← नवीनतम पेपर
🤖 AI

Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation

यह शोध पत्र एक अटेंशन-बेस्ड न्यूरल-ऑगमेंटेड कलमन फ़िल्टर (AttenNKF) प्रस्तावित करता है जो एक लेटेंट स्पेस में न्यूरल कॉम्पेन्सेटर को प्रशिक्षित करके लेग्ड रोबोट स्टेट एस्टीमेशन को बढ़ाता है ताकि फिसलन-प्रेरित बायस का पता लगाया जा सके और उन्हें सुधारा जा सके, जिससे यह फिसलन वाली स्थितियों में मौजूदा एस्टिमेटर्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Seokju Lee, Kyung-Soo Kim

प्रकाशित 2026-05-06
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Seokju Lee, Kyung-Soo Kim

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 कि एक चार पैरों वाला रोबोट कंकड़-पत्थर, फिसलन भरी बर्फ और ऊँची सीढ़ियों से भरे एक अस्त-व्यस्त पिछवाड़े में चलने की कोशिश कर रहा है। बिना गिरे चलने के लिए, रोबोट को ठीक-ठीक पता होना चाहिए कि उसका शरीर कहाँ है, वह कितनी तेज़ी से चल रहा है, और कौन से पैर वास्तव में ज़मीन को छू रहे हैं।

समस्या यह है कि रोबोट की "आंखें" (इसके आंतरिक सेंसर) भ्रमित हो सकती हैं। जब पैर बर्फ के किसी टुकड़े पर फिसलता है या नरम कीचड़ में धंस जाता है, तो रोबोट का दिमाग (इसका गणित-आधारित नेविगेशन सिस्टम) यह सोचता है कि पैर मजबूती से टिका हुआ है। लेकिन क्योंकि पैर वास्तव में फिसल रहा है, रोबोट का आंतरिक मानचित्र (map) भटकने लगता है, जैसे कोई GPS जो सोचता है कि आप अभी भी सड़क पर हैं जबकि आप वास्तव में गड्ढे में जा चुके हैं।

यह शोध पत्र इन रोबोटों के लिए एक नया "ब्रेन अपग्रेड" पेश करता है जिसे AttenNKF कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं (analogies) का उपयोग करके यहाँ समझाया गया है:

1. पुराना तरीका: "अंधा" कैलकुलेटर

पारंपरिक रोबोट मस्तिष्क एक गणितीय सूत्र (जिसे कलमन फ़िल्टर कहा जाता है) का उपयोग करके उनकी स्थिति का अनुमान लगाते हैं। वे मानते हैं: "यदि मेरा पैर ज़मीन पर है, तो वह हिल नहीं रहा है।"

  • खामी: जब पैर फिसलता है, तो यह धारणा टूट जाती है। रोबोट ऐसे गणना करता रहता है जैसे पैर स्थिर हो, जिससे त्रुटि (error) बर्फ के गोले की तरह लुढ़कते हुए बढ़ती जाती है।
  • पुराना समाधान: पिछले तरीकों ने या तो फिसलते हुए पैर को पूरी तरह से अनदेखा करने की कोशिश की या बस गणित में थोड़ा सा "शोर" (noise) जोड़ दिया ताकि उम्मीद की जा सके कि सब ठीक हो जाए। यह वैसा ही है जैसे गड्ढे में गिरते समय अपनी आँखें बंद करके कार चलाने की कोशिश करना।

2. नया तरीका: "स्लिप-अवेयर" सहायक

लेखकों ने एक नया सिस्टम बनाया है जो एक स्मार्ट को-पायलट की तरह काम करता है। केवल फिसलन को अनदेखा करने के बजाय, यह को-पायलट सक्रिय रूप से इसे देखता है और वास्तविक समय में रोबोट के गणित को सुधारता है।

यहाँ चरण-दर-चरण प्रक्रिया दी गई है:

  • चरण 1: स्लिप डिटेक्टर (द "थर्मामीटर")
    सबसे पहले, सिस्टम मापता है कि पैर कितनी बुरी तरह फिसल रहे हैं। यह केवल यह नहीं कहता कि "फिसलन: हाँ/नहीं।" इसके बजाय, यह 0 (परफेक्ट ग्रिप) से 1 (कुल फिसलन) तक एक निरंतर स्कोर देता है, जैसे थर्मामीटर स्थिति कितनी गर्म है, यह मापता है।

  • चरण 2: "अटेंशन" मैकेनिज्म (द "स्पॉटलाइट")
    यही मुख्य नवाचार है। सिस्टम एक न्यूरल नेटवर्क का उपयोग करता है जिसमें एक अटेंशन मैकेनिज्म होता है।

    • उपमा: कल्पना कीजिए कि आप एक टूटी हुई घड़ी को ठीक करने की कोशिश कर रहे हैं। यदि घड़ी धीमी चल रही है, तो आप गियर देखते हैं; यदि यह तेज़ चल रही है, तो आप स्प्रिंग्स देखते हैं। आप हर चीज़ को एक समान तरीके से नहीं देखते।
    • रोबोट में: "स्लिप स्कोर" एक स्पॉटलाइट की तरह काम करता है। यह कंप्यूटर को बताता है, "हे, पैर इतना फिसल रहा है, इसलिए रोबोट के इतिहास के इन विशिष्ट हिस्सों पर अतिरिक्त ध्यान दें और बाकी को अनदेखा करें।" यह फिसलन कितनी खराब है, इसके आधार पर अपना ध्यान गतिशील रूप से बदलता है।

  • चरण 3: सुधार (द "पोस्ट-इट नोट")
    मुख्य गणित इंजन (InEKF) पहले अपना सबसे अच्छा अनुमान लगाता है। फिर, "स्मार्ट को-पायलट" (न्यूरल कॉम्पेंसेटर) उस अनुमान और स्लिप स्कोर को देखता है। वह गणना करता है कि रोबोट की स्थिति वास्तव में कितनी गलत है और अंतिम परिणाम में एक "करेक्शन नोट" जोड़ देता है।

    • महत्वपूर्ण विवरण: को-पायलट रोबोट के आंतरिक गणित इंजन को दोबारा नहीं लिखता है; यह केवल अंतिम उत्तर को ठीक करता है जिसे रोबोट चलने के लिए उपयोग करता है। यह सिस्टम को तेज़ और स्थिर रखता है।

3. उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने एक वास्तविक रोबोट (एक यूनिट्री Go1 कुत्ते जैसा रोबोट) पर तीन कठिन वातावरणों में इसका परीक्षण किया:

  1. कंकड़ (Gravel): ढीले पत्थर जो पैरों को फिसलने पर मजबूर करते हैं।
  2. टेफ्लॉन शीट: एक ऐसी सतह जो इतनी फिसलन भरी है जैसे बर्फ पर चलना।
  3. सीढ़ियाँ: जहाँ पैर अप्रत्याशित जगहों पर पड़ते हैं।

उन्होंने घास के मैदान में 100 मीटर के रास्ते पर बाहर भी इसका परीक्षण किया।

4. परिणाम

  • फिसलन भरी ज़मीन पर: पुराने तरीके बहुत भ्रमित हो गए और रोबोट की अनुमानित स्थिति वास्तविकता से बहुत दूर भटक गई। नया AttenNKF सटीक रहा, जिसने कंकड़ पर पिछले सर्वोत्तम तरीकों की तुलना में स्थिति की त्रुटियों को 93% तक कम कर दिया।
  • सीढ़ियों पर: इसने अन्य प्रणालियों की तुलना में बदलते पैरों की स्थितियों को बहुत बेहतर तरीके से संभाला।
  • बाहर (Outdoors): 100 मीटर की लंबी पैदल यात्रा के दौरान, नए सिस्टम ने रोबोट की ऊर्ध्वाधर स्थिति (ऊपर और नीचे) को स्थिर रखा, जबकि पुराने सिस्टम रास्ते से 10 मीटर तक भटक गए।

निचोड़

इस शोध पत्र को यह सिखाने के रूप में देखें कि रोबोट को यह स्वीकार करना चाहिए कि वह फिसल रहा है और तुरंत अपने मानसिक मानचित्र को इस आधार पर समायोजित करना चाहिए कि फिसलन कितनी खराब है। एक "अटेंशन" सिस्टम का उपयोग करके जो सही समय पर सही डेटा पर ध्यान केंद्रित करता है, रोबोट बिना भटके बर्फ, कंकड़ और सीढ़ियों पर आत्मविश्वास से चल सकता है।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →