⚡ electrical engineering

Formation-Aware Adaptive Conformalized Perception for Safe Leader-Follower Multi-Robot Systems

यह शोध पत्र एक वितरित, फॉर्मेशन-अवेयर एडेप्टिव कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क प्रस्तावित करता है जो हेटेरोसेडास्टिक धारणा त्रुटियों (heteroscedastic perception errors) के तहत विजिबिलिटी बाधाओं को लागू करने और सुरक्षित, उच्च-प्रदर्शन वाले लीडर-फॉलोअर मल्टी-रोबोट संचालन सुनिश्चित करने के लिए जोखिम-संवेदनशील अनिश्चितता सीमाओं को उत्पन्न करता है।

मूल लेखक: Richie R. Suganda, Bin Hu

प्रकाशित 2026-03-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Richie R. Suganda, Bin Hu

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 डांसिंग ग्रुप है जहाँ एक डांसर लीडर (नेता) है और बाकी सब फॉलोअर्स (अनुयायी) हैं। फॉलोअर्स के पास कोई कोरियोग्राफर नहीं है जो किनारे से निर्देश चिल्लाता रहे; इसके बजाय, उन्हें अपनी आँखों (कैमरों) से लीडर को देखना होगा और एक विशिष्ट फॉर्मेशन (जैसे V-आकार या एक रेखा) में रहना होगा।

इस डांस का सबसे बड़ा नियम है: लीडर को हमेशा फॉलोअर्स के दृश्य क्षेत्र (field of view) में रहना चाहिए। यदि लीडर कैमरा फ्रेम से बाहर कदम रखता है, तो डांस टूट जाता है, और रोबोट टकरा सकते हैं।

समस्या: "धुंधले चश्मे" और "लड़खड़ाते कदम"

वास्तविक दुनिया में, रोबोटों के पास सटीक दृष्टि नहीं होती। उनके कैमरे और AI दिमाग गलतियाँ करते हैं।

धुंधलापन (The Blur): कभी-कभी रोबमा को लगता है कि लीडर 5 मीटर दूर है, लेकिन वास्तव में वे 5.2 मीटर दूर होते हैं।
लड़खड़ाहट (The Wobble): गलती हर जगह एक जैसी नहीं होती। यदि लीडर कैमरे के बिल्कुल केंद्र में है, तो रोबोट उन्हें स्पष्ट रूप से देखता है (कम त्रुटि)। लेकिन यदि लीडर कैमरे के दृश्य क्षेत्र (Field of View या FOV) के बिल्कुल किनारे पर है, तो दृष्टि अस्थिर हो जाती है और त्रुटि बहुत बड़ी हो जाती है।

पुराना तरीका ("एक ही आकार सबके लिए" वाला दृष्टिकोण):
पिछले सुरक्षा सिस्टम एक घबराए हुए माता-पिता की तरह काम करते थे जो हर बार सबसे बुरे मामले को मान लेते हैं।

उपमा: कल्पना कीजिए कि एक माता-पिता अपने बच्चे को कह रहे हैं, "यदि तुम पूल के किनारे से 1 इंच भी करीब आते हो, तो तुम डूब सकते हो, इसलिए तुम्हें हमेशा किनारे से 10 फीट दूर रहना चाहिए।"
परिणाम: रोबोट किनारे से इतना दूर रहता है ताकि वह "सुरक्षित" रहे कि वह ठीक से डांस नहीं कर पाता। वह सख्त, धीमा हो जाता है, और अक्सर फॉर्मेशन बनाए रखने में विफल रहता है क्योंकि वह हिलने से बहुत डरता है।

समाधान: "स्मार्ट, एडेप्टिव सेफ्टी ग्लासेस"

यह पेपर एक नया सिस्टम पेश करता है जिसे फॉर्मेशन-अवेयर एडेप्टिव कॉन्फॉर्मलाइज्ड परसेप्शन (Formation-Aware Adaptive Conformalized Perception) कहा जाता है। आइए इस डरावने नाम को एक सरल कहानी में तोड़ते हैं।

1. "रिस्क-अवेयर" मैप (द मोंड्रियन मैप)

पूरे कैमरा व्यू को समान रूप से खतरनाक मानने के बजाय, रोबोट व्यू को ज़ोन में विभाजित करता है, जैसे एक चित्रकार का कैनवास (इसीलिए "मोंड्रियन")।

ग्रीन ज़ोन (केंद्र): लीडर बिल्कुल बीच में है। दृष्टि एकदम स्पष्ट है। रोबोट जानता है, "मैं यहाँ सुरक्षित हूँ। मैं त्रुटि के एक छोटे मार्जिन के साथ रह सकता हूँ।"
रेड ज़ोन (किनारा): लीडर कैमरे के किनारे के पास है। दृष्टि धुंधली है। रोबोट जानता है, "यह खतरनाक है! मुझे एक बड़े सुरक्षा बफ़र की आवश्यकता है।"

2. "एडेप्टिव" मार्जिन (द स्ट्रेची रबर बैंड)

सिस्टम कॉन्फॉर्मल प्रेडिक्शन (Conformal Prediction) नामक एक गणितीय ट्रिक का उपयोग करता है ताकि यह माप सके कि प्रत्येक ज़ोन में दृष्टि कितनी धुंधली है।

ग्रीन ज़ोन में: यह एक तंग रबर बैंड पहनता है। यह अपनी दृष्टि पर इतना भरोसा करता है कि किनारे के करीब जा सके, जिससे स्मूथ और तेज़ डांस संभव हो सके।
रेड ज़ोन में: यह तुरंत रबर बैंड को चौड़ा फैला देता है। यह खुद को एक विशाल सुरक्षा कुशन देता है ताकि भले ही इसकी दृष्टि पूरी तरह गलत हो, लीडर गलती से दृष्टि से बाहर न निकल जाए।

3. "स्मूथ" ट्रांजिशन

सबसे अच्छी बात यह है कि रोबोट लाइट स्विच की तरह "टाइट" से "लूज" में नहीं बदलता। यह एक डिमर स्विच की तरह है। जैसे-जैसे लीडर केंद्र से किनारे की ओर बढ़ता है, सुरक्षा बफ़र धीरे-धीरे बढ़ता जाता है। यह रोबोट को झटके देने या घबराहट में फंस जाने से रोकता है।

यह क्यों मायने रखता है (परिणाम)

शोधकर्ताओं ने वास्तविक रोबोट भौतिकी (Gazebo) के साथ एक कंप्यूटर सिमुलेशन में इसका परीक्षण किया।

पुराना घबराया हुआ रोबोट: किनारे के पास हिलने से डरने के कारण 96% समय डांस जारी रखने में विफल रहा।
पुराना "अंधा" रोबोट: धुंधली दृष्टि को ध्यान में न रखने के कारण टकरा गया या लीडर को खो दिया।
नया "स्मार्ट" रोबोट: 95% समय सफल रहा। इसने केंद्र में खूबसूरती से डांस किया (क्योंकि यह अत्यधिक सतर्क नहीं था) और किनारों पर सुरक्षित रहा (क्योंकि इसे पता था कि कब अतिरिक्त सावधान रहना है)।

मुख्य निष्कर्ष (The Takeaway)

यह पेपर रोबोटों को सिखाता है कि वे अपनी अनिश्चितता के बारे में स्मार्ट कैसे बनें। गलती करने के डर से पंगु होने के बजाय, या इसे अनदेखा करके लापरवाह होने के बजाय, वे सीखते हैं कि वे कहाँ हैं और वे कितना अच्छा देख पा रहे हैं, इसके आधार पर अपने सुरक्षा नियमों को कैसे समायोजित करें।

यह उस ड्राइवर से अलग है जो गति के डर से हाईवे पर कभी नहीं जाता, और उस ड्राइवर से भी अलग है जो जानता है कि जब रास्ता धुंधला हो तो उसे ठीक से धीमा कैसे करना है, लेकिन धूप खिली होने पर तेज कैसे चलाना है।

यहाँ शोध पत्र "Formation-Aware Adaptive Conformalized Perception for Safe Leader–Follower Multi-Robot Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डिस्ट्रीब्यूटेड विजन-आधारित लीडर-फॉलोअर मल्टी-रोबोट सिस्टम में महत्वपूर्ण सुरक्षा चुनौतियों को संबोधित करता है। इन प्रणालियों में, फॉलोअर रोबोट फॉर्मेशन बनाए रखने और लीडर को कैमरा फील्ड ऑफ व्यू (FOV) के भीतर रखने के लिए ऑनबोर्ड परसेप्शन (जैसे कैमरे) के माध्यम से सापेक्ष अवस्थाओं (दूरी और बेयरिंग) का अनुमान लगाने पर निर्भर करते हैं।

मुख्य चुनौतियाँ:

हेटरोसेडास्टिक परसेप्शन एरर्स (Heteroscedastic Perception Errors): अनुमान त्रुटियाँ एकसमान नहीं होती हैं; वे रोबोट की अवस्था के आधार पर काफी भिन्न होती हैं। त्रुटियाँ आमतौर पर इमेज के केंद्र के पास कम (कम जोखिम) होती हैं, लेकिन FOV सीमाओं के पास नाटकीय रूप से बढ़ जाती हैं (उच्च जोखिम)।
डायनेमिक्स और विजिबिलिटी का जुड़ाव (Coupling of Dynamics and Visibility): फॉर्मेशन युद्धाभ्यास (मुड़ना, त्वरण करना) सीधे दृश्यता (visibility) को प्रभावित करते हैं। यदि अनुमान त्रुटियों के कारण फॉलोअर लीडर को खो देता है, तो सिस्टम विफल हो जाता है।
मौजूदा विधियों की सीमाएँ:
- नोमिनल CBFs (Nominal CBFs): ये पूर्ण स्टेट फीडबैक मानकर चलते हैं, जिससे सीमाओं के पास अनुमान त्रुटियों के होने पर सुरक्षा उल्लंघन होता है।
- रोबस्ट CBFs (Robust CBFs): ये वर्स्ट-केस एरर बाउंड्स का उपयोग करते हैं, जिसके परिणामस्वरूप अत्यधिक रूढ़िवादी व्यवहार होता है जो सुरक्षित क्षेत्रों में भी गतिशीलता को प्रतिबंधित कर देता है।
- स्टैंडर्ड कॉन्फॉर्मल प्रेडिक्शन (Standard Conformal Prediction - CP): यह आमतौर पर एक एकल ग्लोबल (वैश्विक) एरर बाउंड प्रदान करता है। यह सिस्टम को हर जगह वर्स्ट-केस मार्जिन अपनाने के लिए मजबूर करता है, जिससे कम-जोखिम वाली कॉन्फ़िगरेशन में अनावश्यक रूप से व्यवहार्य कंट्रोल सेट छोटा हो जाता है, जबकि उच्च-जोखिम वाले हेवी-टेल्ड एरर रिजीम में यह अभी भी अपर्याप्त रूप से रूढ़िवादी हो सकता है।

2. कार्यप्रणाली (Methodology)

लेखक एक फॉर्मेशन-अवेयर एडेप्टिव कॉन्फॉर्मलाइज्ड परसेप्शन फ्रेमवर्क प्रस्तावित करते हैं जो अनिश्चितता मात्रा निर्धारण (uncertainty quantification) को सीधे सुरक्षा नियंत्रण परत (safety control layer) में एकीकृत करता है।

A. रिस्क-अवेयर मोंड्रियन कॉन्फॉर्मल प्रेडिक्शन (Risk-Aware Mondrian Conformal Prediction - MCP)

एक ग्लोबल बाउंड के बजाय, यह विधि सुरक्षा बाधाओं (FOV सीमाओं) के निकटता के आधार पर स्टेट स्पेस को रिस्क रीजन में विभाजित करती है।

स्टेट पार्टीशनिंग (State Partitioning): स्टेट स्पेस को एक स्केलर रिस्क इंडिकेटर $h(x)$ $h (x)$ (सेफ्टी बैरियर फंक्शन का न्यूनतम मान) का उपयोग करके $R$ $R$ रिस्क ग्रुप्स ( $B_1, \dots, B_R$ $B_{1}, \dots, B_{R}$ ) में विभाजित किया गया है।
- उच्च-जोखिम: FOV सीमाओं के पास।
- कम-जोखिम: इमेज के केंद्र के पास।
एडेप्टिव क्वांटाइल्स (Adaptive Quantiles): कैलिब्रेशन प्रक्रिया प्रत्येक रिस्क ग्रुप के लिए अलग-अलग नॉन-कॉन्फॉर्मिटी स्कोर और क्वांटाइल्स ( $\hat{q}_{i,r}$ $\overset{q}{^}_{i, r}$ ) की गणना करती है।
- उच्च-जोखिम समूहों को सख्त मिसकवरेज स्तर ( $\delta_r$ छोटा) दिए जाते हैं।
- कम-जोखिम समूहों को शिथिल मिसकवरेज स्तर ( $\delta_r$ बड़ा) दिए जाते हैं।
स्मूथ ट्रांजिशन (Smooth Transition): रिस्क रीजन के बीच स्विच करते समय कंट्रोल सिग्नल में विच्छेदन (discontinuities) से बचने के लिए, एक लीनियर इंटरपोलेशन को ट्रांजिशन बफर पर लागू किया जाता है। यह एक निरंतर, स्टेट-डिपेंडेंट अनिश्चितता मार्जिन $\tilde{q}_i(\hat{x}_i)$ बनाता है।

B. कॉन्फॉर्मल फॉर्मेशन-अवेयर CBF-QP

एडेप्टिव अनिश्चितता सीमाओं को कंट्रोल बैरियर फंक्शन (CBF) क्वाड्रेटिक प्रोग्राम (QP) में एकीकृत किया जाता है।

टाइटेंड बैरियर (Tightened Barrier): सुरक्षा बाधा को लिप्सचिट्ज़-स्केल्ड अनिश्चितता मार्जिन को नोमिनल बैरियर फंक्शन से घटाकर कड़ा किया जाता है:
$\tilde{h}_\ell(\hat{x}_i) = h_\ell(\hat{x}_i) - L_{h_\ell} \cdot \tilde{q}_i(\hat{x}_i)$
कंट्रोल सिंथेसिस (Control Synthesis): प्रत्येक टाइम स्टेप पर, कंट्रोलर नोमिनल ट्रैकिंग कंट्रोल से विचलन को कम करने के लिए एक QP को हल करता है, जबकि टाइटेंड CBF बाधाओं को संतुष्ट करता है।
सैद्धांतिक गारंटी (Theoretical Guarantee): थ्योरम 1 सिद्ध करता है कि यह दृष्टिकोण एक प्रोबेबिलिस्टिक फॉरवर्ड इनवेरिएंस गारंटी प्रदान करता है। यदि प्रारंभिक अवस्था टाइटेंड बाधाओं को संतुष्ट करती है, तो वास्तविक अवस्था $1 - \sum \delta_r$ की संभावना के साथ सुरक्षित सेट के भीतर रहती है।

3. मुख्य योगदान (Key Contributions)

एडेप्टिव अनिश्चितता मात्रा निर्धारण (Adaptive Uncertainty Quantification): एक रिस्क-अवेयर मोंड्रियन CP फ्रेमवर्क का परिचय, जो रोबोट के फॉर्मेशन स्टेट के आधार पर अनिश्चितता बाउंड्स को कंडिशन करता है। यह स्टैंडर्ड ग्लोबल CP की "वन-साइज़-फिट्स-ऑल" रूढ़िवादिता को दूर करता है।
कॉन्फॉर्मल फॉर्मेशन-अवेयर CBF-QP इंटीग्रेशन: एक फॉर्मेशन-अवेयर कॉन्फॉर्मल CBF-QP का विकास जो स्मूथ, स्टेट-डिपेंडेंट मार्जिन का उपयोग करता है। यह सख्त FOV बाधा संतुष्टि सुनिश्चित करता है और साथ ही ऑप्टिमाइजेशन फजीबिलिटी (अत्यधिक रूढ़िवादी ग्लोबल बाउंड्स के कारण होने वाली इनफिजिबिलिटी समस्याओं से बचना) बनाए रखता है।
अनुभवजन्य सत्यापन (Empirical Validation): गेज़ेबो (Gazebo) सिमुलेशन का व्यापक सत्यापन जो यह दर्शाता है कि प्रस्तावित विधि सुरक्षा सफलता दर और ट्रैकिंग सटीकता दोनों के मामले में नोमिनल कंट्रोलर्स और स्टैटिक ग्लोबल CP बेसलाइन्स दोनों से काफी बेहतर प्रदर्शन करती है।

4. परिणाम (Results)

सिस्टम का परीक्षण गेज़ेबो सिमुलेशन में तीन अलग-अलग रिस्क रिजीम (कम, मध्यम, उच्च) वाले एक ओवल रेस ट्रैक पर Husarion ROSbot 2 Pro (लीडर) और एक Clearpath Jackal (फॉलोअर) का उपयोग करके किया गया।

सफलता दर (Success Rate):
- प्रस्तावित विधि (Proposed Method): 95% सफलता दर।
- नोमिनल कंट्रोलर (कोई अनिश्चितता नहीं): 4% (अनमॉडल एरर्स के कारण विफल)।
- लो-रिस्क ग्लोबल CP: 23% (सीमाओं के पास असुरक्षित)।
- हाई-रिस्क ग्लोबल CP: 73% (बहुत अधिक रूढ़िवादी, जिससे बार-बार QP इनफिजिबिलिटी होती है)।
ट्रैकिंग प्रदर्शन (Tracking Performance): प्रस्तावित विधि ने दूरी और बेयरिंग एंगल दोनों में सर्वोत्तम ट्रैकिंग सटीकता प्राप्त की। हाई-रिस्क ग्लोबल बेसलाइन के विपरीत, इसने लो-रिस्क क्षेत्रों में प्रदर्शन का त्याग नहीं किया।
तंत्र (Mechanism): एडेप्टिव मार्जिन ने लो-रिस्क ज़ोन में सफलतापूर्वक सिकुड़ना (आक्रामक ट्रैकिंग की अनुमति देने के लिए) और FOV सीमाओं के पास विस्तार करना (सुरक्षा लागू करने के लिए) सीखा, जैसा कि सिमुलेशन प्लॉट्स में विज़ुअलाइज़ किया गया है।

5. महत्व (Significance)

यह कार्य लर्निंग-एबल्ड रोबोटिक सिस्टम में कठोर सुरक्षा गारंटी और परिचालन गतिशीलता (operational mobility) के बीच के अंतर को पाटता है।

दक्षता (Efficiency): यह ग्लोबल सेफ्टी बाउंड्स की अनावश्यक रूढ़िवादिता को समाप्त करता है, जिससे रोबोट सुरक्षा से समझौता किए बिना अपनी भौतिक सीमाओं के करीब काम कर सकते हैं।
स्केलेबिलिटी (Scalability): फ्रेमवर्क की डिस्ट्रीब्यूटेड प्रकृति प्रत्येक एजेंट को अपने स्वयं के परसेप्शन और सापेक्ष अवस्था के आधार पर स्थानीय रूप से सुरक्षा की गणना करने की अनुमति देती है।
मजबूती (Robustness): विजन-आधारित परसेप्शन एरर्स की हेटरोसेडास्टिक प्रकृति को स्पष्ट रूप से ध्यान में रखकर, यह प्रणाली एक सांख्यिकीय रूप से वैध सुरक्षा प्रमाण (safety certificate) प्रदान करती है जो गतिशील वातावरण के अनुकूल होती है, जिससे यह खोज और बचाव, अन्वेषण और सहयोगात्मक परिवहन कार्यों के लिए अत्यधिक उपयुक्त बन जाती है।