Admittance-Based Motion Planning with Vision-Guided Initialization for Robotic Manipulators in Self-Driving Laboratories

तकनीकी सारांश: विजन-गाइडेड इनिशियलाइजेशन के साथ एडमिटेंस-आधारित मोशन प्लानिंग

1. समस्या विवरण

सेल्फ-ड्राइविंग लैबोरेटरीज (SDLs) का लक्ष्य रोबोटिक्स को AI के साथ एकीकृत करके वैज्ञानिक खोज को स्वचालित करना है। हालांकि, इन वातावरणों में अधिकांश वर्तमान रोबोटिक फ्रेमवर्क में कम्प्लायंट इंटरैक्शन (compliant interaction) क्षमताओं का अभाव है। मानक रिजिड मोशन प्लानिंग रोबोट को अप्रत्याशित पर्यावरणीय परिवर्तनों के अनुकूल होने में असमर्थ बनाती है, जैसे कि नाजुक प्रयोगशाला उपकरणों के साथ संपर्क या मानव ऑपरेटर द्वारा भौतिक हस्तक्षेप। एक ऐसी प्रणाली की महत्वपूर्ण आवश्यकता है जो न केवल विजन का उपयोग करके वस्तुओं को सटीक रूप से स्थानीयकृत (localize) कर सके, बल्कि मानव-रोबोट सहयोगात्मक सेटिंग्स में सुरक्षा और अनुकूलन क्षमता सुनिश्चित करने के लिए बाहरी बलों के प्रति सुरक्षित रूप से प्रतिक्रिया भी दे सके।

2. कार्यप्रणाली (Methodology)

लेखक एक दोहरी-स्तरीय फ्रेमवर्क का प्रस्ताव करते हैं जो विजन-आधारित इनिशियलाइजेशन को एडमिटेंस-आधारित कंट्रोल स्कीम के साथ जोड़ता है।

• विजन-गाइडेड इनिशियलाइजेशन:
  प्रारंभिक लक्ष्य कॉन्फ़िगरेशन स्थापित करने के लिए, सिस्टम एक स्ट्रक्चर्ड प्लेनर पोज एस्टीमेशन एल्गोरिदम का उपयोग करता है। यह फीचर एक्सट्रैक्शन के लिए Scale-Invariant Feature Transform (SIFT) और डिस्क्रिप्टर मैचिंग के लिए FLANN का उपयोग करता है। टेक्सचर्ड ऑब्जेक्ट्स के प्लेनर ट्रांसफॉर्मेशन को मॉडल करने के लिए RANSAC के माध्यम से एक होमोग्राफी मैट्रिक्स ($H$) की गणना की जाती है। इसके बाद RGB-D कैमरा से प्राप्त डेप्थ डेटा का उपयोग करके ऑब्जेक्ट के 3D पोज को रिफाइन किया जाता है, जिससे अंतरिक्ष में ऑब्जेक्ट के ओरिएंटेशन को परिभाषित करने के लिए एक ऑर्थोनॉर्मल बेसिस $(\vec{i}, \vec{j}, \vec{k})$ का निर्माण होता है।

• एडमिटेंस-आधारित मोशन प्लानिंग:
  पारंपरिक रिजिड ट्रजेक्टरी निष्पादन के बजाय, यह फ्रेमवर्क निष्पादन लूप (execution loop) में सीधे एक एडमिटेंस कंट्रोलर को शामिल करता है। कंट्रोलर मैनिपुलेटर को एक वर्चुअल मास-स्प्रिंग-डैम्पर सिस्टम के रूप में मानता है, जो इस डायनेमिक समीकरण द्वारा नियंत्रित होता है:
  $$M_d\ddot{x}(t) + B_d\dot{x}(t) + K_d(x(t) - x_d(t)) = F_{ext}(t)$$
  यह रोबोट को बाहरी बलों ($F_{ext}$) को कार्टेशियन रेफरेंस वेलोसिटी ($\dot{x}_{ref}$) में मैप करने की अनुमति देता है, जिसे फिर मैनिपुलेटर जैकोबियन के माध्यम से जॉइंट स्पेस में परिवर्तित किया जाता है। अंतिम कमांडेड ट्रजेक्टरी, नाममात्र की नियोजित पथ (nominal planned path) और एडमिटेंस-प्रेरित विस्थापन का एक मिश्रण है, जिससे रोबटेज बाहरी बलों के प्रति "झुकने" (yield) में सक्षम होता है और तत्पश्चात अपने पथ पर पुनः आरंभ कर सकता है।

• प्रायोगिक प्लेटफॉर्म:
  इस फ्रेमवर्क का परीक्षण एक मोबाइल मैनिपुलेटर पर किया गया जिसमें एक Clearpath Ridgeback ओम्नी-डायरेक्शनल बेस, एक UR5e कोलबोरेटिव आर्म, और एक Robotiq Hand-E ग्रिपर शामिल है, जो इंटेल रियलसेन्स कैमरों और LiDAR से सुसज्जित है।

3. मुख्य योगदान

• कम्प्लायंस-इंटीग्रेटेड मोशन प्लानिंग: एक नवीन योजना जो ट्रजेक्टरी निष्पादन में एडमिटेंस कंट्रोल को समाहित करती है, जिससे रोबोट को मनुष्यों द्वारा भौतिक रूप से निर्देशित किया जा सकता है और वह सुरक्षित रूप से कार्यों को पुनः आरंभ कर सकता है।
• विजन-गाइडेड पोज एस्टीमेशन: मोशन प्लानिंग के लिए रीयल-टाइम लक्ष्य कॉन्फ़िगरेशन प्रदान करने हेतु टेक्सचर्ड प्लेनर ऑब्जेक्ट्स का पता लगाने और उन्हें स्थानीयकृत करने के लिए एक मजबूत पाइपलाइन।
• SDLs के लिए एकीकृत फ्रेमवर्क: एक प्रूफ-ऑफ-कॉन्सेप्ट जो उच्च-स्तरीय धारणा (विजन) और निम्न-स्तरीय सुरक्षित इंटरैक्शन (एडमिटेंस कंट्रोल) के बीच के अंतर को पाटता है, जो विशेष रूप से प्रयोगशाला वातावरण के लिए तैयार किया गया है।

4. परिणाम

इस फ्रेमवर्क को सिमुलेशन (ROS/Gazebo) और भौतिक प्रयोगों दोनों के माध्यम से मान्य किया गया।

• विजन प्रदर्शन: सिस्टम ने प्रयोगों में 93.7% ग्रैस्पिंग सफलता दर प्राप्त की। पोज एस्टीमेशन त्रुटि $\pm$0.61 cm के भीतर रखी गई, और डिटेक्शन लेटेंसी 71 ms (~13 FPS) थी, जो रीयल-टाइम रिस्पॉन्सिवनेस सुनिश्चित करती है।
• एडमिटेंस कंट्रोल प्रदर्शन:
  • मजबूती (Robustness): रोबोट अस्थिरता के बिना 18 N तक के बाहरी बलों के प्रति सफलतापूर्वक प्रतिक्रिया देने में सफल रहा।
  • ट्रैजेक्टरी फिडेलिटी: प्रयोगों में, अधिकतम ट्रजेक्टरी विचलन 1.02 cm था, जिसमें रिकवरी समय 1.21 s था।
  • मानव-रोबोट सहयोग: कंट्रोलर ने भौतिक इंटरैक्शन के दौरान मानव प्रयास में 34% की कमी प्रदर्शित की, जो इसके एर्गोनोमिक लाभों को सिद्ध करता है।
• तुलना: जबकि सिमुलेशन ने थोड़ी अधिक सटीकता (जैसे, प्रयोगों में 0.61 cm पोज एरर के मुकाबले 0.43 cm) प्रदान की, प्रायोगिक परिणाम सैद्धांतिक मास-स्प्रिंग-डैम्पर मॉडल के काफी करीब थे।

5. महत्व

यह शोध वैज्ञानिक अनुसंधान में सुरक्षित और अधिक स्वायत्त रोबोटिक एकीकरण के लिए एक आधार प्रदान करता है। रोबोट को "फोर्स-अवेयर" (बल के प्रति जागरूक) बनाकर, यह फ्रेमवर्क निर्बाध मानव-रोबोट सहयोग को सक्षम बनाता है, जहाँ ऑपरेटर आपातकालीन स्टॉप को ट्रिगर किए बिना या नुकसान पहुँचाए बिना हस्तक्षेप कर सकते हैं। यह पूरी तरह से स्वायत्त सेल्फ-ड्राइविंग लैबोरेटरीज की ओर एक महत्वपूर्ण कदम है जहाँ रोबोट को अव्यवस्थित, अप्रत्याशित और नाजुक वातावरण में नेविगेट करना होता है। भविष्य के कार्य का लक्ष्य इसे पारदर्शी और विरूपण योग्य (deformable) वस्तुओं तक विस्तारित करना है, जिससे SDLs की स्वायत्तता और बढ़ सकेगी।