Model-Less Feedback Control of Space-based Continuum Manipulators using Backbone Tension Optimization
यह शोध पत्र अंतरिक्ष-आधारित निरंतर मैनिपुलेटर्स (continuum manipulators) के लिए एक मॉडल-रहित फीडबैक नियंत्रण ढांचे को प्रस्तुत करता है जो कि काइनेमैटिक मॉडलिंग या पैरामीटर पहचान पर निर्भर रहे बिना, सब-मिलीमीटर सटीकता और स्थिर संचालन प्राप्त करने के लिए ऑनलाइन डिफरेंशियल कॉनवेक्स अपडेट और बैकबोन टेंशन ऑप्टिमाइज़ेशन का उपयोग 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
एक अंतरिक्ष यान के तंग, बिखरे हुए स्थानों या किसी ढही हुई इमारत के संकीर्ण गलियारों में, पारंपरिक रोबोटिक भुजाएं अक्सर विफल हो जाती हैं। ये मशीनें, जो कठोर धातु के लिंक और नुकीले जोड़ों से बनी होती हैं, बाधाओं के चारों ओर बिना टकराए या फंसे नेविगेट करने के लिए संघर्ष करती हैं। इसे हल करने के लिए, इंजीनियरों ने एक अलग प्रकार के रोबोट की ओर रुख किया है: एक 'कंटीन्यूम मैनिपुलेटर' (continuum manipulator)। एक लंबी, लचीली रीढ़ की कल्पना करें, बिल्कुल हाथी की सूंड या मानव उंगली की तरह, जो किसी भी दिशा में सुचारू रूप से मुड़ और घूम सकती है। क्योंकि इसमें कोई कठोर किनारे नहीं होते, यह तंग दरारों से निकल सकती है और बिना किसी नुकसान के नाजुक वस्तुओं के चारों ओर लिपट सकती है। यह उन्हें स्पेस स्टेशन के आंतरिक भाग का निरीक्षण करने या मानव शरीर के भीतर सर्जरी करने जैसे कार्यों के लिए आदर्श बनाता है। हालांकि, ऐसी लचीली मशीन को नियंत्रित करना बेहद कठिन है। एक कठोर भुजा के विपरीत, जहाँ मोटर की गति और भुजा की स्थिति के बीच का संबंध पूर्वानुमानित होता है, एक लचीली रीढ़ अपनी आकृति घर्षण, इसके खिंचाव की तीव्रता और यह किससे स्पर्श कर रही है, इसके आधार पर बदलती रहती है। यह अनिश्चितता इस बात का अर्थ है कि मानक कंप्यूटर मॉडल, जो रोबोट कहाँ जाएगा इसका अनुमान लगाने के लिए सटीक गणितीय सूत्रों पर भरोसा करते हैं, अक्सर विफल हो जाते हैं, जिससे झटकेदार हरकतें या नियंत्रण का पूर्ण अभाव हो जाता है।
भारतीय प्रौद्योगिकी संस्थान खड़गपुर के शोधकर्ताओं ने इन लचीले रोबोटों को नियंत्रित करने का एक नया तरीका विकसित किया है जो रोबोट के हिलने-डुलने के किसी भी पूर्व-मौजूदा गणितीय मॉडल पर निर्भर नहीं करता है। झुकने वाली रीढ़ की जटिल भौतिकी की गणना पहले से करने के बजाय, उनका सिस्टम रोबोट के चलते समय वास्तविक समय (real-time) में उसके व्यवहार को सीखता है। उनके दृष्टिकोण का मूल एक ऐसा तरीका है जो लगातार सेंसर द्वारा देखे गए वास्तविक डेटा के आधार पर रोबोट की गति की अपनी समझ को समायोजित करता है। जब रोबोट को अपने सिरे को एक नई जगह पर ले जाने के लिए कहा जाता है, तो कंप्यूटर एक छोटा सा अनुमान लगाता है, परिणाम देखता है, और फिर तुरंत रोबोट की क्षमताओं के अपने आंतरिक मानचित्र को सुधारता है। यह प्रक्रिया इतनी तेजी से होती है कि रोबोट एक पथ का सुचारू रूप से अनुसरण कर सकता है, भले ही वातावरण बदल जाए या रोबोट का आंतरिक घर्षण अपेक्षित रूप से भिन्न व्यवहार करे। शोधकर्ताओं ने इस प्रणाली का परीक्षण कंप्यूटर सिमुलेशन में किया, जिसमें रोबोट को तीन अलग-अलग पथों के माध्यम से निर्देशित किया गया: एक चिकना वृत्त, एक पांच भुजाओं वाला पंचकोण, और तीखे कोनों वाला एक वर्ग। हर मामले में, रोबोट ने सफलतापूर्वक पथ का अनुसरण किया, और बिना किसी पूर्व अंशांकन (calibration) या अपनी यांत्रिक विशेषताओं को सिखाए, एक मिलीमीटर से भी कम की सटीकता के साथ लक्ष्य तक पहुँचा।
इस कार्य में एक महत्वपूर्ण नवाचार यह है कि सिस्टम रोबोट की रीढ़ के भीतर आंतरिक बलों को कैसे प्रबंधित करता है। इन रोबटों को आमतौर पर केबलों को खींचकर नियंत्रित किया जाता है, ठीक वैसे ही जैसे एक कठपुतली कलाकार डोरियों को खींचता है। यदि केबल बहुत ढीले खींचे जाते हैं, तो रोबोट बेजान हो जाता है और अपना आकार खो देता है; यदि उन्हें एक ही समय में विपरीत दिशाओं में बहुत जोर से खींचा जाता है, तो रीढ़ दब जाती है और मुड़ जाती है। नया नियंत्रण प्रणाली रीढ़ के भीतर तनाव की निगरानी करके इस समस्या को हल करता है। यह सुनिश्चित करता है कि केबल आकार बनाए रखने के लिए पर्याप्त कसे हुए हों, लेकिन इतने भी सख्त न हों कि वे रीढ़ को संकुचित कर दें। यह हर क्षण की गति के दौरान एक जटिल अनुकूलन (optimization) समस्या को हल करके किया जाता है, जो लक्ष्य तक पहुँचने की आवश्यकता और आंतरिक संरचना को स्थिर रखने की आवश्यकता के बीच संतुलन बनाता है। ऐसा करके, रोबोट उन झटकेदार, अस्थिर गतिविधियों से बच जाता है जो अक्सर लचीली मशीनों में तब होती हैं जब वे कोनों पर मुड़ने या दिशा बदलने की कोशिश करती हैं।
सिमुलेशन के परिणाम दिखाते हैं कि रोबोट उल्लेखनीय स्थिरता के साथ विविध प्रकार के आकारों को संभाल सकता है। एक वृत्त का पीछा करते समय, रोबोट सुचारू रूप से चला, और उसका सिरा वांछित रेखा से कुछ ही मिलीमीटर के भीतर रहा। जब उसे एक पंचकोण का अनुसरण करने के लिए कहा गया, जिसके लिए रोबोट को पांच विशिष्ट बिंदुओं पर तेजी से मुड़ने की आवश्यकता होती है, तो सिस्टम ने तुरंत समायोजन किया, कोनों को इतना सुचारू बनाया कि रीढ़ टूटने से बच गई, फिर भी इच्छित पथ के करीब रहा। सबसे कठिन परीक्षण वर्गाकार पथ था, जिसमें चार अत्यंत तीखे 90-डिग्री के मोड़ हैं। यहाँ भी, रोबोट ने उच्च सटीकता के साथ पथ को ट्रैक किया, सीधी रेखाओं के साथ केवल 0.3 से 0.4 मिलीमीटर का विचलन हुआ। सिस्टम ने वास्तविक समय में अपने केबलों और रीढ़ की परस्पर क्रिया की समझ को लगातार अपडेट करके इस प्रदर्शन को बनाए रखा, प्रभावी रूप से रोबोट के व्यवहार को सीखते हुए। यह दृष्टिकोण सिद्ध करता है कि जटिल, सीमित वातावरणों में बिना किसी पूर्व विवरण को जाने अत्यधिक लचीली मशीनों को नियंत्रित करना संभव है।
इस कार्य का महत्व इन रोबोटों को अप्रत्याशित स्थितियों में अधिक विश्वसनीय बनाने की इसकी क्षमता में निहित है। अंतरिक्ष में, जहाँ एक रोबोट को क्षतिग्रस्त सौर पैनल का निरीक्षण करने या किसी मॉड्यूल की मरम्मत करने की आवश्यकता हो सकती है, वातावरण अज्ञात बाधाओं और बलों से भरा होता है। एक प्रणाली जो रोबोट के सटीक मॉडल पर निर्भर करती है, वह विफल हो सकती है यदि कोई केबल थोड़ा फंस जाए या तापमान सामग्री की कठोरता को बदल दे। वास्तविक समय की प्रतिक्रिया (feedback) से सीखने वाले 'मॉडल-फ्री' दृष्टिकोण का उपयोग करके, रोबोट अधिक मजबूत बनता है। यह मानवीय हस्तक्षेप के बिना घर्षण या भार में बदलाव के अनुकूल हो सकता है। शोधकर्ताओं ने प्रदर्शित किया कि वास्तविक समय के शिक्षण को सावधानीपूर्वक आंतरिक तनाव प्रबंधन के साथ जोड़कर, वे सटीक और सुचारू गति प्राप्त कर सकते हैं जो अधिक जटिल, मॉडल-आधारित प्रणालियों के बराबर है। यह एक ऐसे भविष्य का संकेत देता है जहाँ लचीले रोबोटों को आपदा क्षेत्रों या गहरे अंतरिक्ष जैसे खतरनाक या असंरचित वातावरण में तैनात किया जा सकता है, जिसमें उस स्तर की स्वायत्तता और विश्वसनीयता होगी जो पहले कठिन थी। यह अध्ययन पुष्टि करता है कि कंप्यूटर को यह अनुमान लगाने के लिए मजबूर करने के बजाय, रोबोट को यह सिखाने देकर कि वह कैसे चलता है, हम ऐसी मशीनें बना सकते हैं जो अविश्वसनीय रूप से कुशल और आश्चर्यजनक रूप से मजबूत दोनों हैं।
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।