A drone that learns to efficiently find non-uniformly distributed objects in agricultural fields: from simulation to the real world
यह शोध पत्र एक सुदृढीकरण लर्निंग (Reinforcement Learning) आधारित ड्रोन पाथ प्लानर प्रस्तुत करता है जो गैर-समान रूप से वितरित कृषि वस्तुओं को कुशलतापूर्वक पहचानने के लिए निम्न-गुणवत्ता वाले पूर्व ज्ञान का लाभ उठाता है, जो सिमुलेशन और वास्तविक दुनिया के परीक्षणों दोनों में पूर्ण-कवरेज विधियों की तुलना में काफी छोटे उड़ान पथ प्राप्त करने के साथ-साथ एक प्रबंधनीय सिमुलेशन-टू-रियलिटी गैप प्रदर्शित करता है।
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 एक ऐसी दुनिया की जहाँ छोटे, भिनभिनाते रोबोट हमारे खेतों के ऊपर उड़ते हैं, जो सुपर-पावर्ड स्काउट्स (जासूसों) की तरह काम करते हैं। ये केवल साधारण रोबोट नहीं हैं; ये कैमरे और दिमाग से लैस ड्रोन हैं, जिन्हें किसानों को बेहतर फसल उगाने में मदद करने के लिए डिज़ाइन किया गया है। लेकिन इसमें एक पेंच है: ये ड्रोन बैटरी पर चलते हैं, और ठीक आपके फोन की तरह, वे कितनी देर तक उड़ सकते हैं इसकी एक सीमा होती है और फिर उन्हें रिचार्ज करने की आवश्यकता होती है। अतीत में, किसान इन ड्रोनों को एक आदर्श, उबाऊ ग्रिड पैटर्न में उड़ने का निर्देश देते थे, जैसे घास काटने वाला लॉनमोवर, ताकि वे खेत के हर एक इंच को देख सकें। यह काम तो करता है, लेकिन यह धीमा है और उन खाली जगहों पर बहुत अधिक बैटरी बर्बाद करता है जहाँ कुछ भी दिलचस्प नहीं हो रहा है।
यहाँ एक नया विचार आता है: क्या होगा अगर ड्रोन अधिक स्मार्ट हो सके? क्या होगा अगर वह सीख सके कि "खरपतवार" (अवांछित पौधे) कहाँ छिपे हैं और सीधे उन तक पहुँच सके, जिससे खाली जगहों को छोड़ना संभव हो जाए? यह रीइन्फोर्समेंट लर्निंग (RL) की दुनिया है। RL को एक कुत्ते को करतब सिखाने जैसा समझें। आप कुत्ते को कोई मैनुअल नहीं देते; आप उसे कोशिश करने देते हैं, और हर बार जब वह कुछ अच्छा करता है, तो आप उसे एक इनाम (ट्रीट) देते हैं। लाखों कोशिशों के बाद, कुत्ता सबसे अच्छे तरीके से काम करना सीख जाता है ताकि उसे सबसे ज्यादा इनाम मिल सके। इस मामले में, "कुत्ता" एक कंप्यूटर प्रोग्राम है, "इनाम" खरपतवार ढूंढना है, और "करतब" सबसे छोटा रास्ता तय करना है। बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं: क्या हम एक वीडियो गेम (सिमुलेशन) में एक ड्रोन को यह सिखा सकते हैं और फिर क्या यह वास्तविक, अव्यवस्थित दुनिया में पूरी तरह से काम करेगा?
शोध पत्र: एक ड्रोन को प्रो गेमर की तरह खरपतवार ढूंढना सिखाना
यह शोध पत्र उन शोधकर्ताओं की कहानी बताता है जिन्होंने एक ड्रोन को बिना एक बूंद बैटरी बर्बाद किए खेत में खरपतवार खोजने के लिए प्रशिक्षित करने का प्रयास किया। उन्होंने केवल ड्रोन के पालन करने के लिए नियमों का एक सेट नहीं लिखा; इसके बजाय, उन्होंने एक कंप्यूटर "दिमाग" को बार-बार गेम खेलकर उड़ना सीखने दिया।
प्रशिक्षण का मैदान: एक वीडियो गेम की दुनिया
सबसे पहले, शोधकर्ताओं ने एक अत्यंत यथार्थवादी (सुपर-रियलिस्टिक) वीडियो गेम बनाया। इस गेम में, ड्रोन एक डिजिटल खेत के ऊपर उड़ता है जो नकली खरपतवारों से भरा होता है। खरपतवार समुद्र तट पर बिखरी रेत की तरह बेतरतीब नहीं होते; वे गुच्छों में होते हैं, ठीक वैसे ही जैसे असली खरपतवार अक्सर होते हैं। ड्रोन के पास एक "दिमाग" (एक AI एजेंट) होता है जो एक मानचित्र को देखता है। इस मानचित्र में दो परतें हैं: एक ज़ूम-आउट दृश्य जो दिखाता है कि ड्रोन को कहाँ खरपतवार हो सकते हैं (ऊंचाई से एक त्वरित, धुंधले स्कैन के आधार पर), और एक ज़ूम-इन दृश्य जो दिखाता है कि ड्रोन अभी क्या देख रहा है।
लक्ष्य सरल था: बैटरी खत्म होने से पहले अधिक से अधिक खरपतवार ढूंढना। ड्रोन को खरपतवार खोजने के लिए अंक मिलते हैं, लेकिन वह हर उस सेकंड के लिए अंक खो देता है जब वह उड़ रहा होता है और टकराने पर भी अंक कटते हैं। शोधकर्ताओं ने डीप रीइन्फोर्समेंट लर्निंग नामक एक विधि का उपयोग करके ड्रोन को प्रशिक्षित किया। उन्होंने ड्रोन को सिमुलेशन में लाखों बार उड़ने दिया, जिसमें उसने अलग-अलग रास्ते आजमाए। कभी-कभी वह गोल-गोल घूमता और कोई अंक नहीं पाता; कभी-कभी वह टेढ़े-मेढ़े (ज़िग-ज़ैग) तरीके से उड़ता और खरपतवारों का एक पूरा गुच्छा ढूंढ लेता। धीरे-धीरे, ड्रोन ने सबसे अच्छी रणनीति सीख ली: "हर जगह मत उड़ो। वहीं उड़ो जहाँ सुराग संकेत दें कि खरपतवार हैं।"
बड़ा परीक्षण: गेम से वास्तविकता तक
एक बार जब ड्रोन वीडियो गेम में एक प्रो बन गया, तो शोधकर्ताओं को यह देखना था कि क्या वह वास्तविक दुनिया को संभाल सकता है। यहीं पर चीजें कठिन हो जाती हैं। वास्तविक खेत एकदम सटीक नहीं होते, हवा चलती है, कैमरे धुंधले हो सकते हैं, और "सुराग" (पूर्व ज्ञान) हमेशा सही नहीं होते।
इसकी जांच के लिए, वे सीधे वास्तविक ड्रोन उड़ाने के बजाय, एक "वास्तविकता की सीढ़ी" (ladder of reality) बनाए जिसमें छह चरण थे:
- स्तर 1: शुद्ध वीडियो गेम (सब कुछ नकली है)।
- स्तर 2: गेम में असली खरपतवारों के स्थानों का उपयोग किया गया है, लेकिन बाकी सब नकली है।
- स्तर 3: गेम में खरपतवार कहाँ हो सकते हैं, इसके बारे में वास्तविक "सुरागों" का उपयोग किया गया है।
- स्तर 4: गेम में फोटो में खरपतवारों को "देखने" के लिए वास्तविक कैमरे का उपयोग किया गया है।
- स्तर 5: ड्रोन उड़ान के दौरान एकत्र किए गए वास्तविक सुरागों का उपयोग करता है।
- स्तर 6: ड्रोन वास्तव में वास्तविक दुनिया में उड़ता है, लाइव फोटो लेता है और मौके पर निर्णय लेता है।
उन्होंने क्या पाया
परिणाम "वाह!" और "ओह!" का मिश्रण थे।
- गेम में (सिमुलेशन): प्रशिक्षित ड्रोन अद्भुत था। इसने पुराने ढंग के "लॉन-मोवर" वाले ड्रोन की तुलना में 57% छोटा रास्ता तय किया। इसने लगभग उतने ही खरपतवार खोजे (केवल 13% कम), लेकिन इसने इसे इतनी तेज़ी से किया कि इसने भारी मात्रा में बैटरी बचा ली।
- वास्तविक फोटो पर: जब उन्होंने वास्तविक खेतों की फोटो पर ड्रोन का परीक्षण किया (लेकिन अभी तक उड़ाया नहीं), तब भी इसने पुराने तरीके की तुलना में 38% छोटा रास्ता तय किया। हालांकि, इसने 21% कम खरपतवार खोजे। इसका मतलब था कि यह तेज़ तो था, लेकिन कुछ लक्ष्यों को चूक गया।
- वास्तविक दुनिया में (उड़ान): जब उन्होंने वास्तव में खेत में ड्रोन उड़ाया, तो परिणाम थोड़े अस्थिर थे। एक परीक्षण में, ड्रोन ने 73% खरपतवार खोजे। दूसरे में, उसने केवल 23% खोजे।
यह संघर्ष क्यों कर रहा था?
शोधकर्ताओं ने पाया कि मुख्य अपराधी ड्रोन के उड़ने के कौशल या खरपतवार देखने की उसकी क्षमता नहीं थी। समस्या "सुरागों" (पूर्व ज्ञान मानचित्र) में थी।
कल्पना कीजिए कि आप लुका-छिपी का खेल खेल रहे हैं, और कोई आपको एक नक्शा देता है कि "छिपने वाला लाल घर में है।" यदि नक्शा गलत है और छिपने वाला नीले घर में है, तो आप लाल घर में खोजने में समय बर्बाद करेंगे। वास्तविक उड़ानों में, ऊंचाई से किए गए स्कैन से बनाया गया उनका "मानचित्र" इतना खराब था (उसने लगभग सभी खरपतवारों को मिस कर दिया था) कि ड्रोन भ्रमित हो गया। उसे नहीं पता था कि कहाँ देखना है, इसलिए वह या तो बिना किसी उद्देश्य के उड़ता रहा या बहुत जल्दी हार मान ली।
शोधकर्ताओं ने यह भी नोट किया कि कभी-कभी ड्रोन एक लूप में फंस जाता था, जैसे कि पहिये के बीच चक्कर काट रहा है, क्योंकि उसे यह नहीं पता था कि कब रुकना है और लैंड करना है।
मुख्य निष्कर्ष
यह शोध पत्र दिखाता है कि ड्रोन को स्मार्ट और कुशल बनाना संभव है, लेकिन यह अभी भी पूर्ण नहीं है। AI ने पुराने तरीकों की तुलना में बहुत छोटे रास्ते तय करना सीखा, जो बैटरी बचाने के लिए बहुत अच्छा है। हालांकि, वास्तविक जीवन में इसके काम करने के लिए, हमें जो "सुराग" दिए जाते हैं, वे बहुत बेहतर होने चाहिए। यदि मानचित्र खराब है, तो दुनिया का सबसे स्मार्ट ड्रोन भी भटक जाएगा।
शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि यह दृष्टिकोण कल ही सभी फार्म ड्रोनों को बदलने के लिए तैयार नहीं है, लेकिन यह एक बहुत बड़ा कदम है। खरपतवार खोजने या बीमार पौधों को पहचानने जैसे कार्यों के लिए—जहाँ आपको हर एक को खोजने की ज़रूरत नहीं है, बस उनमें से अधिकांश को जल्दी से खोजना है—यह स्मार्ट, सीखने वाला ड्रोन किसानों के बहुत समय और पैसा बचा सकता है। लेकिन पहले, उन्हें "सुराग" प्रणाली को ठीक करना होगा ताकि ड्रोन खराब मानचित्रों से भ्रमित न हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।