Robustness-Aware Tool Selection and Manipulation Planning with Learned Energy-Informed Guidance

यहाँ शोध पत्र "Robustness-Aware Tool Selection and Manipulation Planning with Learned Energy-Informed Guidance" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रोबोटिक टूल उपयोग अक्सर बाहरी बाधाओं के प्रति लचीलेपन (resilience) के बजाय कार्य पूरा करने को प्राथमिकता देता है। जबकि मनुष्य अनजाने में ऐसे उपकरणों और हेरफेर रणनीतियों का चयन करते हैं जो अनिश्चितता के प्रति सुदृढ़ (robust) होते हैं (जैसे, मीटबॉल्स के लिए स्पैटुला के बजाय कलछी चुनना), वर्तमान रोबोटिक नियोजन विधियाँ इसमें संघर्ष करती हैं। मुख्य चुनौतियाँ हैं:

• टूल परिवर्तनशीलता (Tool Variability): उपकरणों की ज्यामिति और भौतिक गुण विविध होते हैं, जिससे हेरफेर के परिणाम रोबोट, टूल और वस्तु के संयुक्त विन्यास (configuration) के प्रति अत्यधिक संवेदनशील हो जाते हैं।
• संयुक्त अनुकूलन (Joint Optimization): सुदृढ़ता के लिए न केवल एक प्रक्षेपवक्र (trajectory) की योजना बनाने की आवश्यकता है, बल्कि संभावित उम्मीदवारों के सेट में से इष्टतम टूल चुनने की भी आवश्यकता है, जो अनिश्चित वातावरण में जटिल संपर्क गतिकी (contact dynamics) को ध्यान में रखता है।
• गणना लागत (Computational Cost): सुदृढ़ता का मूल्यांकन करना (जैसे, केजिंग विश्लेषण के माध्यम से) गणनात्मक रूप से महंगा है, जिससे वास्तविक समय में नियोजन कठिन हो जाता है।

यह शोध पत्र सबसे सुदृढ़ टूल को संयुक्त रूप से चुनने और एक संपर्क-समृद्ध हेरफेर प्रक्षेपवक्र (manipulation trajectory) की योजना बनाने की समस्या को संबोधित करता है जो निष्पादन के दौरान बाहरी बल बाधाओं के विरुद्ध सुदृढ़ता बनाए रखता है।

2. कार्यप्रणाली (Methodology)

लेखक एक पदानुक्रमित अनुकूलन पाइपलाइन (hierarchical optimization pipeline) प्रस्तावित करते हैं जो एक सीखे गए, ऊर्जा-सूचित सुदृढ़ता मीट्रिक द्वारा निर्देशित है। यह दृष्टिकोण तीन घटकों से मिलकर बना है:

A. ऊर्जा-सूचित सुदृढ़ता मीट्रिक (Energy-Informed Robustness Metric)

इस पद्धति का मूल एक मीट्रिक है जो केजिंग विश्लेषण (caging analysis), विशेष रूप से न्यूनतम पलायन ऊर्जा (Minimum Escape Energy - MEE) से प्राप्त किया गया है।

• परिभाषा: MEE ($Q_{mee}$) उस ऊर्जा को मापता है जो किसी वस्तु को टूल की पकड़ या बाधा से "पलायन" करने के लिए आवश्यक होती है (एक विशिष्ट बल क्षेत्र के तहत जैसे गुरुत्वाकर्षण, धक्का देना, या लोचदार विरूपण)।
• ऊर्जा फलन (Energy Functions): कार्य के अनुसार ऊर्जा फलन $E(s_{obj})$ भिन्न होता है:
  • गुरुत्वाकर्षण (Gravitational): $m_{obj}gz_{obj}$ (लंबवत स्थिति)।
  • धक्का देना (Pushing): धक्का देने के बल के परिमाण और दिशा के लिए एक पद जोड़ता है।
  • विकृत होने योग्य (Deformable): विरूपण कोण के आधार पर एक लोचदार पद (elastic term) शामिल करता है।
• आधार रेखा (Baseline): विधि पार्शियल केजिंग क्लीयरेंस (PCC) के विरुद्ध तुलना करती है, जो पलायन को रोकने के लिए आवश्यक ज्यामितीय विस्तार को मापता है, लेकिन MEE एक अधिक गतिशील, ऊर्जा-आधारित मूल्यांकन प्रदान करता है।

B. सीखा गया मार्गदर्शन (Learned Guidance - Offline Training)

ऑनलाइन MEE की गणना करने की कम्प्यूटेशनल बाधा (जिसके लिए BIT* जैसे सैंपलिंग-आधारित एल्गोरिदम की आवश्यकता होती है) को दूर करने के लिए, लेखक ऑफलाइन एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) को प्रशिक्षित करते हैं।

• डेटा संग्रह: एक डेटासेट जनरेट किया जाता है जहाँ सिम्युलेटर में रैंडम टूल-ऑब्जेक्ट कॉन्फ़िगरेशन का उपयोग करके MEE/PCC मानों की गणना की जाती है।
• नेटवर्क आर्किटेक्चर: एक 3-लेयर MLP (128-128-64 न्यूरॉन्स) निम्नलिखित की भविष्यवाणी करता है:
  1. केज स्थिति ($\hat{q}_c$): एक बाइनरी वर्गीकरण (sigmoid) जो इंगित करता है कि क्या वस्तु पूरी तरह से केज (cage) में है।
  2. MEE मान ($\hat{Q}_{mee}$): पलायन ऊर्जा के लिए एक रिग्रेशन मान।
• एकीकृत मीट्रिक (Unified Metric): नियोजन के दौरान, एक एकीकृत मीट्रिक $\hat{Q}_{mee}$ का उपयोग किया जाता है, जो उच्च सुदृढ़ता मान असाइन करता है यदि केज स्थिति का विश्वास (confidence) एक सीमा से अधिक हो, अन्यथा निरंतर ऊर्जा अनुमान पर निर्भर रहता है।

C. पदानुक्रमित अनुकूलन पाइपलाइन (Hierarchical Optimization Pipeline)

नियोजन प्रक्रिया को इस मिश्रित-पूर्णांक (mixed-integer) प्रकृति की समस्या (डिस्क्रीट टूल चयन + निरंतर प्रक्षेपवपथ) को संभालने के लिए दो चरणों में विभाजित किया गया है:

1. कीफ्रेम अनुकूलन (टूल चयन):

   • एक विशिष्ट कीफ्रेम टाइमस्टेप ($T_k$) पर टूल की पहचान और टूल-ऑब्जेक्ट कॉन्फ़िगरेशन को संयुक्त रूप से अनुकूलित करने के लिए CMA-ES का उपयोग करता है।
   • उद्देश्य: सुदृढ़ता मीट्रिक $Q$ को अधिकतम करना।
   • आउटपुट: सर्वश्रेष्ठ टूल ($o^*_{tool}$) और इष्टतम मध्यवर्ती कॉन्फ़िगरेशन ($s^*_{tool}, s^*_{obj}$)।

2. प्रक्षेपवपथ नियोजन (Trajectory Planning):

   • VPSTO (Via-Point-Based Stochastic Trajectory Optimization) का उपयोग करता है, जो CMA-ES का एक संस्करण है।
   • उद्देश्य: लक्ष्य तक की दूरी को कम करना और यह सुनिश्चित करना कि प्रक्षेपवपथ चरण 1 में पाए गए इष्टतम कीफ्रेम कॉन्फ़िगरेशन से होकर गुजरे।
   • प्रतिबंध (Constraint): प्रक्षेपवपथ को निष्पादन के दौरान उच्च सुदृढ़ता बनाए रखनी चाहिए, जो सीखे गए मीट्रिक द्वारा निर्देशित हो।

3. प्रमुख योगदान (Key Contributions)

1. सुदृढ़ता-जागरूक अनुकूलन (Robustness-Aware Optimization): एक एकीकृत ढांचा जो टूल का चयन और हेरफेर प्रक्षेपवक्र को संयुक्त रूप से करता है, जो केवल कार्य पूर्णता के बजाय स्पष्ट रूप से व्यवधान प्रतिरोध (disturbance resilience) के लिए अनुकूलित है।
2. सीखा गया ऊर्जा-सूचित मीट्रिक: न्यूरल नेटवर्क का उपयोग करके न्यूनतम पलायन ऊर्जा (MEE) का अनुमान लगाने के लिए एक डेटा-संचालित विधि का परिचय, जो महंगे वास्तविक समय सैंपलिंग के बिना कुशल ऑनलाइन सुदृढ़ता मार्गदर्शन सक्षम बनाता है।
3. पदानुक्रमित नियोजन वास्तुकला: एक दो-चरणीय अनुकूलन प्रक्रिया जो डिस्क्रीट टूल चयन को निरंतर प्रक्षेपवक्र पीढ़ी से अलग करती है, जिससे समस्या हल करने योग्य बनती है।
4. व्यापक मूल्यांकन: कठोर (rigid), आर्टिकुलेटेड (articulated) और विकृत (deformable) वस्तुओं से जुड़े तीन विशिष्ट कार्यों के लिए सिमुलेशन और वास्तविक दुनिया के प्रयोगों के साथ सत्यापन।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन तीन कार्यों पर किया गया: टेप खींचना (Tape Pulling), मछली स्कूपिंग (Fish Scooping - विकृत वस्तु), और कैंची लटकाना (Scissors Hanging - आर्टिकुलेटेड वस्तु)। इसकी तुलना निम्नलिखित से की गई:

• PCC: एक क्लीयरेंस-आधारित बेसलाइन।
• NoRob: बिना सुदृढ़ता मार्गदर्शन के नियोजन ($\beta=0$)।
• VLM: एक विजन-लैंग्वेज मॉडल (GPT-5) जिसका उपयोग टूल चयन के लिए किया गया।

मुख्य निष्कर्ष:

• टूल चयन: MEE-आधारित प्लानर लगातार सबसे सुदृढ़ उपकरण चुनता है (जैसे, स्कूपिंग के लिए फिश स्लाइस के बजाय शवल, और कोट हुक के बजाय ट्रेबल हुक)। VLMs ने कुछ ज़ीरो-शॉट क्षमता दिखाई लेकिन जटिल कार्यों के लिए सबसे सुदृढ़ ज्यामितीय कॉन्फ़िगरेशन की पहचान करने में विफल रहे।
• सुदृढ़ता प्रदर्शन:
  • टेप खींचने में, MEE प्लानर टेप को टूल हैंडल के करीब रखता है, जबकि PCC सुदृढ़ता मार्गदर्शन की कमी के कारण टेप को फिसलने देता है।
  • मछली स्कूपिंग में, MEE ने मछली को शवल और टेबल फिक्स्चर के बीच सफलतापूर्वक सीमित किया, जबकि PCC ऐसे स्थिर कॉन्फ़िगरेशन खोजने में विफल रहा।
  • मात्रात्मक मेट्रिक्स: रैंडम फोर्स व्यवधानों के तहत MEE ने PCC और NoRob की तुलना में काफी कम स्थिति विचलन (positional deviation) दिखाया (जैसे, टेप खींचने में 0.054 बनाम 0.237 विचलन)।
• वास्तविक दुनिया में स्थानांतरण: वास्तविक दुनिया के कैंची लटकाने के प्रयोगों में, MEE विधि ने 83% सफलता दर प्राप्त की, जबकि PCC बेसलाइन के लिए यह 50% थी। विफलताएं मुख्य रूप से पोज एस्टीमेशन त्रुटियों के कारण थीं, न कि नियोजन दोषों के कारण।
• दक्षता: सीखे गए मॉडल ने इन्फरेंस समय को प्रति कॉन्फ़िगरेशन 3 सेकंड (BIT* का उपयोग करके) से घटाकर **0.057 ms** कर दिया, जिससे वास्तविक समय का नियोजन संभव हुआ (नेटवर्क के बिना कुल नियोजन समय ~17 CPU-दिनों के मुकाबले ~29 सेकंड)।

5. महत्व (Significance)

यह कार्य सैद्धांतिक सुदृढ़ता (केजिंग/ऊर्जा विश्लेषण) और व्यावहारिक रोबोटिक हेरफेर के बीच के अंतर को पाटता है। एक सीखे गए ऊर्जा मीट्रिक को नियोजन लूप में एकीकृत करके, सिस्टम मानव जैसी सुदृढ़ता प्राप्त करता है, जो ऐसे उपकरण और रणनीतियों का चयन करता है जो स्वाभाविक रूप से बाहरी व्यवधानों का विरोध करते हैं। यह पद्धति प्रदर्शित करती है कि केवल रिएक्टिव कंट्रोल या सिमेंटिक रीजनिंग पर निर्भर रहने के बजाय, सुदृढ़ता के लिए स्पष्ट अनुकूलन, अनिश्चित और संपर्क-समृद्ध वातावरण में विश्वसनीयता को महत्वपूर्ण रूप से सुधारता है। यह दृष्टिकोण उन कार्यों के लिए विशेष रूप से महत्वपूर्ण है जिनमें विकृत या आर्टिकुलेटेड वस्तुएं शामिल होती हैं जहाँ पारंपरिक ग्रैस्प मेट्रिक्स विफल हो जाते हैं। भविष्य के कार्य का लक्ष्य नए उपकरणों और वस्तुओं के लिए ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) हेतु डेटासेट का विस्तार करना है।