💻 computer science

Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics

यह शोध पत्र अंडरएक्टुएटेड सॉफ्ट रोबोट मैनिपुलेटर्स के लिए डिस्क्रीट इलास्टिक रॉड डायनेमिक्स के एक कंट्रोल-ओरिएंटेड पुनर्गठन को प्रस्तुत करता है जो गतिशील रूप से व्यवहार्य प्रक्षेपवक्र (ट्रैजेक्टरीज) के निर्माण को सक्षम बनाता है, जिसे जटिल एक्चुएशन स्थितियों के तहत ट्रैकिंग सटीकता में कॉन्स्टेंट-कर्वेचर बेसलाइन्स से बेहतर प्रदर्शन करने के लिए प्रयोगात्मक रूप से मान्य किया गया है।

मूल लेखक: Beibei Liu, Akua K. Dickson, Ran Jing, Andrew P. Sabelhaus

प्रकाशित 2026-03-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Beibei Liu, Akua K. Dickson, Ran Jing, Andrew P. Sabelhaus

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 एक बहुत ही लचीले, नूडल जैसे रोबोटिक हाथ को कॉफी के कप तक पहुँचने के बारे में सिखाने की कोशिश कर रहे हैं। यह किसी सख्त रोबोट जैसा नहीं है जिसमें इंसान की कोहनी या घुटने जैसे जोड़ होते हैं; यह एक नरम, लचीला रोबोट है जो पके हुए स्पैगेटी की तरह मुड़ता और घूमता है।

समस्या यह है कि सॉफ्ट रोबोट्स को नियंत्रित करना अविश्वसनीय रूप से कठिन है। यदि आप एक सख्त रोबोट को अपनी कोहनी 90 डिग्री मोड़ने के लिए कहते हैं, तो वह बिल्कुल वैसा ही करता है। लेकिन यदि आप एक सॉफ्ट रोबोट को "थोड़ा मुड़ने" के लिए कहते हैं, तो वह एक प्रेट्ज़ल (pretzel) की तरह सिमट सकता है, गिर सकता है, या अप्रत्याशित तरीकों से हिल सकता है क्योंकि उसके पास विकृत होने के अनंत तरीके हैं।

यह पेपर एक नया "निर्देश मैनुअल" (एक गणितीय मॉडल) प्रस्तुत करता है जो इन सॉफ्ट रोबोट्स को सटीक रूप से चलने में मदद करता है, भले ही उन्हें धक्का दिया जा रहा हो, खींचा जा रहा हो, या दबाया जा रहा हो।

यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "बहुत सरल" बनाम "बहुत जटिल" का जाल

एक रोबोट को चलाने के लिए, आपको एक मानचित्र (मॉडल) की आवश्यकता होती है कि वह कैसे काम करता है।

"बहुत सरल" मानचित्र (PCC): कल्पना कीजिए कि आप एक सांप की गति का वर्णन यह कहकर कर रहे हैं कि, "यह कब्जों (hinges) से जुड़े सीधे डंडों की एक श्रृंखला है।" यह गणना करने में आसान है, लेकिन यह तब विफल हो जाता है जब सांप अजीब तरह से मुड़ता या घूमता है। यह केवल सीधी रेखाओं का उपयोग करके एक बादल बनाने की कोशिश करने जैसा है।
"बहुत जटिल" मानचित्र (PDEs): कल्पना कीजिए कि आप सांप का वर्णन उसकी त्वचा के हर एक अणु (molecule) को ट्रैक करके कर रहे हैं। यह अविश्वसनीय रूप से सटीक है, लेकिन गणित इतना भारी है कि इससे पहले कि आपका रोबोट हिले भी, आपका कंप्यूटर फ्रीज हो जाएगा। यह तूफान आने से पहले यह गणना करने जैसा है कि बारिश होगी या नहीं, इसके लिए हर एक बूंद के मौसम का अनुमान लगाना।

लक्ष्य: लेखक एक ऐसा मानचित्र चाहते थे जो वास्तविक होने के लिए पर्याप्त सटीक हो, लेकिन वास्तविक समय (real-time) के कंप्यूटर पर चलने के लिए पर्याप्त सरल हो।

2. समाधान: "डिस्क्रीट इलास्टिक रॉड" (DER)

लेखक डिस्क्रीट इलास्टिक रॉड (DER) नामक एक मॉडल का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि सॉफ्ट रोबोट का हाथ एक निरंतर नूडल नहीं है, बल्कि छोटे, खिंचने वाले स्प्रिंग्स से जुड़े मोतियों (beads) की एक स्ट्रिंग है।
- मोती रोबोट के वजन का प्रतिनिधित्व करते हैं।
- स्प्रिंग्स रोबटेज की मुड़ने, घूमने और खिंचने की क्षमता का प्रतिनिधित्व करते हैं।
यह क्यों काम करता है: यह एक "अनंत" समस्या को मोतियों और स्प्रिंग्स की एक "सीमित" समस्या में बदल देता है। यह एक निरंतर नूडल के असंभव गणित को हल किए बिना मुड़ने और घूमने के भौतिकी (physics) को पकड़ लेता है।

3. बड़ी नवीनता: "मस्तिष्क" को "मांसपेशी" से जोड़ना

सॉफ्ट रोबोट्स के साथ सबसे बड़ी बाधा अंडरएक्चुएशन (underactuation) है।

परिदृश्य: एक लंबे, लचीले सांप की कल्पना करें। आपके पास इसे नियंत्रित करने के लिए केवल दो एयर पंप (actuators) हैं, लेकिन सांप के पास सैकड़ों "मोती" हैं जिन्हें हिलने की आवश्यकता है।
पुराना तरीका: पिछले मॉडल एयर पंपों को एक अस्पष्ट "वक्रता" (curvature) कमांड के रूप में मानते थे। यह एक पियानो वादक को यह बताने जैसा था कि, "एक उदाद गाना बजाओ," बिना यह बताए कि उन्हें कौन सी चाबियाँ दबानी हैं। रोबोट को यह अनुमान लगाने के लिए संघर्ष करना पड़ता था कि उस "उदासी" को विशिष्ट मांसपेशी गतिविधियों में कैसे बदला जाए।
नया तरीका (यह पेपर): लेखकों ने एक सीधा लिंक खोज निकाला है। उन्होंने एक फॉर्मूला बनाया जो कहता है: "यदि आप चैंबर A में इतनी हवा पंप करते हैं, तो यह इन विशिष्ट मोतियों को इस विशिष्ट दिशा में धकेलता है।"
- उन्होंने हवा के दबाव को एक अस्पष्ट आकार के रूप में नहीं, बल्कि उनके "मोती-और-स्प्रिंग" मॉडल में विशिष्ट मोतियों पर लगाए गए एक प्रत्यक्ष बल (direct force) के रूप में माना।
- यह कंप्यूटर को ठीक से गणना करने की अनुमति देता है कि रोबोट को एक विशिष्ट पथ का पालन करने के लिए कितनी हवा के दबाव की आवश्यकता है, चरण-दर-चरण।

4. "प्रेट्ज़ल" टेस्ट (प्रायोगिक परिणाम)

यह साबित करने के लिए कि उनका मॉडल काम करता है, उन्होंने एक वास्तविक सॉफ्ट रोबोट हाथ (एक न्यूमैटिक लिम्ब) बनाया और पुराने "सीधे डंडे" वाले मॉडल (PCC) के विरुद्ध इसका परीक्षण किया।

उन्होंने रोबोट को तीन चुनौतियाँ दीं:

सरल झुकना (Simple Bending): दोनों हिस्से एक ही तरह से मुड़ते हैं।
विपरीत झुकना (Opposite Bending): एक हिस्सा बाईं ओर मुड़ता है, दूसरा दाईं ओर (एक प्रेट्ज़ल की तरह)।
अराजक झुकना (Chaotic Bending): खंड अलग-अलग समय और गति से मुड़ते हैं (Asynchronous)।

परिणाम:

पुराना मॉडल (PCC) एक ऐसे ड्राइवर की तरह था जो केवल सीधी रेखा में गाड़ी चलाना जानता है। जब सड़क घुमावदार या टेढ़ी-मेढ़ी हुई, तो रोबोट भटक गया और लक्ष्य से काफी पीछे रह गया।
नया मॉडल (DER) एक ऐसे ड्राइवर की तरह था जो कार के भौतिकी को समझता है। इसने ट्विस्ट, टर्न और अराजक गतिविधियों को बहुत उच्च सटीकता के साथ संभाला।
आंकड़े: सबसे कठिन परीक्षण (अराजक "प्रेट्ज़ल" मूवमेंट) में, नया मॉडल पुराने मॉडल की तुलना में 60% अधिक सटीक था।

सारांश

इस पेपर को एक सॉफ्ट रोबोट को एक अस्पष्ट इच्छा ("वहाँ जाओ!") देने बनाम एक विस्तृत GPS रूट देने के बीच के अंतर के रूप में समझें, जो कार के सस्पेंशन, वजन और इंजन की शक्ति को ध्यान में रखता है।

सॉफ्ट रोबोट को मोतियों और स्प्रिंग्स की एक श्रृंखला में तोड़कर, और एयर पंपों को सीधे उन मोतियों से गणितीय रूप से जोड़कर, लेखकों ने एक ऐसी प्रणाली बनाई है जो सॉफ्ट रोबोट्स के लिए जटिल, गतिशील गतिविधियों की योजना बना सकती है। इसका अर्थ यह है कि भविष्य में, सॉफ्ट रोबोट्स एक सर्जन की सटीकता के साथ मनुष्यों के साथ सुरक्षित रूप से बातचीत कर सकते हैं, नाजुक वस्तुओं को संभाल सकते हैं, या अव्यवस्थित वातावरण में नेविगेट कर सकते हैं, न कि एक ढीले नूडल की तरह अनाड़ीपन के साथ।

यहाँ शोध पत्र "Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सॉफ्ट रोबोट अपनी अनुपालनता (compliance) के कारण संपर्क-समृद्ध (contact-rich) और असंरचित वातावरण में उत्कृष्ट प्रदर्शन करते हैं, लेकिन यह गुण सटीक मॉडलिंग और मोशन प्लानिंग को कठिन बना देता है। मौजूदा दृष्टिकोणों में एक समझौता (trade-off) देखने को मिलता है:

उच्च-विश्वसनीयता वाले मॉडल (High-fidelity models): (जैसे कॉसेराट रॉड्स/Cosserat rods) भौतिक रूप से सटीक होते हैं लेकिन गणनात्मक रूप से महंगे होते हैं (PDE समाधानों की आवश्यकता होती है) और अक्सर एक्ट होकर अवस्थाओं (actuator states) से सामान्य बलों (generalized forces) तक एक स्पष्ट मैपिंग का अभाव होता है।
न्यूनीकरण-क्रम मॉडल (Reduced-order models): (जैसे पीसवाइज कांस्टेंट कर्वेचर, PCC) गणनात्मक रूप से कुशल होते हैं लेकिन मजबूत काइनेटिक धारणाओं पर निर्भर करते हैं जो जटिल विरूपण (deformations) को पकड़ने में विफल हो सकती हैं और "एक्चुएशन डिस्कनेक्ट" (virtual torques को वास्तविक इनपुट जैसे दबाव में मैप करने की समस्या) से ग्रस्त होते हैं।

इसके अलावा, सॉफ्ट रोबोट आमतौर पर अंडरएक्टुएटेड (underactuated) होते हैं (डिग्री ऑफ फ्रीडम की तुलना में कम इनपुट)। वर्तमान डिस्क्रीट इलास्टिक रॉड (DER) मॉडल, जो फिडेलिटी और दक्षता के बीच के अंतर को पाटते हैं, मुख्य रूप से सिमुलेशन-उन्मुख हैं। उनमें एक स्पष्ट, कंट्रोल-एफ़ाइन (control-affine) फॉर्मूलेशन का अभाव है जो भौतिक एक्ट्यूएटर इनपुट (जैसे न्यूमैटिक प्रेशर) को सीधे सिस्टम के सामान्य बलों से जोड़ सके, जिससे अंडरएक्टुएटेड सिस्टम के लिए डायनामिकली व्यवहार्य प्रक्षेपवक्र (trajectory) जनरेशन चुनौतीपूर्ण हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक डिस्क्रीट इलास्टिक रॉड (DER) डायनेमिक्स का एक कंट्रोल-ओरिएंटेड पुनर्गठन (reformulation) प्रस्तावित करते हैं जो विशेष रूप से अंडरएक्टुएटेड सॉफ्ट रोबोट्स के लिए डिज़ाइन किया गया है।

A. कंट्रोल-एफ़ाइन DER पुनर्गठन (Control-Affine DER Reformulation)

मानक DER डायनेमिक्स $M \ddot{q} = F_{int}(q) + F_{ext}$ द्वारा दिए गए हैं। लेखक बाहरी बल पद $F_{ext}$ को स्पष्ट रूप से एक्चुएशन को शामिल करने के लिए पुनर्गठित करते हैं:
$F_{ext} = D \dot{q} + B(q)\Lambda u$
जहाँ:

$u$ : एक्चुएशन इनपुट वेक्टर (जैसे चैंबर प्रेशर)।
$D$ : डायगोनल डैम्पिंग मैट्रिक्स।
$\Lambda$ : इनपुट को बल परिमाण में मैप करने वाला स्केलिंग मैट्रिक्स (कैलिब्रेशन के माध्यम से पहचाना गया)।
$B(q)$ : बल दिशाओं को एनकोड करने वाला ज्यामिति-निर्भर एक्चुएशन मैप।

यह संरचना सिस्टम को कंट्रोल-एफ़ाइन (control-affine) बनाती है, जिससे वांछित स्टेट ट्रजेक्टरी प्राप्त करने के लिए आवश्यक कंट्रोल इनपुट्स $u$ की सीधी गणना संभव हो पाती है।

B. एक्चुएशन मैप $B(q)$ का व्युत्पन्न (Derivation of the Actuation Map $B(q)$ )

जटिल इनवर्स समस्याओं का सहारा लिए बिना $B(q)$ का निर्माण करने के लिए, लेखक इस अवलोकन का लाभ उठाते हैं कि कई न्यूमैटिक सॉफ्ट रोबोट बेंडिंग के दौरान पीसवाइज कांस्टेंट कर्वेचर (PCC)-जैसे व्यवहार प्रदर्शित करते हैं।

प्रमेय 1 (फोर्स लोकलाइजेशन): PCC धारणाओं के तहत, आंतरिक इलास्टिक बेंडिंग बल सेगमेंट सीमाओं (नोड्स) पर स्थानीयकृत होते हैं और सेंटरलाइन के लंबवत होते हैं। आंतरिक नोड्स पर शुद्ध बेंडिंग बल शून्य होता है।
उपप्रमेय 2 (सेगमेंट-वाइज डिकपलिंग): यदि उनके कनेक्टिंग टेंजेंट्स कोलीनियर (collinear) हैं, तो आसन्न PCC-जैसे सेगमेंट्स को बेंडिंग-प्रेरित बलों के संबंध में स्वतंत्र माना जा सकता है।
परिणामी संरचना: इन प्रमेयों के आधार पर, $B(q)$ को एक स्पार्स, ब्लॉक-स्ट्रक्चर्ड मैट्रिक्स के रूप में बनाया गया है। नॉन-जीरो प्रविष्टियाँ प्रत्येक सेगमेंट के बाउंड्री नोड्स पर मौजूद होती हैं, जो एक्ट्यूएटर द्वारा प्रेरित बल की दिशा को दर्शाती हैं। यह इम्प्लिसिट पोस्ट-हॉक मैपिंग की आवश्यकता को समाप्त करता है।

C. प्रक्षेपवक्र जनरेशन फ्रेमवर्क (Trajectory Generation Framework)

लेखक एक प्रक्षेपवм (trajectory) जनरेशन पाइपलाइन विकसित करते हैं जो टास्क-स्पेस रेफरेंस $r(t)$ को ट्रैक करने के लिए स्टेट-इनपुट ट्रजेक्टरीज $\{q(t), u(t)\}$ को सिंथेसाइज करती है:

इनवर्स काइनेमैटिक्स: टास्क-स्पेस रेफरेंस $r(t)$ को रेफरेंस कॉन्फ़िगरेशन ट्रजेक्टरी $\bar{q}(t)$ में परिवर्तित करना।
डायरेक्ट इनपुट सिंथेसिस: PCC विधियों के विपरीत, जो "वर्चुअल टॉर्क" की गणना करती हैं और फिर उन्हें इनपुट में मैप करती हैं, प्रस्तावित DER विधि कंट्रोल-एफ़ाइन डायनेमिक्स का उपयोग करके सीधे एक्चुएशन इनपुट $u(t)$ के लिए हल करती है:
$u(t) = (B(q)\Lambda)^\dagger \left( M \ddot{\bar{q}} - F_{int}(\bar{q}) + K_p(\bar{q}-q) + K_d(\dot{\bar{q}}-\dot{q}) - D\dot{q} \right)$
यह सुनिश्चित करता है कि जनरेट किया गया प्रक्षेपवक्र डायनामिकली व्यवहार्य है और अंडरएक्टुएटेड बाधाओं के अनुरूप है।

3. मुख्य योगदान (Key Contributions)

कंट्रोल-ओरिएंटेड DER पुनर्गठन: एक नवीन व्युत्पत्ति जो DER डायनेमिक्स में स्पष्ट रूप से एक्चुएशन को शामिल करती है, जिससे अंडरएक्टुएटेड सॉफ्ट मैनिपुलेटर्स के लिए उपयुक्त कंट्रोल-एफ़ाइन प्रतिनिधित्व प्राप्त होता है।
मैकेनिक्स संरक्षण का सैद्धांतिक प्रमाण: एक प्रमाण (प्रमेय 1 और उपप्रमेय 2) जो यह दर्शाता है कि प्रस्तावित एक्चुएशन मैपिंग शास्त्रीय बीम मैकेनिक्स के अनुरूप प्रथम-सिद्धांत बल-विरूपण संबंधों को सुरक्षित रखती है, विशेष रूप से सेगमेंट सीमाओं पर बलों को स्थानीयकृत करती है।
प्रायोगिक सत्यापन: एक 2-सेगमेंट न्यूमैटिक सॉफ्ट रोबोट पर हार्डवेयर कार्यान्वयन, जो यह प्रदर्शित करता है कि प्रस्तावित विधि ट्रैजेक्टरी ट्रैकिंग में PCC-आधारित बेसलाइन्स से बेहतर प्रदर्शन करती है, विशेष रूप से जटिल, एसिंक्रोनस एक्चुएशन स्थितियों के तहत।

4. प्रायोगिक परिणाम (Experimental Results)

लेखकों ने ग्राउंड ट्रुथ के लिए कंप्यूटर विजन का उपयोग करते हुए एक 2-सेगमेंट, 4-चैंबर न्यूमैटिक सॉफ्ट रोबोट पर अपने फ्रेमवर्क को सत्यापित किया। तीन मोशन परिदृश्यों का परीक्षण किया गया:

केस 1: एसिंक्रोनस बेंडिंग (उच्च कपलिंग जटिलता)।
केस 2: सिंक्रोनस बेंडिंग (समान दिशा)।
केस 3: सिंक्रोनस बेंडिंग (विपरीत दिशा)।

मुख्य निष्कर्ष:

ट्रैकिंग सटीकता: DER मॉडल ने लगातार PCC बेसलाइन की तुलना में कम ट्रैकिंग एरर प्राप्त किया। सबसे जटिल परिदृश्य (केस 1) में, PCC के 1.59 सेमी की तुलना में DER का औसत एरर 0.64 सेमी था (लगभग 60% सुधार)।
स्थिरता: DER ने कम अधिकतम एरर और मानक विचलन प्रदर्शित किया, जो कम दोलनों (oscillations) के साथ अधिक स्थिर ट्रैकिंग का संकेत देता है।
मजबूती (Robustness): जटिल इंटर-सेगमेंट कपलिंग (एसिंक्रोनस बेंडिंग) वाले परिदृश्यों में प्रदर्शन का अंतर बढ़ गया, जो यह सुझाव देता है कि आदर्श PCC धारणाओं से विचलन को पकड़ने की DER मॉडल की क्षमता सटीक नियंत्रण के लिए महत्वपूर्ण है।

5. महत्व (Significance)

यह कार्य हाई-फिडेलिटी फिजिक्स मॉडल्स का उपयोग करके अंडरएक्टुएटेड सिस्टम के लिए डायनामिकली व्यवहार्य प्रक्षेपवक्र जनरेशन को सक्षम करके सॉफ्ट रोबोटिक्स में एक महत्वपूर्ण अंतराल को संबोधित करता है।

सिमुलेशन और वास्तविकता को जोड़ना: यह एक भौतिकी-आधारित सिमुलेशन मॉडल (DER) को एक कंट्रोल-रेडी फ्रेमवर्क में बदल देता है, जिससे वर्चुअल टॉर्क और भौतिक एक्ट्यूएटर्स के बीच एड-हॉक मैपिंग की आवश्यकता समाप्त हो जाती है।
हार्डवेयर संगतता: भौतिक एक्ट्यूएटर-टू-फोर्स संबंध को स्पष्ट रूप से मॉडल करके, यह विधि ऐसे कंट्रोल सीक्वेंस उत्पन्न करती है जिन्हें मॉडल की अशुद्धियों को ठीक करने के लिए भारी फीडबैक कंपनसेशन की आवश्यकता के बिना सीधे हार्डवेयर पर निष्पादित किया जा सकता है।
भविष्य की क्षमता: इनपुट्स और सामान्य बलों के बीच का स्पष्ट संबंध सेंसर-मुक्त बाहरी बल अनुमान के मार्ग खोलता है, क्योंकि मॉडल अनुमानित और वास्तविक एक्चुएशन आवश्यकताओं के बीच विचलन के आधार पर इंटरेक्शन फोर्स का अनुमान लगा सकता है।