⚡ electrical engineering

A Virtual Fencing Framework for Safe and Efficient Collaborative Robotics

यह शोध पत्र एक वर्चुअल फेंसिंग फ्रेमवर्क का प्रस्ताव करता है जो सुरक्षा और दक्षता के बीच संतुलन को अनुकूलित करने के लिए मोशन प्रेडिक्शन और सीक्वेंशियल क्वाड्रेटिक प्रोग्रामिंग का उपयोग करता है, जिससे सुरक्षा मानकों का पालन करते हुए मानव और रोबोट के बीच वास्तविक समय में, न्यूनतम अंतराल वाले सहयोग को सक्षम बनाया जा सके।

मूल लेखक: Vineela Reddy Pippera Badguna, Aliasghar Arab, Durga Avinash Kodavalla

प्रकाशित 2026-04-09

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Vineela Reddy Pippera Badguna, Aliasghar Arab, Durga Avinash Kodavalla

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

एक फैक्ट्री फ्लोर की कल्पना करें जहाँ एक विशाल, शक्तिशाली रोबोटिक आर्म (एक "कोबोट") एक मानव कर्मचारी के साथ कंधे से कंधा मिलाकर काम कर रहा है। अतीत में, सुरक्षा नियम एक क्लब के सख्त बाउंसर की तरह थे: "यदि कोई इंसान रोबोट के क्षेत्र में एक इंच भी कदम रखता है, तो रोबोट को तुरंत रुक जाना चाहिए।"

हालाँकि यह सुरक्षित है, लेकिन उत्पादकता के लिए बहुत बुरा है। हर बार जब इंसान कोई औज़ार लेने के लिए पास से गुजरता है, तो रोबोट रुक जाता है, इंसान इंतज़ार करता है, रोबोट शुरू होता है, और इंसान आगे बढ़ जाता है। यह एक ऐसे डांस की तरह है जहाँ आपका साथी हर बार आपके एक कदम बढ़ाने पर रुक जाता है।

यह शोध पत्र एक स्मार्ट और अधिक सुचारू समाधान प्रस्तावित करता है जिसे वर्चुअल फेंसिंग (Virtual Fencing) कहा जाता है। इसे एक एकल "रुकिए" (Stop) संकेत के रूप में नहीं, बल्कि रोबोट के चारों ओर हवा में पेंट किए गए एक ट्रैफिक लाइट सिस्टम के रूप में सोचें।

तीन ज़ोन (ट्रैफिक लाइट्स)

शोधकर्ताओं ने एक कैमरा का उपयोग करके रोबोट के आसपास के स्थान को तीन अदृश्य ज़ोन में विभाजित किया है, जो बिल्कुल वैसा ही है जैसे एक ड्राइवर अलग-अलग रंग की लाइटों को देखता है:

ग्रीन ज़ोन (दूर): यदि इंसान दूर है, तो रोबोट पूरी गति से चलेगा। कोई रास्ते में नहीं है, इसलिए चलते रहें!
येलो ज़ोन (पास आते हुए): यदि इंसान "सावधानी" क्षेत्र (किनारों) में प्रवेश करता है, तो रोबोट रुकता नहीं है। इसके बजाय, यह धीमा हो जाता है, जैसे कोई कार स्कूल ज़ोन के पास पहुँचती है। यह सतर्क रहता है लेकिन अपना काम जारी रखता है।
रेड ज़ोन (रोबोट के ठीक बगल में): यदि इंसान "क्रिटिकल" क्षेत्र (रोबोट के हाथ के ठीक सामने) में कदम रखता है, तो रोबोट इमरजेंसी ब्रेक लगा देता है और पूरी तरह से रुक जाता है।

असली मंत्र: "स्मूथ ड्राइवर" (SQP)

tricky हिस्सा यह है। यदि एक रोबोट अचानक "फुल स्पीड" से "स्लो" या "स्टॉप" पर कूद जाता है, तो वह झटके लेगा और हिलेगा, जो खतरनाक है और उसके द्वारा पकड़े गए नाजुक हिस्सों के लिए बुरा है।

लेखकों ने सीक्वेंशियल क्वाड्रेटिक प्रोग्रामिंग (SQP) नामक एक गणितीय ट्रिक का उपयोग किया है। आप इसे रोबोट की सीट में बैठे एक सुपर-स्मूथ ड्राइवर के रूप में समझ सकते हैं।

इस ड्राइवर के बिना, रोबोट अचानक ब्रेक मारेगा या अचानक एक्सीलेटर दबा देगा।
इस ड्राइवर के साथ, रोबोट धीरे-धीरे एक्सीलेटर कम करेगा या धीरे से ब्रेक दबाएगा। यह गणना करता है कि गति को कितनी सहजता से कम किया जाए ताकि मूवमेंट एक अचानक झटके के बजाय एक स्मूथ ग्लाइड (चिकनी फिसलन) की तरह महसूस हो।

यह असल जिंदगी में कैसे काम करता है

यह सिस्टम एक मानक कैमरे (जैसे आपके फोन का कैमरा) और एक छोटे, शक्तिशाली कंप्यूटर (जैसे एक हाई-एंड गेमिंग लैपटॉप) का उपयोग करता है जो इंसान पर नज़र रखता है।

आंखें: कैमरा इंसान को पहचानता है और उनके चारों ओर एक बॉक्स बनाता है।
दिमाग: कंप्यूटर जाँच करता है: "क्या वह बॉक्स ग्रीन, येलो या रेड ज़ोन में है?"
निर्णय:
- ग्रीन? "चलते रहो!"
- येलो? "'स्मूथ ड्राइवर' धीरे-धीरे धीमा होने की गणना करता है।"
- रेड? "तुरंत रुक जाओ!"

यह क्यों महत्वपूर्ण है

शोधकर्ताओं ने इसका परीक्षण पुराने "तुरंत रुक जाओ" वाले तरीके के मुकाबले किया।

पुराना तरीका: जब भी इंसान पास से गुजरता था, रोबोट रुक जाता था। फैक्ट्री सुरक्षित थी, लेकिन बहुत धीमी थी।
नया तरीका: रोबोट केवल तभी रुकता था जब वास्तव में आवश्यक हो। जब इंसान बस पास में ही था, तब भी रोबोट काम करता रहा, बस धीमी गति से।

परिणाम: नए सिस्टम ने सुरक्षा स्तर को उतना ही ऊँचा बनाए रखा (98% टकराव बचाव) लेकिन फैक्ट्री को बहुत अधिक कुशल बना दिया। इसने रोबोट के खाली बैठने के समय को कम कर दिया, जिसका अर्थ है कि कम समय में अधिक उत्पाद बनाए जा सकते हैं।

निष्कर्ष

यह शोध पत्र रोबोट को "पैरानॉयड और कठोर" होने के बजाय "विनम्र और अनुकूलन योग्य" बनाना सिखाने के बारे में है। हर मानवीय गतिविधि को एक संकट मानने के बजाय जिसके लिए पूर्ण विराम की आवश्यकता हो, रोबोट मानवीय हलचल को ट्रैफिक की तरह मानता है: जब आप करीब होते हैं तो यह धीमा हो जाता है, लेकिन जब आप दूर होते हैं तो यह चलता रहता है, और यह सब करते हुए यह सुनिश्चित करता है कि किसी को चोट न लगे। यह एक ऐसे रोबोट के बीच का अंतर है जो "रुकने और चलने" वाला ट्रैफिक जाम है और एक ऐसा रोबोट जो "सुचारू प्रवाह" वाला हाईवे है।

यहाँ शोध पत्र "A Virtual Fencing Framework for Safe and Efficient Collaborative Robotics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सहयोगात्मक रोबोट (cobots) को मनुष्यों के साथ साझा कार्यक्षेत्रों में तेजी से तैनात किया जा रहा है, जिसके लिए मजबूत वास्तविक समय (real-time) सुरक्षा तंत्र की आवश्यकता है। वर्तमान सुरक्षा मानक (जैसे, ISO 10218, ISO/TS 15066) जोखिम मूल्यांकन का निर्देश देते हैं लेकिन अक्सर गतिशील, वास्तविक समय की प्रतिक्रियाओं के लिए मार्गदर्शन की कमी होती है।

दुविधा: पारंपरिक सुरक्षा विधियाँ (भौतिक बाधाएँ या मानव का पता चलते ही तत्काल पूर्ण रोबोट शटडाउन) सुरक्षा तो सुनिश्चित करती हैं लेकिन बार-बार परिचालन विराम (pauses) के कारण उत्पादकता को गंभीर रूप से बाधित करती हैं।
अंतराल (Gap): मौजूदा अनुकूलन योग्य प्रणालियाँ (जैसे, निकटता के आधार पर गति में कमी) अक्सर महंगे सेंसर समूहों पर निर्भर करती हैं या उनमें गति अवस्थाओं के बीच सुचारू रूप से संक्रमण करने के लिए गणितीय कठोरता की कमी होती है, जिससे झटकेदार गतिविधियाँ या अनावश्यक स्टॉप होते हैं।
उद्देश्य: एक ऐसा सिस्टम विकसित करना जो "वर्चुअल फेंसिंग" दृष्टिकोण के माध्यम से परिचालन डाउनटाइम को कम करते हुए और सुचारू गति संक्रमण सुनिश्चित करते हुए सख्त सुरक्षा अनुपालन बनाए रखे।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक गतिशील, ज़ोन-आधारित सुरक्षा प्रणाली बनाने के लिए कंप्यूटर विज़न, डीप लर्निंग और कन्सट्रेंड ऑप्टिमाइज़ेशन (constrained optimization) को एकीकृत करता है।

A. सिस्टम आर्किटेक्चर और हार्डवेयर

रोबोट: यूनिवर्सल रोबट्स UR16e (6-अक्षीय मैनिपुलेटर)।
सेंसिंग: Nvidia Jetson Orin Nano से जुड़ा Arducam IMX477 RGB कैमरा, जो एज कंप्यूटिंग के लिए उपयोग किया जाता है।
सॉफ्टवेयर स्टैक: कम-विलंबता (low-latency) संचार के लिए ROS 2 (Humble), Ubuntu 22.04, और एक रियल-टाइम कर्नेल।
डिटेक्शन मॉडल: वास्तविक समय में मानव पहचान के लिए ONNXRuntime के माध्यम से संचालित YOLOv8n (ONNX फॉर्मेट में निर्यात किया गया)।

B. वर्चुअल फेंसिंग लॉजिक (ज़ोन-आधारित नियंत्रण)

कैमरे के फील्ड ऑफ व्यू (field of view) को रोबोट के व्यवहार को निर्धारित करने के लिए ऊर्ध्वाधर रूप से तीन विशिष्ट ज़ोन में विभाजित किया गया है:

क्रिटिकल ज़ोन (केंद्र, $[W/4, 3W/4]$ ): प्राथमिक कार्यक्षेत्र। यहाँ पहचान होने पर टक्कर को रोकने के लिए तत्काल STOP कमांड ट्रिगर होता है।
इन्क्रीज्ड अटेंशन ज़ोन (किनारे, $[0, W/4)$ और $(3W/4, W]$ ): वे क्षेत्र जहाँ मनुष्य पास आ रहे हैं। यहाँ पहचान होने पर SLOW कमांड ट्रिगर होता है।
नॉर्मल ज़ोन: पहचान न होना या बफर अवधि ( $T_{buffer} = 3s$ ) के बाहर पहचान होना NORMAL गति कमांड को ट्रिगर करता है।

C. मोशन ऑप्टिमाइज़ेशन (SQP)

सुरक्षा और प्रदर्शन के बीच संतुलन को संबोधित करने के लिए, सिस्टम मोशन एडजस्टमेंट को एक कन्सट्रेंड ऑप्टिमाइज़ेशन समस्या के रूप में तैयार करता है जिसे Sequential Quadratic Programming (SQP) के माध्यम से हल किया जाता है।

ऑब्जेक्टिव फंक्शन: एक क्वाड्रेटिक कॉस्ट फंक्शन $J(d)$ $J (d)$ को कम करना:
$J(d) = \alpha (d - d_{desired})^2 + \beta (d - d_{prev})^2$
- $d$ : गति की अवधि (गति के व्युत्क्रमानुपाती)।
- $d_{desired}$ : वर्तमान ज़ोन के आधार पर लक्षित अवधि (जैसे, "स्लो" मोड के लिए लंबी अवधि)।
- $d_{prev}$ : पिछला ड्यूरेशन (सुचारू संक्रमण सुनिश्चित करने के लिए)।
- $\alpha, \beta$ : लक्ष्य पालन और सुचारूता (smoothness) को संतुलित करने वाले वेटिंग फैक्टर्स।
कन्स्ट्रेंट्स (Constraints): $d_{min} \leq d \leq d_{max}$ यह सुनिश्चित करता है कि रोबोट सुरक्षित गति सीमाओं के भीतर संचालित हो।
परिणाम: सॉल्वर (SLSQP) एक इष्टतम अवधि $d^*$ की गणना करता है जो अचानक अवस्थाओं के बीच स्विच करने के बजाय रोबोट की गति को सुचारू रूप से अनुकूलित करता है।

D. एल्गोरिदम फ्लो

वीडियो फ्रेम कैप्चर करें और प्रीप्रोसेस करें (रिसाइज, नॉर्मलाइज़)।
बाउंडिंग बॉक्स का पता लगाने के लिए YOLOv8n इन्फरेंस चलाएं।
बाउंडिंग बॉक्स निर्देशांकों के आधार पर डिटेक्शन को ज़ोन में वर्गीकृत करें।
वर्तमान ज़ोन के आधार पर SQP ऑप्टिमाइज़ेशन समस्या तैयार करें।
इष्टतम अवधि $d^*$ के लिए समाधान निकालें और रोबोट को कमांड पब्लिश करें।

3. मुख्य योगदान (Key Contributions)

मॉड्यूलर वर्चुअल फेंसिंग: एक सॉफ्टवेयर-परिभाषित सुरक्षा परत जो भौतिक बाधाओं की जगह लेती है, जिससे रोबोट को साझा स्थान में कुशलतापूर्वक काम करने की अनुमति मिलती है।
ऑप्टिमाइज़ेशन-आधारित नियंत्रण: साधारण थ्रेशोल्ड-आधारित स्विचिंग के विपरीत, SQP का उपयोग सुचारू, अनुकूलित गति संक्रमण की अनुमति देता है, जिससे मैकेनिकल स्ट्रेस कम होता है और पेलोड स्थिरता में सुधार होता है।
ग्रैनुलर रिस्क मैनेजमेंट: सिस्टम "पास आने वाले" (धीमा होना) और "अंदर घुसने वाले" (रुकना) मनुष्यों के बीच अंतर करता है, जिससे उत्पादन को रोकने वाले व्यापक शटडाउन से बचा जा सकता है।
रियल-टाइम कार्यान्वयन: कम लागत वाले हार्डवेयर (Jetson Orin Nano + RGB कैमरा) पर कम विलंबता के साथ सफलतापूर्वक तैनात किया गया, जो औद्योगिक अनुप्रयोगों के लिए इसकी व्यवहार्यता को सिद्ध करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग एक नियंत्रित अनुक्रम (Normal $\to$ Attention Zone $\to$ Critical Zone $\to$ Exit) में एक मानव विषय के प्रवेश के साथ किए गए।

परिचालन दक्षता (Operational Efficiency - OE):
- इमीडिएट स्टॉप मेथड: 61.8% (किसी भी डिटेक्शन के लिए रोबोट पूरी तरह रुक जाता है)।
- ज़ोन-बेस्ड (बिना SQP के): 66.7% (अटेंशन ज़ोन में धीमा, लेकिन अचानक परिवर्तन)।
- ज़ोन-बेस्ड + SQP: 64.5% (स्मूथिंग के कारण कच्चे ज़ोन-बेस्ड से थोड़ा कम, लेकिन 'इमीडिएट स्टॉप' से काफी अधिक)।
- नोट: SQP विधि कच्ची गति के बजाय सुचारूता और सुरक्षा को प्राथमिकता देती है, लेकिन फिर भी 'स्टॉप-ऑल' दृष्टिकोण की तुलना में ~3% अधिक दक्षता प्रदान करती है।
सिस्टम लेटेंसी (System Latency):
- सभी विधियों ने कम विलंबता (~31–33 ms) बनाए रखी, जिससे वास्तविक समय की प्रतिक्रिया सुनिश्चित हुई।
कोलिजन अवॉयडेंस रेट (Collision Avoidance Rate - CAR):
- सभी विधियों के लिए 100% (तालिका में 98% रिपोर्ट किया गया है, जो संभवतः सिमुलेशन के किन मामलों के कारण है), जो सुरक्षा अनुपालन की पुष्टि करता है।
मोशन क्वालिटी (Motion Quality):
- SQP-सक्षम सिस्टम ने सुचारू प्रक्षेपवक्र संक्रमण (smooth trajectory transitions) प्रदर्शित किया, जबकि गैर-SQP सिस्टम अचानक गति परिवर्तनों के कारण झटकेदार गतिविधियों को प्रदर्शित करता है। यह भारी या संवेदनशील पेलोड को संभालने के लिए महत्वपूर्ण है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र बाइनरी सुरक्षा अवस्थाओं (Stop/Run) से निरंतर, अनुकूलन योग्य सुरक्षा स्पेक्ट्रम की ओर बढ़कर मानव-रोबोट सहयोग में एक महत्वपूर्ण प्रगति प्रस्तुत करता है।

सुरक्षा बनाम दक्षता: यह सफलतापूर्वक सुरक्षा-प्रदर्शन के ट्रेड-ऑफ को एक ऑप्टिमाइज़ेशन समस्या के रूप में मॉडल करता है, यह सिद्ध करता है कि सुरक्षा के लिए कुल उत्पादन रोकना आवश्यक नहीं है।
स्केलेबिलिटी: मानक RGB कैमरों और ओपन-सोर्स AI मॉडल्स (YOLO) पर इसकी निर्भरता इसे लागत प्रभावी बनाती है और महंगे LiDAR या डेप्थ सेंसर एरे के बिना विविध औद्योगिक सेटिंग्स में आसानी से तैनात करने योग्य बनाती है।
भविष्य का प्रभाव: यह ढांचा "स्मार्ट" कोबॉट्स के लिए एक मजबूत आधार प्रदान करता है जो मानव निकटता के आधार पर सहजता से अपने व्यवहार को अनुकूलित कर सकते हैं, जिससे सहयोगात्मक विनिर्माण वातावरणों में उच्च थ्रूपुट का मार्ग प्रशस्त होता है।