💻 computer science

Robot Arm Control via Cognitive Map Learners

यह शोध पत्र प्रदर्शित करता है कि स्वतंत्र रूप से प्रशिक्षित कॉग्निटिव मैप लर्नर्स (CML) को 2D और 3D स्थानों में बहु-जोड़ वाले रोबोटिक आर्म्स को नियंत्रित करने के लिए पदानुक्रमित रूप से संयोजित किया जा सकता है, जो लक्ष्य फेजर हाइपरवेक्टर्स को सेगमेंट कोणों में गुणनखंडित करके पारंपरिक इन्वर्स काइनेमैटिक समीकरणों पर निर्भर किए बिना सटीक स्थिति प्राप्त करता है।

मूल लेखक: Nathan McDonald, Colyn Seeley, Christian Brazeau

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Nathan McDonald, Colyn Seeley, Christian Brazeau

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 आपके पास एक रोबोटिक आर्म (robotic arm) है, जैसे कि एक यांत्रिक मकड़ी का पैर, जो जोड़ों से जुड़े कई खंडों (segments) से बना है। आपका लक्ष्य इस हाथ को मेज पर एक विशिष्ट स्थान तक पहुँचाना है।

पारंपरिक रूप से, इंजीनियर इसे हल करने के लिए "इनवर्स किनेमैटिक्स" (Inverse Kinematics) नामक जटिल गणित का उपयोग करते हैं। इसे ऐसे समझें जैसे कि हर बार हाथ को हिलाने के लिए समीकरणों की एक विशाल, उलझी हुई गांठ को सुलझाने की कोशिश करना। यह सटीक तो है, लेकिन कठोर है। यदि आप एक नया खंड जोड़ना चाहते हैं या हाथ के चलने के तरीके को बदलना चाहते हैं, तो आपको अक्सर सब कुछ फिर से गणना (re-calculate) करना पड़ता है।

यह शोध पत्र कॉग्निटिव मैप लर्नर्स (CMLs) और हाइपरडायमेंशनल कंप्यूटिंग (HDC) का उपयोग करके इसे करने का एक पूरी तरह से अलग, अधिक "मानवीय" तरीका प्रस्तावित करता है। यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है।

1. विशेषज्ञों की टीम (कॉग्निटिव मैप लर्नर्स)

पूरे हाथ को नियंत्रित करने के लिए एक विशाल मस्तिष्क होने के बजाय, कल्पना करें कि हाथ के पास विशेषज्ञों की एक टीम है।

प्रत्येक जोड़ (या हाथ का खंड) का अपना एक छोटा, स्वतंत्र "मस्तिष्क" (एक CML) होता है।
प्रत्येक मस्तिष्क केवल अपने स्वयं के जोड़ के बारे में जानता है: "मैं बाएँ मुड़ सकता हूँ, मैं दाएँ मुड़ सकता हूँ, और यहाँ बताया गया है कि मैं अपने वर्तमान कोण से किसी भी अन्य कोण तक कैसे पहुँच सकता हूँ।"
जादू: इन मस्तिष्कों को अलग से प्रशिक्षित किया जाता है। यदि आप हाथ में एक नया खंड जोड़ते हैं, तो आपको पूरी टीम को फिर से प्रशिक्षित करने की आवश्यकता नहीं है; आप बस टीम में एक नया विशेषज्ञ जोड़ देते हैं। वे "कंपोजेबल" (composable) हैं, जिसका अर्थ है कि आप बड़े, अधिक जटिल रोबोट बनाने के लिए उन्हें लेगो (LEGO) ब्रिक्स की तरह एक साथ जोड़ सकते हैं।

2. गुप्त भाषा (हाइपरवेक्टर्स और फेज़र्स)

ये विशेषज्ञ एक-दूसरे से कैसे बात करते हैं? वे "45 डिग्री" या "10 इंच" जैसे नंबरों का उपयोग नहीं करते हैं। वे हाइपरवेक्टर्स (Hypervectors) नामक एक गुप्त कोड का उपयोग करते हैं।

एक हाइपरवेक्टर को एक अद्वितीय, उच्च-आयामी फिंगरप्रिंट या रंग कोड के रूप में सोचें।

इस प्रणाली में, मेज पर एक स्थान (जैसे कि लक्ष्य बिंदु) को फ्रैक्शनल पावर एनकोडिंग (FPE) नामक तकनीक का उपयोग करके एक "रंग कोड" में बदल दिया जाता है।
कल्पना करें कि X-अक्ष एक "लाल" फ्रीक्वेंसी है और Y-अक्ष एक "नीली" फ्रीक्वेंसी है। (3, 4) पर एक बिंदु केवल नंबर नहीं है; यह लाल और नीले रंग को एक विशिष्ट अनुपात में मिलाकर बनाया गया एक विशेष बैंगनी रंग है।
क्योंकि यह गणित जिस तरह से काम करता है, इन कोडों को गुणा करना वास्तव में वास्तविक स्थितियों को जोड़ने जैसा है। इससे गणित को हेरफेर करना अविश्वसनीय रूप से आसान हो जाता है।

3. पहेली सुलझाने वाला (फैक्टराइजेशन)

यही मुख्य ट्रिक है। रोबोट को यह पता लगाने की आवश्यकता है: "कौन सा जोड़ के कोणों का संयोजन इस विशिष्ट 'बैंगनी' लक्ष्य रंग को बनाता है?"

पारंपरिक गणित में, यह एक कठिन पहेली है। इस शोध पत्र की प्रणाली में, इसे एक नैपसैक समस्या (knapsack problem) या मिश्रण पहेली की तरह माना जाता है।

लक्ष्य बिंदु हाथ के तीनों खंडों के कोणों का एक "मिश्रण" (product) है।
सिस्टम उस मिश्रण को अलग करने के लिए एक "पहेली सुलझाने वाले" (रेज़ोनेटर नेटवर्क या हॉपफील्ड नेटवर्क) का उपयोग करता है।
उपमा: कल्पना करें कि आपके पास एक स्मूदी (smoothie) है जो स्ट्रॉबेरी, केले और ब्लूबेरी से बनी है। आप रेसिपी नहीं जानते। पहेली सुलझाने वाला स्मूदी का स्वाद लेता है और उसे वापस तीन अलग-अलग फलों में अलग करने की कोशिश करता है।
एक बार जब सॉल्वर उस "स्मूदी" को वापस तीन "फलों" (प्रत्येक जोड़ के विशिष्ट कोणों) में अलग कर देता है, तो वह वे कोण संबंधित विशेषज्ञों को सौंप देता है।

4. यात्रा (पाथ प्लानिंग)

एक बार जब एक विशेषज्ञ को अपना लक्ष्य कोण प्राप्त हो जाता है (जैसे, "45 डिग्री पर मुड़ें"), तो वह सीधे वहाँ नहीं पहुँच जाता।

CML एक जीपीएस नेविगेटर की तरह कार्य करता है। वह अपने वर्तमान कोण से लक्ष्य कोण तक पहुँचने के लिए सभी संभावित चरणों को जानता है।
वह गंतव्य तक पहुँचने के लिए चरण-दर-चरण एक पथ (path) बनाता है, जिससे जोड़ सुचारू रूप से चलता है।
चूंकि तीनों विशेषज्ञ एक ही समय में यह सब करते हैं, इसलिए पूरा हाथ सामंजस्य के साथ लक्ष्य की ओर बढ़ता है।

यह एक बड़ी बात क्यों है?

पुनः प्रशिक्षण की आवश्यकता नहीं: यदि आप रोबोट का काम बदलना चाहते हैं या एक नया जोड़ जोड़ना चाहते हैं, तो आपको पूरे सिस्टम को फिर से सिखाने की आवश्यकता नहीं है। आप बस एक नया विशेषज्ञ प्लग इन कर देते हैं।
"सिंगुलैरिटी" विफलताएं नहीं: पारंपरिक गणित कभी-कभी तब फंस जाता है जब हाथ एक अजीब स्थिति में होता है (जैसे जब हाथ पूरी तरह से सीधा होता है और हिल नहीं सकता)। यह प्रणाली लचीली है; यदि यह तुरंत सटीक उत्तर नहीं खोज पाती है, तो यह बस अपने नियमों को थोड़ा ढीला करती है और समाधान खोजने के लिए फिर से प्रयास करती है।
स्केलेबिलिटी (Scalability): यह विधि 2D हाथ, 3D हाथ के लिए काम करती है, और लेखक सुझाव देते हैं कि यह एक क्वाड्रुपेड रोबोट (चार पैरों वाला रोबोट) को भी नियंत्रित कर सकती है। एक विशाल मस्तिष्क के बजाय जो चार पैरों को नियंत्रित करता है, आप प्रत्येक पैर के लिए 3 विशेषज्ञ (कुल 12 विशेषज्ञ) के रूप में काम करने वाले विशेषज्ञों का उपयोग कर सकते हैं।

सारांश

इस प्रणाली को एक ऑर्केस्ट्रा का संचालन करने वाले कंडक्टर के रूप में सोचें, जो स्वतंत्र संगीतकारों का नेतृत्व कर रहा है।

लक्ष्य (Target) वह गीत है जिसे उन्हें बजाना है।
हाइपरवेक्टर्स (Hypervectors) एक सार्वभौमिक भाषा में लिखा गया संगीत स्कोर (sheet music) है।
फैक्टराइजेशन (Factorization) वह कंडक्टर है जो यह पता लगाता है कि उस गीत को बनाने के लिए प्रत्येक संगीतकार को कौन से स्वर बजाने की आवश्यकता है।
CMLs वे संगीतकार हैं जो जानते हैं कि उन स्वरों को छूने के लिए अपनी उंगलियों को कैसे चलाना है।

उन्हें पूरा गाना जानने की आवश्यकता नहीं है; उन्हें बस अपना हिस्सा जानने की आवश्यकता है। और क्योंकि वे एक ही भाषा बोलते हैं, उन्हें किसी भी गाने को बजाने के लिए बदला, जोड़ा या पुनर्व्यवस्थित किया जा सकता है जिसकी रोबोट को आवश्यकता है।

यहाँ शोध पत्र "Robot Arm Control via Cognitive Map Learners" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक डीप न्यूरल नेटवर्क (DNNs) आमतौर पर मोनोलिथिक (monolithic) होते हैं, जिसका अर्थ है कि उन्हें विशिष्ट कार्यों के लिए एकल इकाइयों के रूप में प्रशिक्षित किया जाता है। यह आर्किटेक्चर कंपोजेबिलिटी (composability) को सीमित करता है: नए, जटिल समस्याओं को हल करने के लिए व्यापक पुन: प्रशिक्षण या फाइन-ट्यूनिंग के बिना पूर्व-प्रशिक्षित मॉड्यूल को संयोजित करना कठिन होता है। इसके अलावा, मानक रोबोटिक नियंत्रण अक्सर इनवर्स किनेमैटिक्स (IK) समीकरणों पर निर्भर करता है, जो गणनात्मक रूप से महंगा हो सकता है, सिंगुलैरिटी विफलता (singularity failures) से ग्रस्त हो सकता है, और प्रत्येक नए रोबोट कॉन्फ़िगरेशन के लिए स्पष्ट गणितीय व्युत्पत्ति की आवश्यकता होती है।

लेखक एक कंपोजेबल मशीन लर्निंग फ्रेमवर्क विकसित करने का लक्ष्य रखते हैं जहाँ स्वतंत्र रूप से प्रशिक्षित मॉड्यूल को एक बहु-जोड़ वाले (multi-jointed) रोबोट आर्म को नियंत्रित करने के लिए मनमाने ढंग से संयोजित किया जा सके। लक्ष्य हाइपरडायमेंशनल कंप्यूटिंग (HDC) और कॉग्निटिव मैप लर्नर्स (CMLs) का लाभ उठाते हुए, पारंपरिक इनवर्स किनेमैटिक समीकरणों का उपयोग किए बिना, 2D या 3D स्पेस में एक लक्ष्य बिंदु तक रोबोट आर्म को ले जाना है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित समाधान तीन मुख्य अवधारणाओं को एकीकृत करता है: कॉग्निटिव मैप लर्नर्स (CMLs), हाइपरडायमेंशनल कंप्यूटिंग (HDC), और फ्रैक्शनल पावर एनकोडिंग (FPE)।

A. कॉग्निटिव मैप लर्नर्स (CMLs)

संरचना: एक CML तीन सिंगल-लेयर न्यूरल नेटवर्क (मैट्रिक्स) का संग्रह है जो निम्नलिखित का प्रतिनिधित्व करते हैं:
1. नोड स्टेट्स ( $S$ ): डिस्क्रीट स्टेट्स (जैसे, विशिष्ट जॉइंट एंगल्स) का प्रतिनिधित्व।
2. एज एक्शन्स ( $A$ ): स्टेट्स के बीच ट्रांज़िशन।
3. गेटिंग ( $G$ ): विशिष्ट स्टेट्स से उपलब्ध एक्शन्स।
कार्य: पथ नियोजन (path planning) के लिए स्पष्ट रूप से प्रशिक्षित होने के बजाय, CMLs वर्तमान स्थिति ( $s_t$ ) से वांछित स्थिति ( $s_d$ ) तक जाने के लिए एज एक्शन्स की "उपयोगिता" (utility) की पुनरावृत्ति गणना करते हैं। वे सबसे उपयोगी कानूनी ट्रांज़िशन चुनने के लिए एक 'विनर-टेक-ऑल' एल्गोरिदम का उपयोग करते हैं, जो प्रभावी रूप से स्पष्ट ग्राफ सर्च प्रशिक्षण के बिना A* या डाइक्स्ट्रा (Dijkstra) के समान पथ नियोजन करता है।
कंपोज़िशन: इस कार्य में, प्रत्येक आर्म सेगमेंट को एक CML सौंपा गया है। प्रत्येक CML अपने विशिष्ट जॉइंट एंगल पर स्वतंत्र रूप से कार्य करता है लेकिन एक साझा संचार प्रोटोकॉल (HDC वेक्टर्स) साझा करता है।

B. हाइपरडायमेंशनल कंप्यूटिंग और फ्रैक्शनल पावर एनकोडिंग (FPE)

प्रतिनिधित्व: रोबोट स्टेट्स और लक्ष्य बिंदुओं को हाई-डायमेंशनल फेसर हाइपरवेक्टर्स (यूनिट एम्प्लीट्यूड वाले कॉम्प्लेक्स वेक्टर्स) के रूप में एनकोड किया जाता है।
FPE: कार्टेशियन स्पेस में एक लक्ष्य बिंदु $(a, b)$ को $p = x^a \odot y^b$ के रूप में एनकोड किया जाता है, जहाँ $x$ और $y$ बेस वेक्टर्स हैं और $\odot$ एलिमेंट-वाइज मल्टीप्लिकेशन को दर्शाता है।
मुख्य गुण: फेसरों का गुणन उनके घातांकों (exponents) के योग के अनुरूप होता है। यह सिस्टम को आर्म एंगल्स खोजने की समस्या को एक फैक्टरइज़ेशन (factorization) समस्या के रूप में मानने की अनुमति देता है: लक्ष्य वेक्टर $p$ को व्यक्तिगत आर्म सेगमेंट वेक्टर्स के उत्पाद में विघटित करना ( $p \approx s_1 \odot s_2 \odot s_3$ )।

C. कंट्रोल वर्कफ़्लो (Control Workflow)

टारगेट एनकोडिंग: वांछित एंड-इफेक्टर पोजीशन को FPE का उपयोग करके फेसर हाइपरवेक्टर में परिवर्तित किया जाता है।
फैक्टरइज़ेशन (HDC के माध्यम से इनवर्स किनेमैटिक्स): सिस्टम को लक्ष्य हाइपरवेक्टर को व्यक्तिगत आर्म सेगमेंट के विशिष्ट एंगल स्टेट्स में "फैक्टरइज़" करना होता है। इसे नैपसैक/सबसेट सम (Knapsack/Subset Sum) समस्या के रूप में माना जाता है।
- फैक्टरइज़ेशन के लिए दो विधियों का उपयोग किया जाता है:
  - रेसोनेटर नेटवर्क (Resonator Network): एक इटरेटिव नेटवर्क जो वैध एंगल स्टेट्स के कोडबुक का उपयोग करके लक्ष्य वेक्टर से फैक्टर्स को अनबाइंड करता है।
  - मॉडर्न हॉपफील्ड नेटवर्क (Modern Hopfield Network): पैटर्न को रिकवर करने के लिए एक सिंगल-स्टेप (या कुछ-स्टेप) एनर्जी-मिनिमाइजेशन दृष्टिकोण।
पथ नियोजन (Path Planning): एक बार जब प्रत्येक सेगमेंट के लिए लक्ष्य एंगल रिकवर हो जाता है, तो इसे संबंधित सेगमेंट के "वांछित स्टेट" ( $s_d$ ) के रूप में फीड किया जाता है।
निष्पादन (Execution): प्रत्येक CML अपने वर्तमान एंगल से लक्ष्य एंगल तक एक पथ को स्वतंत्र रूप से प्लॉट करता है। सेगमेंट समानांतर में चलते हैं, जिससे पूरा आर्म लक्ष्य की ओर पुनर्गठित होता है।

D. 3D विस्तार (3D Extension)

3D कंट्रोल (विशेष रूप से एक रोटेटिंग बेस के साथ 3-सेगमेंट आर्म) के लिए, लेखक नॉन-कम्यूटेटिव रोटेशन को संभालने के लिए निम्नलिखित का उपयोग करते हैं:

3D टारगेट $(x, y, z)$ को स्फेरिकल कोऑर्डिनेट्स $(\rho, \theta, \phi)$ में बदलना।
2D प्लेन में रेडियल डिस्टेंस और एलिवेशन $(\rho, \phi)$ को हल करने के लिए FPE का उपयोग करना।
बेस रोटेशन ( $\theta$ ) को संभालने के लिए एक अलग सर्कुलर CML (जो FPE के बजाय सर्कुलर कोडिंग का उपयोग करता है) का उपयोग करना, क्योंकि रोटेशन नॉन-कम्यूटेटिव होते हैं।

3. मुख्य योगदान (Key Contributions)

कंपोजेबल कंट्रोल फ्रेमवर्क: एक ऐसा वर्कफ़्लो प्रदर्शित किया गया जहाँ स्वतंत्र CML मॉड्यूल (एक प्रति जॉइंट) को व्यक्तिगत मॉड्यूल को पुन: प्रशिक्षित किए बिना एक जटिल रोबोट को नियंत्रित करने के लिए संयोजित किया जा सकता है।
HDC-आधारित इनवर्स किनेमैटिक्स: इनवर्स किनेमैटिक्स समस्या को हाइपरवेक्टर फैक्टरइज़ेशन कार्य के रूप में पुनर्व्याख्यायित किया गया जिसे रेसोनेटर या हॉपफील्ड नेटवर्क के माध्यम से हल किया जा सकता है, जिससे स्पष्ट IK समीकरणों की आवश्यकता समाप्त हो गई।
फ्रैक्शनल पावर एनकोडिंग (FPE): एक विधि परिभाषित की गई जो कार्टेशियन कोऑर्डिनेट्स और आर्म एंगल्स को एक साझा प्रतिनिधित्व स्पेस में एनकोड करती है, जिससे लक्ष्य स्थिति का गणितीय अपघटन संभव होता है।
सामान्यीकरण (Generalizability): मनमाने सेगमेंट वाले 2D आर्म्स के लिए एक सामान्य समाधान और रोटेटिंग बेस वाले 3D आर्म्स के लिए एक विशिष्ट समाधान प्रदान किया।

4. परिणाम (Results)

लेखकों ने अनस्ट्रेंड 2D और कंस्ट्रेंड 3D वातावरण में 3-सेगमेंट रोबोट आर्म पर सिस्टम का परीक्षण किया।

कवरेज और रीचेबिलिटी (Coverage & Reachability):
- यूनिफॉर्म एंगल स्टेट्स ( $m=29$ सभी सेगमेंट के लिए) का उपयोग करते हुए, सिस्टम ने डिस्क्रीटाइज्ड ग्रिड के 74.5% हिस्से को कवर किया।
- को-प्राइम (co-prime) संख्या में स्टेट्स ( $m=[19, 23, 29]$ ) का उपयोग करने पर, रीचेबल पॉइंट्स के अधिक विसरित वितरण के कारण कवरेज बढ़कर 98.8% हो गया।
- कंस्ट्रेंड 3D केस में (फ्लोर कोलिजन से बचते हुए), सिस्टम ने वैध वर्कस्पेस के 99.4% कवरेज बनाए रखा।
सटीकता (Accuracy):
- मीन डिस्प्लेसमेंट (Mean Displacement): सिस्टम ने उच्च सटीकता प्राप्त की।
  - रेसोनेटर नेटवर्क: $\epsilon \approx 0.071$ (2D) और $0.082$ (3D)।
  - हॉपफील्ड नेटवर्क: $\epsilon \approx 0.061$ (2D) और $0.065$ (3D)।
- एक हाइपरवेक्टर सिमिलरिटी थ्रेशोल्ड $\theta \geq 0.99$ का यूक्लिडियन डिस्प्लेसमेंट $<0.1$ के साथ अच्छा सहसंबंध था।
अभिसरण (Convergence):
- समाधान खोजने के लिए फैक्टरइज़ेशन एल्गोरिदम को कई इनिशियलाइजेशन प्रयासों (रैंडम नॉइज़ इंजेक्ट करने) की आवश्यकता थी।
- रेसोनेटर नेटवर्क ने पहली कोशिश में ~14-15% बार समाधान पाया (औसत ~15 प्रयास)।
- हॉपफील्ड नेटवर्क ने पहली कोशिश में ~10-13% बार समाधान पाया (औसत ~32 प्रयास)।
- दोनों विधियों ने एक ही लक्ष्य बिंदु के लिए कई वैध आर्म कॉन्फ़िगरेशन सफलतापूर्वक खोज लिए।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

मजबूती (Robustness): पारंपरिक IK सॉल्वर के विपरीत, यह फ्रेमवर्क समाधान खोजने के लिए सिमिलरिटी थ्रेशोल्ड को इटरेटिव रूप से रिलैक्स करके सिंगुलैरिटी विफलताओं से बचता है।
स्केलेबिलिटी (Scalability): यह दृष्टिकोण अत्यधिक स्केलेबल है। लेखक एक मोनोलिथिक नेटवर्क को प्रशिक्षित करने के बजाय, प्रत्येक पैर के लिए 3 CMLs (कुल 12) असाइन करके क्वाड्रुपेड रोबोट्स तक विस्तार करने का प्रस्ताव देते हैं, जिन्हें एक सेंट्रल पैटर्न जनरेटर द्वारा नियंत्रित किया जाता है।
हार्डवेयर क्षमता (Hardware Potential): फेसर HDC ऑपरेशंस का उपयोग न्यूरोमॉर्फिक हार्डवेयर (जैसे Intel Loihi) पर स्पाइकिंग न्यूरल नेटवर्क के साथ संगत है, जो कम शक्ति वाले, एज-डिप्लॉयड रोबोटिक कंट्रोल का सुझाव देता है।
अनुकूलन क्षमता (Adaptability): चूंकि CMLs स्टेट या एक्शन उपलब्धता में बदलाव के अनुकूल हो सकते हैं, इसलिए सिस्टम स्वाभाविक रूप से गतिशील वातावरण (जैसे बाधा निवारण) के लिए उपयुक्त है बिना पुन: प्रशिक्षण के।

निष्कर्षतः, यह शोध पत्र रोबोटिक नियंत्रण के लिए एक नया, गणितीय रूप से भिन्न दृष्टिकोण प्रस्तुत करता है जो CMLs की कंपोजेबिलिटी और इनवर्स किनेमैटिक्स को कुशलतापूर्वक और मजबूती से हल करने के लिए हाइपरडायमेंशनल कंप्यूटिंग के बीजगणितीय गुणों का लाभ उठाता है।