नेतृत्व मोड के बीच गतिशील रूप से संक्रमण करता है, जिससे टीम को समय के साथ मानव प्रतिरोध के अनुकूल होने में मदद मिलती है।
3. अनिश्चितता के लिए पोज़ ऑप्टिमाइज़ेशन: एक निम्न-स्तरीय नियंत्रण रणनीति जो मानव विकल्पों के संभाव्यता वितरण का उपयोग करके रोबोट के जॉइंट कॉन्फ़िगरेशन को अनुकूलित करती है, जिससे मानव-नेतृत्व वाले परिवहन के दौरान अनिश्चित मानव निर्णयों के प्रभाव को कम किया जा सके।

प्रयोगात्मक परिणाम

ढांचे को मानव प्रतिभागी अध्ययनों और सिमुलेशन के माध्यम से मान्य किया गया:

• H1 (वरीयता मॉडल) का सत्यापन: चार अलग-अलग बाधा वातावरणों में 20 प्रतिभागियों के साथ किए गए प्रयोगों ने दिखाया कि प्रस्तावित संभाव्यता मॉडल ने मनुष्यों द्वारा चुने गए पथ विकल्पों की रैंकिंग को सटीक रूप से कैप्चर किया। मॉडल ने सुरक्षित लेकिन लंबे पथों बनाम जोखिम भरे, छोटे पथों को चुनने की संभावना का सफलतापूर्वक पूर्वानुमान लगाया।
• H2 (पारस्परिक अनुकूलन) का सत्यापन: प्रस्तावित मोड-स्विचिंग तंत्र की तुलना एक निश्चित-मोड बेसलाइन (जहाँ रोबोट हमेशा नेतृत्व करता है या हमेशा अनुसरण करता है) के विरुद्ध किए गए सिमुलेशन ने दिखाया कि अनुकूलित दृष्टिकोण ने लगातार कम समग्र वस्तुनिष्ठ लागत प्राप्त की। परिणामों ने संकेत दिया कि रोबşt मानव को अधिक कुशल पथों की ओर सफलतापूर्वक निर्देशित कर सकता है, इससे पहले कि मानव पर्याप्त हठ दिखाने लगे जिससे मोड स्विच करने की आवश्यकता पड़े।
• H3 (पोज़ ऑप्टिमाइज़ेशन) का सत्यापन: विभिन्न पैरामीटर सेटिंग्स में सिमुलेशन परिणामों ने दिखाया कि मानव-नेतृत्व मोड में पोज़ ऑप्टिमाइज़ेशन को सक्षम करने से पोज़ ऑप्टिमाइज़ेशन के बिना बेसलाइन की तुलना में कुल रोबोट नियंत्रण लागत (ट्रैकिंग त्रुटि और नियंत्रण प्रयास) में काफी कमी आई। इसने पुष्टि की कि कई संभावित मानव विकल्पों के लिए तैयार रहना निम्न-स्तरीय नियंत्रण प्रदर्शन में सुधार करता है।

महत्व और दावे

लेखक का दावा है कि इसका प्राथमिक महत्व मानव मॉडलिंग को अनिश्चित मापदंडों, पारस्परिक अनुकूलन रणनीतियों और निम्न-स्तरीय नियंत्रण अनुकूलन के साथ एकीकृत करने वाले एक एकीकृत दृष्टिकोण को प्रदान करने में है।

• अनिश्चितता को संबोधित करना: यह कार्य नियतात्मक मानव मॉडलिंग से आगे बढ़कर, मानव मापदंडों की भिन्नता और उतार-चढ़ाव को स्वीकार करता है, और संभाव्यता वितरण के माध्यम से इसे संभालने के लिए एक तंत्र प्रदान करता है।
• अनुकूलन को संतुलित करना: यह रोबोट की दक्षता और मानव प्राथमिकता के बीच ट्रेड-ऑफ का समाधान प्रदान करता है, जिससे रोबोट को लाभप्रद होने पर नेतृत्व करने और मानव प्रतिरोध (हठ) के संकेत मिलने पर नियंत्रण छोड़ने की अनुमति मिलती है।
• सक्रिय नियंत्रण: उच्च-स्तरीय मानव इरादे की अनिश्चितता को निम्न-स्तरीय जॉइंट कॉन्फ़िगरेशन से जोड़कर, सिस्टम संभावित मानव व्यवहार के जोखिमों को सक्रिय रूप से कम करता है, जिससे सुरक्षित और सुचारू सह-परिवहन सुनिश्चित होता है।

लेखक ने सीमाओं का भी उल्लेख किया है, विशेष रूप से यह कि उनका मानव फीडबैक भौतिक अंतःक्रिया के बजाय स्थिर छवियों और वीडियो के माध्यम से एकत्र किया गया था, और भविष्य के कार्य का लक्ष्य इस ढांचे को भौतिक सह-परिवहन अध्ययनों और बहु-रोबोट परिदृश्यों तक विस्तारित करना होगा।