🤖 AI

NEAT-NC: NEAT guided Navigation Cells for Robot Path Planning

यह शोध पत्र NEAT-NC को प्रस्तुत करता है, जो जैविक नेविगेशन कोशिकाओं से प्रेरित एक न्यूरो-इवोल्यूशनरी दृष्टिकोण है, जो स्थिर और गतिशील रोबोटिक वातावरण में प्रभावी वास्तविक समय पथ नियोजन के लिए रिकरेंट न्यूरल नेटवर्क विकसित करने हेतु NEAT का उपयोग करता है।

मूल लेखक: Hibatallah Meliani, Khadija Slimani, Samira Khoulji

प्रकाशित 2026-04-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hibatallah Meliani, Khadija Slimani, Samira Khoulji

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 भीड़भाड़ वाले, उथल-पुथल भरे बाजार से होकर किसी खास स्टॉल तक जाने की कोशिश कर रहे हैं। आप केवल जमीन को ही नहीं देख रहे हैं; आप लगातार यह भी देख रहे हैं कि स्टॉल कहाँ हैं, चलती हुई गाड़ियाँ कहाँ हैं, आपकी गति कितनी है, और टकराने से बचने के लिए आपको किस दिशा में मुड़ना होगा। आपका मस्तिष्क यह सब अपने विशेष "आंतरिक सेंसरों" का उपयोग करके स्वचालित रूप से करता है।

यह शोध पत्र एक रोबोट नेविगेशन सिस्टम पेश करता है जिसे NEAT-NC कहा जाता है, जो एक रोबोट को एक इंसान के मस्तिष्क की तरह नेविगेट करना सिखाने की कोशिश करता है। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

1. समस्या: रोबोट अराजकता में खो जाते हैं

पारंपरिक रोबोट उन लोगों की तरह होते हैं जो आँखों पर पट्टी बांधकर एक भूलभुलैया (maze) में नेविगेट करने की कोशिश कर रहे हों और उन्हें केवल एक कठोर मानचित्र के आधार पर एक बार में एक कदम उठाने की अनुमति हो। यदि कोई दीवार हिलती है या कोई नया अवरोध दिखाई देता है, तो वे अक्सर भ्रमित हो जाते हैं या टकरा जाते हैं। वे डायनेमिक एनवायरनमेंट (ऐसी जगहें जहाँ चीजें चलती रहती हैं) में तालमेल बिठाने में संघर्ष करते हैं।

2. समाधान: रोबोट को "जैविक मस्तिष्क" देना

लेखकों ने महसूस किया कि प्रकृति ने पहले ही इस समस्या का समाधान कर लिया है। जब आप या कोई चूहा किसी स्थान के माध्यम से चलता है, तो आपका मस्तिष्क एक मानसिक मानचित्र बनाने के लिए विशेष कोशिकाओं का उपयोग करता है:

प्लेस सेल्स (Place Cells): "मैं यहाँ हूँ।"
बॉर्डर सेल्स (Border Cells): "मेरे बाईं ओर एक दीवार है।"
हेड-डायरेक्शन सेल्स (Head-Direction Cells): "मेरा मुख उत्तर की ओर है।"
स्पीड सेल्स (Speed Cells): "मैं तेज़ गति से चल रहा हूँ।"
ग्रिड सेल्स (Grid Cells): "मैं एक ग्रिड पैटर्न में हूँ।"

NEAT-NC की नवीनता यह है कि यह इन जैविक अवधारणाओं को लेता है और उन्हें रोबोट के "मस्तिष्क" (एक कंप्यूटर प्रोग्राम) में फीड करता है ताकि उसे नेविगेट करने में मदद मिल सके।

3. यह कैसे काम करता है: "विकासवादी कोच" (The Evolutionary Coach)

इस प्रणाली का मुख्य हिस्सा एक एल्गोरिदम है जिसे NEAT (NeuroEvolution of Augmenting Topology) कहा जाता है। NEAT को एक स्पोर्ट्स टीम के लिए टैलेंट स्काउट की तरह समझें।

खिलाड़ी (न्यूरल नेटवर्क): एक रोबोट को प्रशिक्षित करने के बजाय, यह सिस्टम 50 अलग-अलग "रोबोटों" (या न्यूरल नेटवर्क) को बनाता है जिनके मस्तिष्क थोड़े अलग होते हैं।
खेल (भूलभुलैया): वे सभी चलते हुए अवरोधों के साथ एक भूलभुलैया से गुजरने की कोशिश करते हैं।
कोच (फिटनेस फंक्शन): कोच उन्हें देखता है। यदि कोई रोबोट टकरा जाता है, तो कोच उसे कम स्कोर देता है। यदि वह लक्ष्य की ओर सुचारू रूप से बढ़ता है, तो कोच उसे उच्च स्कोर देता है।
विकास (Evolution): सबसे अच्छे स्कोर वाले रोबोट "प्रजनन" (reproduce) करते हैं। उनके मस्तिष्क को आपस में मिला दिया जाता है (crossover) और थोड़ा बदला जाता है (mutation) ताकि रोबोटों की एक नई, स्मार्ट पीढ़ी बनाई जा सके।
स्मृति (RNN): महत्वपूर्ण रूप से, यह सिस्टम एक रिकरेंट न्यूरल नेटवर्क (RNN) का उपयोग करता है। इसे रोबोट की अल्पकालिक स्मृति (short-term memory) के रूप में समझें। यह याद रखता है कि इसने एक सेकंड पहले एक चलते हुए अवरोध को कहाँ देखा था, ताकि यह अनुमान लगा सके कि अब वह अवरोध कहाँ होगा। यह ऐसा ही है जैसे यह याद रखना कि एक कार बाईं ओर मुड़ रही थी, ताकि आप उसके रास्ते में न आ जाएं, भले ही आप एक पल के लिए उसे देख न पा रहे हों।

4. "सीक्रेट सॉस": फिटनेस फंक्शन

कोच को कैसे पता चलता है कि कौन सा रोबोट सबसे अच्छा है? शोधकर्ताओं ने एक विशेष स्कोरिंग सिस्टम (फिटनेस फंक्शन) डिजाइन किया है जो पुरस्कृत करता है:

लक्ष्य तक पहुँचना (बड़ा इनाम)।
सीधी रेखा में चलना (बिना टेढ़े-मेढ़े चले)।
दीवारों से न टकराना (दंड/पेनल्टी)।
कुशलता से चलना (समय मायने रखता है)।

यह एक ड्राइविंग टेस्ट की तरह है जहाँ आपको अपनी लेन में रहने और गंतव्य तक जल्दी पहुँचने के लिए अंक मिलते हैं, लेकिन यदि आप फुटपाथ से टकराते हैं तो आपके बहुत अधिक अंक कट जाते हैं।

5. परिणाम: रोबोट जीतता है

शोधकर्ताओं ने इस नई प्रणाली का परीक्षण दो अन्य तरीकों के विरुद्ध किया:

पुराने तरीके वाला NEAT: बिना जैविक "सेल" इनपुट वाला रोबोट।
DRL (डीप रीइन्फोर्समेंट लर्निंग): एक बहुत ही जटिल, भारी AI तरीका।

परिणाम:

NEAT-NC स्पष्ट विजेता था। इसने लक्ष्य तक पहुँचने की दर (सफलता की दर) अधिक रखी।
इसने छोटे रास्ते तय किए (यह इधर-उधर नहीं भटकता)।
यह प्रशिक्षित होने और चलने में तेज़ था।
इसने अन्य तरीकों की तुलना में चलते हुए अवरोधों को बहुत बेहतर तरीके से संभाला।

बड़ी तस्वीर (The Big Picture)

कल्पना कीजिए कि आप एक कुत्ते को गेंद लाने (fetch) के लिए सिखा रहे हैं।

पुराना तरीका: आप कुत्ते को हर सेकंड बताते हैं कि उसे कहाँ कदम रखना है। यदि गेंद हिलती है, तो कुत्ता भ्रमित हो जाता है।
NEAT-NC तरीका: आप कुत्ते को कुछ सहज ज्ञान (instincts) देते हैं (गेंद को ढूँढना, चलती कारों पर नज़र रखना, वह कहाँ था यह याद रखना)। आप कुत्ते को कोशिश करने, असफल होने और अपनी गलतियों से सीखने देते हैं जब तक कि वह खुद ही एक आदर्श रणनीति न बना ले।

संक्षेप में: यह शोध पत्र दिखाता है कि जैविक मस्तिष्क द्वारा "नेविगेशन सेल्स" के उपयोग की नकल करके और इसे एक विकासवादी सीखने की प्रक्रिया के साथ जोड़कर, हम ऐसे रोबोट बना सकते हैं जो अधिक स्मार्ट, तेज़ और अस्त-व्यस्त, बदलते वास्तविक दुनिया के वातावरण में नेविगेट करने में बेहतर होते हैं।

यहाँ शोध पत्र "NEAT-NC: NEAT guided Navigation Cells for Robot Path Planning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्थिर (static) और गतिशील (dynamic) दोनों प्रकार के वातावरणों में स्वायत्त रोबोट पथ नियोजन (autonomous robot path planning) की चुनौती को संबोधित करता है। पारंपरिक पथ नियोजन अक्सर नियतात्मक (deterministic) विधियों या मानक मेटा-ह्यूरिस्टिक्स पर निर्भर करता है जो गतिशील बाधाओं वाले वास्तविक दुनिया के जटिल और अप्रत्याशित परिदृश्यों में संघर्ष करते हैं। हालांकि डीप रिइन्फोर्समेंट लर्निंग (DRL) और मानक न्यूरोइवोल्यूशन ऑफ ऑगमेंटिंग टोपोलॉजी (NEAT) को लागू किया गया है, लेकिन उनमें अक्सर मजबूत स्थानिक स्मृति (spatial memory) और गतिशील सेटिंग्स में कुशल नेविगेशन के लिए आवश्यक विशिष्ट जैविक तंत्रों की कमी होती है। लेखक जैविक स्थानिक संज्ञान सिद्धांतों (विशेष रूप से हिप्पोकैम्पल सेल प्रकारों) को एकीकृत करके NEAT के प्रदर्शन को बेहतर बनाने का लक्ष्य रखते हैं ताकि एक अधिक अनुकूलन योग्य और कुशल नेविगेशन प्रणाली बनाई जा सके।

2. कार्यप्रणाली: NEAT-NC (Methodology: NEAT-NC)

प्रस्तावित समाधान, NEAT-NC, एक "नेविगेशन सेल्स" द्वारा निर्देशित न्यूरोइवोल्यूशन ऑफ ऑगमेंटिंग टोपोलॉजी एल्गोरिदम है। यह एक रिकरेंट न्यूरल नेटवर्क (RNN) को विकसित करता है जो हिप्पोकैम्पस की नकल करता है, जिससे एजेंट को अपने वातावरण की एक टेम्पोरल मेमोरी (temporal memory) बनाए रखने में मदद मिलती है।

A. इनपुट एनकोडिंग (जैविक प्रेरणा)

कच्चे सेंसर डेटा के बजाय, एल्गोरिदम चार प्रकार के जैविक नेविगेशन सेल्स के आधार पर इनपुट्स को एनकोड करता है:

बॉर्डर सेल्स (Border Cells): एजेंट के चारों ओर एक $3 \times 3$ ग्रिड। यदि सेंसर रेडियस $R$ के भीतर किसी विशिष्ट स्थानिक बिन में कोई स्थिर दीवार या गतिशील बाधा पाई जाती है, तो ये सेल्स सक्रिय (मान 1.0) होते हैं।
प्लेस सेल्स (Place Cells): लक्ष्य (goal) की सापेक्ष स्थिति को एनकोड करने वाला एक $3 \times 3$ ग्रिड। बॉर्डर सेल्स की तरह ही, ये तब सक्रिय होते हैं जब लक्ष्य सेंसर रेडियस के भीतर होता है।
हेड-डायरेक्शन सेल्स (Head-Direction Cells): लक्ष्य के सापेक्ष एजेंट के ओरिएंटेशन को कोण अंतर ( $\Delta\theta$ ) के साइन (sine) और कोसाइन (cosine) का उपयोग करके एनकोड करता है।
स्पीड सेल (Speed Cell): एजेंट के सामान्यीकृत रैखिक वेग ( $v_{agent} / v_{max}$ ) का प्रतिनिधित्व करता है।

इन इनपुट्स को 21 आकार के एक वेक्टर (9 बॉर्डर + 9 प्लेस + 2 हेड-डायरेक्शन + 1 स्पीड) में संयोजित किया जाता है और RNN में फीड किया जाता है।

B. नेटवर्क आर्किटेक्चर और विकास (Network Architecture & Evolution)

आर्किटेक्चर: RNN एक स्थानिक स्मृति (spatial memory) के रूप में कार्य करता है, जो सेल एक्टिवेशन के इतिहास को ट्रैक करने के लिए हिडन स्टेट्स (hidden states) बनाए रखता है। यह गतिशील बाधाओं के बीच नेविगेट करने के लिए महत्वपूर्ण है जहाँ पिछले अवलोकन भविष्य के निर्णयों को सूचित करते हैं।
आउटपुट: नेटवर्क दो मान आउटपुट करता है: कोणीय वेग (angular velocity) और रैखिक वेग (linear velocity)।
जेनेटिक ऑपरेटर्स: एल्गोरिदम मानक NEAT ऑपरेटर्स (सिलेक्शन, क्रॉसओवर, म्यूटेशन) का उपयोग करता है, लेकिन नेटवर्क टोपोलॉजी को विकसित करने के लिए संरचनात्मक म्यूटेशन (नोड्स/कनेक्शन जोड़ना) और वेट म्यूटेशन पर ध्यान केंद्रित करता है।

C. फिटनेस फंक्शन (Fitness Function)

फिटनेस फंक्शन को कुशल, सुरक्षित और जैविक रूप से तर्कसंगत नेविगेशन को पुरस्कृत करने के लिए डिज़ाइन किया गया है:

लक्ष्य प्राप्ति (Goal Achievement): एक बड़ा टर्मिनल बोनस ( $\lambda_g = 5000$ ) और लक्ष्य तक तेजी से पहुँचने के लिए समय-आधारित पुरस्कार।
विस्थापन पुरस्कार (Displacement Reward): उन मूवमेंट वेक्टर्स को पुरस्कृत करता है जो लक्ष्य की दिशा में संरेखित (align) होते हैं।
स्मूथनेस पेनल्टी (Smoothness Penalty): अत्यधिक टर्निंग (कोणीय वेग) को दंडित करता है ताकि सीधे रास्तों को प्रोत्साहित किया जा सके, जो हिप्पोकैम्पल दक्षता की नकल करता है।
कोलिजन पेनल्टी (Collision Penalty): बाधा से टकराने के लिए एक भारी दंड ( $\lambda_c = -100$ ), जो एपिसोड को समाप्त कर देता है।
"सी गोल" रिवॉर्ड ("See Goal" Reward): एक छोटा बोनस ( $\lambda_s = 10$ ) जब एजेंट उस क्षेत्र में प्रवेश करता है जहाँ लक्ष्य दिखाई देता है, जो उसे जटिल भूलभुलैया (mazes) के माध्यम से मार्गदर्शन करता है।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र तीन प्राथमिक योगदान देता है:

जैविक रूप से प्रेरित इनपुट प्रतिनिधित्व: एक नवीन एनकोडिंग योजना जो नेवरोइवोल्यूशनरी नेटवर्क में इनपुट के रूप में लक्ष्य-उन्मुख प्लेस सेल्स, हेड-डायरेक्शन सिग्नल, बॉर्डर सेल्स और स्पीड सेल्स को संयोजित करती है।
गतिशील वातावरण के लिए रिकरेंट मेमोरी: एक रिकरेंट न्यूरल नेटवर्क का उपयोग करने वाला एक विकासवादी सिस्टम जो हिप्पोकैम्पल मेमोरी संरचनाओं का अनुकरण करता है, जिससे एजेंट पिछले अवलोकनों को एकीकृत करके गतिशील बाधाओं को संभालने में सक्षम होता है।
हिप्पोकैम्पस-प्रेरित फिटनेस फंक्शन: एक पुरस्कार संरचना जो विशेष रूप से सीधे, लक्ष्य-निर्देशित पथों को बढ़ावा देती है और अनियंत्रित स्टीयरिंग को दंडित करती है, जिससे नेविगेशन दक्षता में सुधार होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन वातावरणों में वैनिला NEAT (फीडफॉरवर्ड नेटवर्क) और प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन (PPO) (DRL बेसलाइन) के विरुद्ध NEAT-NC का मूल्यांकन किया:

Env 1: सरल 'S' भूलभुलैया (स्थिर)।
Env 2: 5 गतिशील बाधाओं के साथ जटिल भूलभुलैया।
Env 3: 2 गतिशील बाधाओं के साथ जटिल भूलभुलैया।

प्रदर्शन मेट्रिक्स:

सफलता दर (Success Rate): NEAT-NC ने दोनों बेसलाइनों को काफी पीछे छोड़ दिया।
- Env 2: NEAT-NC (100%) बनाम वैनिला NEAT (47%) बनाम DRL (16.67%)।
- Env 3: NEAT-NC (70%) बनाम वैनिला NEAT (23.33%) बनाम DRL (6.67%)।
पथ दक्षता (Path Efficiency): NEट-NC ने अन्य विधियों की तुलना में छोटे पथ की लंबाई उत्पन्न की।
फिटनेस वैल्यू (Fitness Value): NEAT-NC ने सभी वातावरणों में काफी उच्च औसत फिटनेस स्कोर प्राप्त किया।
निष्पादन समय (Execution Time): NEAT-NC को वैनिला NEAT की तुलना में कम निष्पादन समय और DRL प्रशिक्षण समय की तुलना में काफी कम समय लगा।

सांख्यिकीय सत्यापन (Statistical Validation):

क्रुस्कल-वालिस (Kruskal-Wallis) और ची-स्क्वायर (Chi-square) परीक्षणों ने पुष्टि की कि प्रदर्शन में अंतर सांख्यिकीय रूप से महत्वपूर्ण था ( $p < 0.05$ )।
डन पोस्ट-हॉक (Dunn post-hoc) परीक्षणों और क्रिटिकल डिफरेंस (CD) आरेखों ने NEAT-NC को सांख्यिकीय रूप से श्रेष्ठ एल्गोरिदम के रूप में सिद्ध किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह अध्ययन प्रदर्शित करता है कि जैविक स्थानिक संज्ञान सिद्धांतों (विशेष रूप से प्लेस, बॉर्डर और हेड-डायरेक्शन सेल्स की विशिष्ट भूमिकाओं) को विकासवादी एल्गोरिदम में एकीकृत करने से रोबोट पथ नियोजन में उल्लेखनीय सुधार होता है।

अनुकूलन क्षमता (Adaptability): RNN-आधारित मेमोरी सिस्टम को गतिशील, चलती बाधाओं के अनुकूल होने की अनुमति देती है जहाँ फीडफॉरवर्ड नेटवर्क (वैनिला NEAT) और कुछ DRL दृष्टिकोण विफल हो जाते हैं।
दक्षता (Efficiency): जैविक रूप से प्रेरित फिटनेस फंक्शन सीधे, लक्ष्य-निर्देशित पथों और कम अनियंत्रित स्टीयरिंग को बढ़ावा देता है।
वास्तविक दुनिया के अनुप्रयोग (Real-World Application): यह दृष्टिकोण रोबोटिक्स और गेमिंग में वास्तविक समय के गतिशील पथ नियोजन के लिए उपयुक्त है, जो शुद्ध डेटा-संचालित डीप लर्निंग विधियों के लिए एक मजबूत विकल्प प्रदान करता है जो अक्सर विशाल प्रशिक्षण डेटा की आवश्यकता होती है और गतिशील सेटिंग्स में सामान्यीकरण (generalization) के लिए संघर्ष करते हैं।

लेखक निष्कर्ष निकालते हैं कि NEAT-NC न्यूरोसाइंस और इवोल्यूशनरी रोबोटिक्स के सफल संलयन का प्रतिनिधित्व करता है, जो स्वायत्त एजेंटों के लिए अधिक उन्नत संज्ञानात्मक ढांचे (cognitive frameworks) का मार्ग प्रशस्त करता है।