💻 computer science

Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions

यह शोध पत्र इनवर्स रेजिस्टिव फोर्स थ्योरी (I-RFT) प्रस्तुत करता है, जो एक भौतिकी-सूचित मशीन लर्निंग फ्रेमवर्क है जो रोबोटों को मनमाने गेट ट्रैजेक्टरीज के तहत प्रोप्रियोसेप्टिव कॉन्टैक्ट फोर्सेज से ग्रेनुलर टेरेन गुणों का सटीक अनुमान लगाने में सक्षम बनाता है, जिससे डेटा-कुशल पर्यावरणीय लक्षण वर्णन और अनुकूलन योग्य लोकोमोशन रणनीतियों को सुगम बनाया जा सके।

मूल लेखक: Shipeng Liu, Feng Xue, Yifeng Zhang, Tarunika Ponnusamy, Feifei Qian

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shipeng Liu, Feng Xue, Yifeng Zhang, Tarunika Ponnusamy, Feifei Qian

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 आप गहरे, नरम रेत के मैदान में चल रहे हैं। आप केवल देखकर यह नहीं देख सकते कि रेत कितनी गहरी है या कितनी चिपचिपी है। लेकिन, जैसे ही आप एक कदम उठाते हैं, आपका पैर प्रतिरोध (resistance) महसूस करता है। यदि रेत ढीली है, तो आपका पैर आसानी से धंस जाता है। यदि वह कसकर जमी हुई है, तो उसे पार करना कठिन लगता है।

अब, कल्पना कीजिए कि एक रोबोट उसी रेत पर चलने की कोशिश कर रहा है। उसके पास आँखें नहीं हैं जिनसे वह रेत की बनावट को "देख" सके, लेकिन उसके पास अपने पैरों में "महसूस करने वाले" (feel sensors) सेंसर हैं। चुनौती यह है: रोबोट चलते समय अपने पैरों पर लगने वाले बल (forces) को महसूस करके रेत के सटीक गुणों का पता कैसे लगा सकता है?

यही वह समस्या है जिसे यह शोध पत्र हल करता है। यहाँ उनके समाधान, इन्वर्स रेजिस्टिव फोर्स थ्योरी (I-RFT) का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

1. समस्या: रेत का "ब्लैक बॉक्स"

पारंपरिक रूप से, रेत को समझने के लिए रोबोटों को कुछ बहुत ही विशिष्ट, उबाऊ परीक्षण करने पड़ते थे। कल्पना कीजिए कि एक रोबोट रुक जाता है, रेत में सीधा एक प्रोब डालता है, और उसे सीधा ऊपर खींचता है। यह उसे रेत के बारे में कुछ बताता है, लेकिन यह धीमा है और रोबोट को आगे बढ़ने में मदद नहीं करता है।

लेखक चाहते थे कि एक रोबोट स्वाभाविक रूप से चलते हुए, किसी भी तरह के कदम या पैर के आकार का उपयोग करके रेत के बारे में सीख सके। लेकिन एक पेंच है: रोबोट के सेंसर केवल पूरे पैर पर लगने वाले कुल बल (total force) को महसूस करते हैं। यह एक डिब्बे के अंदर छिपी वस्तु के आकार का अनुमान लगाने जैसा है, बस डिब्बे को हिलाकर और कुल वजन के बदलाव को महसूस करके। आप व्यक्तिगत हिस्सों को नहीं देख सकते; आप केवल संयुक्त परिणाम को महसूस करते हैं।

2. समाधान: "स्मार्ट डिटेक्टिव" (I-RFT)

लेखकों ने I-RFT नामक एक प्रणाली बनाई है। इसे एक सुपर-स्मार्ट जासूस के रूप में सोचें जो दो चीजों को जोड़ता है:

भौतिकी के नियम (The "Law"): एक ज्ञात सिद्धांत जिसे "रेजिस्टिव फोर्स थ्योरी" (RFT) कहा जाता है। यह एक नियम पुस्तिका की तरह है जो कहती है, "यदि धातु का एक सपाट टुकड़ा इस कोण पर रेत के माध्यम से धक्का देता है, तो यह इतना ड्रैग (drag) पैदा करता है।"
मशीन लर्निंग (The "Intuition"): एक गॉसियन प्रोसेस (Gaussian Process), जो एक गणितीय उपकरण है जो पहेली के छूटे हुए हिस्सों का अनुमान लगाने और अपने अनुमान में अपने आत्मविश्वास को बताने में माहिर है।

यह कैसे काम करता है:
केवल रेत के गुणों का अनुमान लगाने के बजाय, रोबोट यह मान लेता है कि रेत में प्रतिरोध का एक छिपा हुआ "मानचित्र" (stress map) है।

रोबोट एक कदम उठाता है।
वह कुल बल महसूस करता है।
वह उस कुल बल को अपने पैर के हर छोटे हिस्से के योगदान में तोड़ने के लिए भौतिकी के नियमों का उपयोग करता है।
वह मशीन लर्निंग का उपयोग करके पूछता है: "वह छिपा हुआ मानचित्र कैसा दिखना चाहिए जो ठीक इतना कुल बल पैदा करेगा?"

यह एक शेफ द्वारा सूप चखने जैसा है। शेफ को रेसिपी (Physics) पता है और वह जानता है कि नमक, काली मिर्च और जड़ी-बूटियाँ अलग-अलग कैसी लगती हैं। अंतिम सूप (सेंसर डेटा) को चखकर, वह पीछे की ओर काम कर सकता है और यह पता लगा सकता है कि वास्तव में प्रत्येक सामग्री का कितना उपयोग किया गया था, भले ही उसने खाना बनाने की प्रक्रिया को न देखा हो।

3. "पैर के आकार" का प्रयोग

शोधकर्ताओं ने रोबोट पर दो अलग-अलग "पैर" का परीक्षण किया:

सपाट पैर (I-Toe): एक सपाट पैडल की तरह। जब यह चलता है, तो इसका हर हिस्सा एक ही दिशा में चलता है। यह एक सीधी रेखा में चलकर कमरे के आकार का अनुमान लगाने जैसा है। आप कई कोणों को मिस कर देते हैं।
घुमावदार पैर (C-Toe): एक घुमावदार चम्मच की तरह। जब यह चलता है, तो अगला हिस्सा एक दिशा में धक्का देता है, बीच का हिस्सा दूसरी दिशा में, और पिछला हिस्सा तीसरी दिशा में। यह कमरे में चारों ओर घूमने जैसा है; आप सभी अलग-अलग कोणों से दीवारों को महसूस करते हैं।

परिणाम: घुमावदार पैर रेत के बारे में सीखने में बहुत बेहतर था। क्योंकि इसने एक साथ कई अलग-अलग कोणों से रेत को छुआ, इसने अधिक जानकारी एकत्र की, जिससे "जासूस" के लिए रेत के गुणों का एक स्पष्ट मानचित्र बनाना संभव हो गया।

4. "अनिश्चितता" की महाशक्ति

I-RFT का सबसे शानदार हिस्सा यह है कि यह केवल अनुमान नहीं लगाता; यह आपको बताता है कि यह कितना आश्वस्त है।

यदि रोबोट ने एक ही स्थान पर कई बार चहलकदमी की है, तो मानचित्र स्पष्ट है, और अनिश्चितता कम है।
यदि रोबोट ने अभी तक वहां नहीं चला है, तो मानचित्र धुंधला है, और अनिश्चितता अधिक है।

यह रोबोट को अपने अगले कदम के बारे में स्मार्ट बनाता है। यदि मानचित्र धुंधला है, तो रोबोट कह सकता है, "मुझे इस रेत के टुकड़े के बारे में यकीन नहीं है। मुझे इसे बेहतर ढंग से महसूस करने के लिए यहीं एक अजीब, ज़िग-ज़ैग कदम उठाना चाहिए।" यह रोबोट को एक सक्रिय खोजकर्ता (active explorer) में बदल देता है जो जानता है कि उसे कब अधिक डेटा की आवश्यकता है।

5. वास्तविक दुनिया के परिणाम

टीम ने एक वास्तविक रोबोट पैर पर एक टैंक में 'फ्लुइडाइज्ड सैंड' (ऐसी रेत जो हवा फूँकने पर तरल की तरह व्यवहार करती है) में इसका परीक्षण किया।

सफलता: रोबोट सफलतापूर्वक चलते समय बलों को महसूस करके "सैंड मैप" को पुनर्गठित करने में सफल रहा।
कमियां: यह पूर्ण नहीं था। वास्तविक जीवन अव्यवस्थित होता है। रोबोट के जोड़ों में घर्षण और रेत का पैर के ऊपर बहना, जैसा कि भौतिकी मॉडल ने भविष्यवाणी नहीं की थी, कुछ त्रुटियों का कारण बना। लेकिन, यह सिद्ध करने के लिए पर्याप्त था कि अवधारणा काम करती है।

बड़ी तस्वीर (The Big Picture)

यह शोध पत्र रोबोटों को एक नई महाशक्ति देता है: स्पर्श संबंधी बुद्धिमत्ता (Tactile Intelligence)।
महंगे कैमरों या नमूने लेने के लिए रुकने की आवश्यकता के बिना, रोबोट अब चलते समय जमीन की "बनावट" को महसूस कर सकते हैं, इलाके का मानसिक मानचित्र बना सकते हैं, और चलते समय अपने कदमों को समायोजित कर सकते हैं। यह उन रोबोटों की ओर एक बड़ा कदम है जो कीचड़ में फंसे बिना मंगल ग्रह, आपदा क्षेत्रों या गहरे जंगलों को सुरक्षित रूप से एक्सप्लोर कर सकते हैं।

संक्षेप में: उन्होंने रोबोट को भौतिकी के नियमों और स्मार्ट अनुमानों के मिश्रण का उपयोग करके, अपने स्वयं के पैरों की "फुसफुसाहट" को सुनकर जमीन की "बनावट" को पढ़ना सिखाया।

यहाँ "इन्वर्स रेजिस्टिव फोर्स थ्योरी (I-RFT): रोबोट-टेरेन फिजिकल इंटरैक्शन के माध्यम से ग्रेनुलर गुणों को सीखना" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विविकृत ग्रेनुलर टेरेन (जैसे रेत, कीचड़, बजरी) में नेविगेट करने वाले रोबोट्स को अपनी लोकोमोशन रणनीतियों को अनुकूलित करने और विफलता से बचने के लिए सबस्ट्रेट (substrate) के यांत्रिक गुणों (संपीड़न, सामंजस्य/cohesion) के सटीक ज्ञान की आवश्यकता होती है।

वर्तमान विधियों की सीमाएँ: ग्रेनुलर गुणों के अनुमान के लिए मौजूदा दृष्टिकोण अक्सर विशिष्ट, गैर-प्राकृतिक पैर प्रक्षेपवक्रों (जैसे शुद्ध ऊर्ध्वाधर प्रवेश या क्षैतिज कतरनी/shear) पर निर्भर करते हैं। ये "रियोमीटर-जैसे" परीक्षण प्राकृतिक, गतिशील लोकोमोशन में एकीकृत करना कठिन है।
मुख्य चुनौती: प्राकृतिक लोकोमोशन के दौरान, रोबोट केवल एकत्रित जॉइंट-स्तरीय टॉर्क/फोर्स माप को देखते हैं। ये माप कई पैर खंडों (leg segments) के बीच जटिल, एक साथ होने वाली अंतःक्रियाओं का परिणाम हैं, जिनमें से प्रत्येक का टेरेन के सापेक्ष अलग-अलग ओरिएंटेशन और गति दिशा होती है। अप्रत्यक्ष, एकत्रित अवलोकनों से आंतरिक, कॉन्फ़िगरेशन-स्वतंत्र टेरेन गुणों (एक स्ट्रेस मैप) का अनुमान लगाना एक कठिन रैखिक व्युत्क्रम समस्या (linear inverse problem) है।

2. कार्यप्रणाली: इन्वर्स रेजिस्टिव फोर्स थ्योरी (I-RFT)

लेखक I-RFT का प्रस्ताव करते हैं, जो एक भौतिकी-सूचित मशीन लर्निंग फ्रेमवर्क है जो ग्रेनुलर रेजिस्टिव फोर्स थ्योरी (RFT) को गौसियन प्रोसेस (GP) के साथ जोड़ता है ताकि मनमाने पैर के प्रक्षेपवक्र (trajectories) और पैर के आकार से टेरेन गुणों का अनुमान लगाया जा सके।

अ. सैद्धांतिक आधार (Theoretical Foundation)

फॉरवर्ड मॉडल (RFT): फ्रेमवर्क यह मानता है कि पैर पर कुल बल, डिस्क्रीट सतह खंडों पर कार्य करने वाले स्थानीय रेजिस्टिव बलों का सुपरपोजिशन है। एक खंड पर बल, ग्रेनुलर माध्यम के सापेक्ष उसकी गहराई, ओरिएंटेशन ( $\beta$ $β$ ), और गति की दिशा ( $\gamma$ $γ$ ) पर निर्भर करता है।
- $F = \sum |z_m| A_m \alpha(\beta_m, \gamma_m)$
- यहाँ, $\alpha(\beta, \gamma)$ अज्ञात स्ट्रेस-पर-डेप्थ मैप (वह लेटेंट वेरिएबल जिसका अनुमान लगाया जाना है) को दर्शाता है।
व्युत्क्रम समस्या का निरूपण (Inverse Problem Formulation): डेटा से सीधे बल सीखने के बजाय, I-RFT स्ट्रेस मैप $\alpha$ $α$ को एक गौसियन प्रोसेस द्वारा मॉडल किए गए लेटेंट फंक्शन के रूप में मानता है।
- रैखिक व्युत्क्रम समस्या: देखे गए जॉइंट टॉर्क को लेटेंट स्ट्रेस मैप के रैखिक फलन (linear functionals) के रूप में मॉडल किया जाता है। ऑब्जर्वेशन ऑपरेटर संपर्क सतह पर स्ट्रेस मैप को सेगमेंट ज्योमेट्री और किनेमैटिक्स के भार के साथ एकीकृत करता है।
- प्रोबेबिलिस्टिक मॉडलिंग: स्वतंत्र GP को ऊर्ध्वाधर ( $\alpha_z$ ) और क्षैतिज ( $\alpha_x$ ) स्ट्रेस मैप्स पर रखा गया है। ओरिएंटेशन एंगल $\beta$ में आवधिकता (periodicity) को लागू करने के लिए साइनुसोइडल फीचर एम्बेडिंग के साथ एक रेडियल बेसिस फंक्शन (RBF) कर्नेल का उपयोग किया गया है।

ब. इन्फरेंस पाइपलाइन (Inference Pipeline)

डेटा संग्रह: रोबोट विभिन्न पैर ज्यामिति (जैसे फ्लैट "I-Toe" या कर्व्ड "C-Toe") के साथ मनमाने प्रक्षेपवक्र निष्पादित करता है।
अवलोकन: प्रोप्रियोसेप्टिव सेंसर जॉइंट टॉर्क को मापते हैं, जिन्हें रोबोट के किनेमैटिक्स और जैकोबियन का उपयोग करके बाहरी संपर्क बलों ( $F_{ext}$ ) में बदल दिया जाता है।
पोस्टीरियर प्रेडिक्शन: संकलित अवलोकनों (कई खंडों से एकत्रित बलों) का उपयोग करते हुए, फ्रेमवर्क स्ट्रेस मैप के पोस्टीरियर डिस्ट्रीब्यूशन की गणना करता है।
- यह $(\beta, \gamma)$ डोमेन में किसी भी बिंदु पर स्ट्रेस मैप के माध्य (mean) और विचरण (variance) की गणना करता है।
- यह कैलिब्रेटेड अनसर्टेंटी (uncertainty) प्रदान करता है, जो यह दर्शाता है कि स्ट्रेस मैप के कौन से क्षेत्र डेटा द्वारा अच्छी तरह से बाधित (constrained) हैं और किन क्षेत्रों का अनुमान लगाया गया है।

3. प्रमुख योगदान (Key Contributions)

सामान्यीकरण योग्य ढांचा (Generalizable Framework): विशिष्ट जांच गतियों की आवश्यकता वाले पिछले तरीकों के विपरीत, I-RFT मनमाने प्रक्षेपवक्रों और विविध पैर ज्यामिति से टेरेन गुणों का अनुमान लगा सकता है।
फिजिक्स-इन्फॉर्म्ड लर्निंग: GP संरचना के भीतर RFT फॉरवर्ड मॉडल को शामिल करके, यह विधि डेटा-संचालित लर्निंग की लचीलापन का लाभ उठाते हुए भौतिक निरंतरता सुनिश्चित करती है।
अनसर्टेंटी क्वांटिफिकेशन (Uncertainty Quantification): फ्रेमवर्क एक प्रोबेबिलिस्टिक स्ट्रेस मैप आउटपुट करता है जिसमें कैलिब्रेटेड अनसर्टेंटी होती है। यह रोबोट को "सूचना अंतराल" (information gaps) की पहचान करने और अधिक सूचनात्मक डेटा एकत्र करने के लिए भविष्य के गेट्स या फुट डिज़ाइन को सक्रिय रूप से अनुकूलित करने में सक्षम बनाता है।
एंड-टू-एंड सेंसिंग: यह सफलतापूर्वक बाहरी सेंसरों के बिना लो-लेवल जॉइंट टॉर्क माप और हाई-लेवल टेरेन मैकेनिकल गुणों के बीच के अंतर को पाटता है।

4. परिणाम (Results)

लेखकों ने संख्यात्मक सिमुलेशन और एक डायरेक्ट-ड्राइव रोबोटिक लेग के साथ फ्लुइडाइज्ड ग्रेनुलर बेड में भौतिक प्रयोगों के माध्यम से I-RFT को सत्यापित किया।

अ. संख्यात्मक सत्यापन (Numerical Validation)

सटीकता: I-Rط ने विभिन्न टो शेप्स (I-Toe बनाम C-Toe) और प्रक्षेपवक्रों (Rectangular बनाम Cubic Spline) के लिए स्ट्रेस मैप्स की प्रमुख लो-फ्रीक्वेंसी स्थानिक संरचना को सफलतापूर्वक पुनर्गठित किया।
ज्यामिति का प्रभाव: C-Toe (कर्व्ड) ने I-Toe (फ्लैट) की तुलना में काफी बेहतर प्रदर्शन किया। C-Toe के विविध सेगमेंट ओरिएंटेशन ने $(\beta, \gamma)$ डोमेन के समृद्ध सैंपलिंग को सक्षम किया, जिससे कम RMSE (उदाहरण के लिए, कुछ गेट्स में I-Toe के लिए 0.1301 बनाम C-Toe के लिए 0.0305) और ग्राउंड ट्रुथ के साथ उच्च सहसंबंध प्राप्त हुआ।
प्रक्षेपवक्र का प्रभाव: वे प्रक्षेपवक्र जिन्होंने मोशन एंगल्स की एक विस्तृत श्रृंखला को कवर किया, उन्होंने स्ट्रेस मैप का बेहतर कवरेज प्रदान किया, जिससे पुनर्निर्माण सटीकता में सुधार हुआ।
शोर संवेदनशीलता (Noise Sensitivity): जबकि C-Toe कम शोर के तहत बेहतर प्रदर्शन करता है, इसने व्युत्क्रम समस्या में मजबूत कपलिंग के कारण माप शोर के प्रति उच्च संवेदनशीलता दिखाई। अध्ययन ने एक्साइटेशन डायवर्सिटी (बेहटतर पहचान क्षमता) और शोर मजबूती (noise robustness) के बीच एक ट्रेड-ऑफ की पहचान की।

ब. प्रयोगात्मक सत्यापन (Experimental Validation)

सेटअप: प्रयोग एक फ्लुइडाइज्ड सैंड बेड पर I-Toe और C-Toe ज्यामिति के साथ एक डायरेक्ट-ड्राइव लेग का उपयोग करके किए गए थे।
प्रदर्शन: विधि ने वास्तविक प्रोप्रियोसेप्टिव डेटा से स्ट्रेस डिस्ट्रीब्यूशन के समग्र स्थानिक रुझानों को मजबूती से रिकवर किया।
त्रुटि विश्लेषण:
- बल भविष्यवाणी: पुनर्गठित बल क्षैतिज घटक ( $F_x$ ) के लिए संदर्भ डेटा से अच्छी तरह मेल खाते हैं, लेकिन ऊर्ध्वाधर घटक ( $F_z$ ) के लिए उच्च त्रुटियां दिखाते हैं।
- त्रुटि के स्रोत: विसंगतियों का श्रेय (1) गैर-आदर्श फोर्स सेंसिंग (मोटर फ्रिक्शन, कॉगिंग) और (2) स्वयं RFT मॉडल की सीमाओं (जैसे, टो उठाने के दौरान अनमॉडलड सैंड फ्लो, जो "लोकलली फ्लैट सरफेस" धारणा का उल्लंघन करता है) को दिया गया।
- इन त्रुटियों के बावजूद, फ्रेमवर्क ने टेरेन के प्रमुख मैकेनिक्स को सफलतापूर्वक कैप्चर किया।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

एक्टिव परसेप्शन (Active Perception): अनसर्टेंटी को मापने की क्षमता सक्रिय टेरेन अन्वेषण (active terrain exploration) को सक्षम करती है। रोबोट इस अनसर्टेंटी मैप का उपयोग उन गेट्स या फुट शेप्स को चुनने के लिए कर सकते हैं जो सूचना प्राप्ति (information gain) को अधिकतम करते हैं, जिससे लोकोमोशन दक्षता और टेरेन कैरेक्टराइजेशन के बीच संतुलन बना रहता है।
अनुकूली लोकोमोशन के लिए आधार: I-RFT "इंटरैक्शन-ड्रिवन परसेप्शन" के लिए एक नया प्रतिमान स्थापित करता है, जहाँ रोबोट निष्क्रिय सेंसिंग के बजाय भौतिक संपर्क के माध्यम से अपने वातावरण के बारे में सीखते हैं।
भविष्य का कार्य: लेखक सेंसिंग, इन्फरेंस और अनुकूली लोकोमोशन के बीच लूप को बंद करने के लिए एक्टिव प्रक्षेपवक्य अनुकूलन को एकीकृत करने और हार्डवेयर सीमाओं से बायस को कम करने के लिए फोर्स एस्टीमेशन मॉडल को रिफाइन करने की योजना बना रहे हैं।

संक्षेप में, I-RFT लीग्ड रोबोटिक्स में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो रोबोट को गतिशील रूप से और कुशलता से जटिल ग्रेनुलर वातावरण को "महसूस" करने और समझने में सक्षम बनाता है, जिससे रेगिस्तान या आपदा क्षेत्रों जैसे अनस्ट्रक्चर्ड टेरेन में अधिक स्वायत्त संचालन का मार्ग प्रशस्त होता है।