🤖 AI

Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming

यह शोध पत्र RAPIDDS प्रस्तुत करता है, जो कई चक्रों में व्यक्तिगत मानव स्थानिक और लौकिक व्यवहारों को मॉडल करके कार्य-स्तर के शेड्यूलिंग और गति-स्तर के अनुकूलन को एकीकृत करने वाला एक ढांचा है, जिससे गैर-अनुकूली प्रणालियों की तुलना में मानव-रोबोट टीमिंग दक्षता, सुरक्षा और उपयोगकर्ता वरीयता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Alex Cuellar, Michael Hagenow, Julie Shah

प्रकाशित 2026-04-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alex Cuellar, Michael Hagenow, Julie Shah

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 व्यस्त रसोई में काम कर रहे हैं और आपके साथ एक नया रोबोट सहायक है। शुरू में, आप एक-दूसरे को अच्छी तरह नहीं जानते। आप आपस में टकरा सकते हैं, एक-दूसरे के हटने का इंतज़ार कर सकते हैं, या गलत समय पर सामग्री एक-दूसरे को थमा सकते हैं। रोबोट को यह नहीं पता कि आप एक "बाएं हाथ से काम करने वाले शेफ" हैं जिसे बाईं ओर जगह चाहिए, या आप धीरे और सावधानी से काम करते हैं, या आप काम में तेज़ी दिखाते हैं।

यह शोध पत्र RAPIDDS नामक एक स्मार्ट सिस्टम पेश करता है (जो एक ऐसे रोबोट का शानदार नाम है जो समय के साथ आपके साथ काम करना सीखता है)। RAPIDDS को एक कठोर मशीन के रूप में न देखें जो केवल एक स्क्रिप्ट का पालन करती है, बल्कि इसे एक डांस पार्टनर के रूप में देखें जो आपकी विशिष्ट लय और शैली को सीख रहा है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. सीखने के दो तरीके ("क्या" और "कहाँ")

अधिकांश रोबोट केवल एक चीज़ सीखते हैं: समय। वे सीखते हैं, "ओह, इस इंसान को गाजर काटने में 10 सेकंड लगते हैं।" इसलिए, रोबोट मदद करने की कोशिश करने से पहले 10 सेकंड तक इंतज़ार करता है।

लेकिन RAPIDDS एक साथ दो चीजें सीखता है:

समय (घड़ी): आपको एक कार्य करने में कितना समय लगता है? क्या आप तेज़ हैं या धीमे?
स्थान (डांस फ्लोर): आप कहाँ खड़ा होना पसंद करते हैं? क्या आप अपने हाथ फैलाकर चलते हैं? क्या आप मेज के बाईं ओर रहना पसंद करते हैं?

उपमा: कल्पना कीजिए कि आप टेनिस खेल रहे हैं। एक बुनियादी रोबोट जानता है कि गेंद को कब मारना है। RAPIDDS जानता है कि गेंद को कब मारना है और साथ ही यह भी जानता है कि आप कहाँ खड़े हैं ताकि वह गलती से रैकेट से आपको चेहरे पर न मार दे।

2. "ट्रायल एंड एरर" लूप (अभ्यास के दौर)

यह सिस्टम कई "चक्रों" (जैसे किसी खेल के राउंड या कारखाने की शिफ्ट) के माध्यम से काम करता है।

राउंड 1: रोबोट थोड़ा अनाड़ी है। वह आपकी आदतों को समझने के लिए अलग-अलग चीज़ें आज़माता है। वह सुरक्षित रहने के लिए शायद आपसे बचने के लिए थोड़ा लंबा रास्ता चुनता है।
राउंड 2: रोबमा को याद आता है, "आह, आप हमेशा अपने बाएं हाथ से मसाले के जार की ओर हाथ बढ़ाते हैं।" वह अपने प्लान को एडजस्ट करता है ताकि वह आपके बाएं हिस्से से दूर रह सके।
राउंड 10: रोबोट और इंसान पूरी तरह तालमेल में होते हैं। वे बिना किसी बाधा के एक-दूसरे के इर्द-गिर्द घूमते हैं, जैसे एक अच्छी तरह से रिहर्सल की गई डांस टीम।

3. "जेनेटिक एल्गोरिदम" (विकासवादी शेफ)

रोबोट सबसे अच्छा प्लान कैसे तय करता है? यह विकास (evolution) के समान एक विधि का उपयोग करता है।
कल्पना कीजिए कि रोबोट एक शेफ है जो एक आदर्श मेनू बनाने की कोशिश कर रहा है। वह 100 अलग-अलग शेड्यूल बनाता है (कुछ जहाँ इंसान पहले कार्य A करता है, कुछ जहाँ रोबोट पहले करता है)।

वह उन्हें अपने "मन" में (सिमुलेशन में) टेस्ट करता है।
वह खराब आइडिया को हटा देता है (जहाँ वे आपस में टकराते हैं या बहुत अधिक समय लेते हैं)।
वह अगले राउंड के लिए बेहतरीन विचारों को आपस में मिलाकर एक "सुपर-शेड्यूल" बनाता है।
समय के साथ, शेड्यूल और भी स्मार्ट होते जाते हैं।

4. "डिफ्यूजन स्टीयरिंग" (चुंबकीय क्षेत्र)

जब रोबोट वास्तव में अपना हाथ हिलाता है, तो वह "डिफ्यूजन मॉडल" नामक चीज़ का उपयोग करता है।
इसे एक चुंबकीय क्षेत्र की तरह समझें।

यदि रोबोट केवल कुशल होने की कोशिश कर रहा है, तो वह एक सीधी रेखा में चलता है।
लेकिन RAPIDDS आपके चारों ओर एक "चुंबकीय प्रतिकर्षण" (repulsion) जोड़ता है। यदि आप बाईं ओर खड़े हैं, तो रोबोट को बाईं ओर से दूर धकेलने वाला एक चुंबकीय धक्का महसूस होता है।
जैसे-जैसे रोबोट आपको बेहतर तरीके से समझता है, वह जानता है कि उस "धक्के" को कितना मजबूत होना चाहिए। यदि आप दूर हैं, तो धक्का कमजोर होता है (ताकि रोबोट तेज़ हो सके)। यदि आप करीब हैं, तो धक्का मजबूत होता है (ताकि रोबोट धीमा हो जाए और दूर रहे)।

यह क्यों मायने रखता है? (परिणाम)

शोधकर्ताओं ने इसे पेंटिंग के एक कार्य के साथ 32 वास्तविक लोगों के साथ टेस्ट किया।

RAPIDDS के बिना: रोबोट या तो बहुत धीमा था (बहुत अधिक इंतज़ार करना) या बहुत जोखिम भरा था (लोगों से टकराना)।
RAPIDDS के साथ: रोबोट ने सीखा कि यह विशिष्ट व्यक्ति बाएं हाथ से काम करने वाला है और तेज़ी से चलता है। उसने उनसे बचने के लिए कार्यों का क्रम और अपने हाथ का रास्ता बदल दिया।
परिणाम: टीम ने काम तेज़ी से पूरा किया, आपस में कम टकराए, और इंसान बहुत अधिक सहज और रोबोट के साथ "तालमेल" में महसूस कर रहे थे।

मुख्य बात

RAPIDDS एक ऐसा सिस्टम है जो मानव-रोबोट टीम वर्क को एक रिश्ते की तरह मानता है। यह केवल वर्तमान क्षण में आपकी प्रतिक्रिया नहीं देता; यह याद रखता है कि आप कौन हैं, समय के साथ आपकी आदतों को सीखता है, और लगातार अपने खुद के नियमों को फिर से लिखता है ताकि यह सुनिश्चित हो सके कि आप दोनों सुचारू रूप से, सुरक्षित रूप से और कुशलता से मिलकर काम करें। यह एक अनाड़ी मशीन को एक विचारशील साथी में बदल देता है।

यहाँ कुएलर, हेगनो और शाह के शोध पत्र "Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

दोहराव वाले डोमेन (जैसे, विनिर्माण, असेंबली) में प्रभावी मानव-रोबोट टीमिंग (HRT) के लिए रोबोट को व्यक्तिगत मानव साथियों के अनुकूल ढलने की आवश्यकता होती है। मौजूदा दृष्टिकोण आमतौर पर दो प्रकार की सीमाओं से ग्रस्त होते हैं:

कार्य-स्तरीय अनुकूलन (Task-Level Adaptation): यह मानव गति/क्षमता के आधार पर कार्य आवंटन और शेड्यूलिंग को अनुकूलित करता है, लेकिन निकट-समीपवर्ती परिदृश्यों में स्थानिक हस्तक्षेप (टकराव या असहज निकटता) की अनदेखी करता है।
गति-स्तरीय अनुकूलन (Motion-Level Adaptation): यह वास्तविक समय में टकराव बचाव या "एंट्रेनमेंट" (मानव गति पैटर्न से मेल खाना) पर ध्यान केंद्रित करता है, लेकिन व्यापक कार्य संदर्भ की अनदेखी करता है, जैसे कि हस्तक्षेप से बचने के लिए कार्यों को पुनर्गठित करना।

मुख्य चुनौती एक ऐसे एकीकृत ढांचे की कमी है जो कई अंतःक्रिया चक्रों (interaction cycles) में व्यक्ति की काल्पनिक प्रवृत्तियों (वे कार्य पूरा करने में कितना समय लेते हैं) और स्थानिक प्रवृत्तियों (उनके पसंदीदा पथ और गति पैटर्न) को एक साथ सीख सके ताकि शेड्यूल और रोबोट की गति दोनों को संयुक्त रूप से अनुकूलित किया जा सके।

2. कार्यप्रणाली: RAPIDDS ढांचा (Methodology: The RAPIDDS Framework)

लेखक RAPIDDS (Repeated Adaptive Planning via Iterative Deployment of Diffusion and Scheduling) प्रस्तावित करते हैं, जो एक ढांचा है जो कई चक्रों में एक मानव मॉडल को पुनरावृत्ति से अपडेट करता है और टीम योजनाओं को अनुकूलित करता है।

A. मुख्य घटक (Core Components)

व्यक्तिगत मानव मॉडल (Individualized Human Model):
- काल्पनिक (Temporal): प्रत्येक मानव कार्य के लिए कार्य पूर्ण होने के समय ( $\mu, \sigma^2$ ) के वितरण को बेयसियन अपडेट (Bayesian updates) का उपयोग करके सीखता है।
- स्थानिक (Spatial): एक स्थानिक लागत फलन ( $S_i$ ) सीखता है जो मानव और रोबोट के बीच अपेक्षित निकटता का प्रतिनिधित्व करता है। इसे मानव के देखे गए प्रक्षेपवक्र (trajectory) और रोबोट के प्रक्षेपवक्र के बीच की दूरी के ऋणात्मक चरघातांकीय (negative exponential) के रूप में मॉडल किया गया है।
अनिश्चितता-जागरूक योजनाकार (Uncertainty-Aware Planner):
- इस समस्या को एक बहु-उद्देश्यीय अनुकूलन के रूप में तैयार करता है जो निम्नलिखित को कम करता है:
  - मेकस्पैन ( $z_t$ ): सभी कार्यों को पूरा करने का कुल समय।
  - स्थानिक लागत ( $z_s$ ): समवर्ती मानव और रोबोट कार्यों के बीच अधिकतम अपेक्षित निकटता।
  - विविधता ( $z_d$ ): एक "एन्ट्रॉपी" शब्द जो मानव व्यवहार को खोजने के लिए प्रारंभिक चक्रों में विविध कार्य आवंटन को प्रोत्साहित करता है (एक्सप्लोरेशन-एक्सप्लोइटेशन ट्रेड-ऑफ)।
- बाधाएं (Constraints): पूर्ववर्ती बाधाओं (precedence constraints) को संभालता है, यह सुनिश्चित करता है कि कार्य ठीक एक एजेंट को सौंपा जाए, और किसी एजेंट को एक साथ दो कार्य करने से रोकता है।
ट्रैजेक्टरी अनुकूलन के साथ जेनेटिक शेड्यूलिंग (Genetic Scheduling with Trajectory Adaptation):
- चूंकि मानव अवधि स्टोकेस्टिक (stochastic) होती है, इसलिए मानक मिक्स्ड-इंटीजर लीनियर प्रोग्रामिंग (MILP) अव्यवहार्य है। RAPIDDS कार्य अनुक्रमों को विकसित करने के लिए एक जेनेटिक एल्गोरिदम (GA) का उपयोग करता है।
- प्रतीक्षा बाधाएं (Wait Constraints): स्थानिक हस्तक्षेप को संभालने के लिए, GA "वेट" कार्यों ( $w_i$ ) को पेश करता है, जिससे रोबोट को केवल कार्यों को पुनर्व्यवस्थित करने के बजाय मानव कार्य पूरा होने तक प्रतीक्षा करने की अनुमति मिलती है।
स्टीयरेबल डिफ्यूजन मोशन पॉलिसी (Steerable Diffusion Motion Policy):
- पॉइंट-टू-पॉइंट प्रक्षेपवक्र के बजाय, रोबोट गतियों को उत्पन्न करने के लिए एक डिफ्यूजन मॉडल ( $\pi$ ) का उपयोग करता है।
- यह नीति स्थानिक लागत फलन द्वारा निर्देशित (steered) होती है। एक दिए गए कार्य के लिए, डिफ्यूजन मॉडल ऐसे प्रक्षेपवस्यों को सैंपल करता है जो अवधि और समवर्ती मानव कार्यों के साथ अधिकतम स्थानिक लागत के बीच संतुलन बनाने वाले वैल्यू फंक्शन को कम करते हैं।

B. अनुकूलन लूप (एल्गोरिदम 1) (The Adaptation Loop)

आरंभीकरण (Initialization): एक पूर्व मानव मॉडल और संभावित शेड्यूल्स के सेट के साथ शुरू करें (अर्लीएस्ट डेडलाइन फर्स्ट के माध्यम से जनरेट किए गए)।
मूल्यांकन (Evaluation): प्रत्येक उम्मीदवार शेड्यूल के लिए, सिस्टम:
- मानव और रोबोट कार्यों के ओवरलैप का अनुमान लगाता है।
- स्थानिक लागतों पर आधारित मानव कार्यों के लिए डिफ्यूजन पॉलिसी से रोबोट प्रक्षेपव्य (trajectories) सैंपल करता है।
- कुल लागत (मेकस्पैन + स्थानिक दंड + विविधता) की गणना करता है।
विकास (Evolution): GA अनुकूलतम योजना खोजने के लिए $G$ पीढ़ियों में शेड्यूल्स की आबादी को विकसित करता है (कार्य क्रम बदलना, एजेंटों को बदलना, प्रतीक्षा बाधाओं को जोड़ना या हटाना)।
परिनियोजन (Deployment): सर्वोत्तम योजना को निष्पादित किया जाता है। रोबोट मानव के वास्तविक कार्य अवधियों और स्थानिक प्रक्षेपव erhö (trajectories) को रिकॉर्ड करता है।
मॉडल अपडेट (Model Update):
- काल्पनिक (Temporal): कार्य अवधियों के माध्य/विचरण के लिए बेयसियन अपडेट।
- स्थानिक (Spatial): स्थानिक लागत फलन के लिए नए प्रक्षेपव (trajectory) डेटा का उपयोग करके बेयसियन अपडेट, जो लागत मानचित्र के न्यूरल नेटवर्क सन्निकटन (approximation) को फिर से प्रशिक्षित करता है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत स्थानिक-काल्पनिक अनुकूलन (Unified Spatio-Temporal Adaptation): एक नया ढांचा जो कार्य शेड्यूलिंग और गति निर्माण को संयुक्त रूप से अनुकूलित करता है, जो उच्च-स्तरीय कार्य आवंटन और निम्न-स्तरीय गति नियोजन के बीच के अंतर को पाटता है।
बेयसियन वैयक्तिकरण (Bayesian Personalization): कई चक्रों में बेयसियन अपडेट का उपयोग करके मानव स्थानिक व्यवहार (पथ) और काल्पनिक व्यवहार (गति) के व्यक्तिगत मॉडल को पुन: परिष्कृत करने का एक तंत्र।
डिफ्यूजन-आधारित मोशन स्टीयरिंग (Diffusion-Based Motion Steering): मानव साथियों से स्वाभाविक रूप से बचने और दक्षता बनाए रखने के लिए सीखे गए स्थानिक लागतों द्वारा निर्देशित डिफ्यूजन मॉडल का अनुप्रयोग।
अनुभवजन्य सत्यापन (Empirical Validation): सिमुलेशन एब्लेशन अध्ययन, एक भौतिक रोबोट परिदृश्य और एक उपयोगकर्ता अध्ययन ( $n=32$ ) सहित व्यापक मूल्यांकन।

4. परिणाम (Results)

यह शोध पत्र तीन प्रयोगों के माध्यम से RAPIDDS को प्रमाणित करता है:

एब्लेशन अध्ययन (सिमुलेशन) (Ablation Study - Simulation):
- चार मानव आर्केटाइप्स (फास्ट/स्लो $\times$ मिडिल/आउटसाइड पाथ) के साथ "फेच" कार्य पर परीक्षण किया गया।
- परिणाम: RAPIDDS (स्पेस + टाइम अनुकूलन) ने लगातार केवल स्पेस या केवल टाइम अनुकूलन करने वाले सिस्टम की तुलना में कम कुल लागत प्राप्त की। इसने विशिष्ट मानव रणनीतियों (जैसे, धीमे उपयोगकर्ताओं के लिए "मिडल" पथों से बचना) को सीखकर कम लागत वाले प्लान सफलतापूर्वक पहचाने।
भौतिक रोबोट परिदृश्य (सहयोगात्मक पेंटिंग) (Physical Robot Scenario - Collaborative Painting):
- एक 7-DOF रोबोट आर्म ने पेंट मिलाया और वर्कपीस पर लगाया, जबकि एक मानव उसे सुरक्षित कर रहा था।
- परिणाम: सिस्टम ने मानव के हाथ की प्राथमिकता (बाएं बनाम दाएं) के अनुकूल ढल गया।
  - अप्रतिबंधित (Unconstrained): इसने मानव से बचने के लिए मिश्रण के क्रम को पुनर्गठित किया।
  - प्रतिबंधित (Constrained): जब पुनर्गठन असंभव था, तो डिफ्यूजन पॉलिसी ने रोबोट को टकराव से बचने के लिए एक लंबा, सुरक्षित पथ लेने के लिए निर्देशित किया।
उपयोगकर्ता अध्ययन ( $n=32$ ) (User Study):
- प्रतिभागियों ने चार प्रणालियों के साथ बातचीत की: फुल एडैप्टेशन, स्पेशियल-ओनली, टेम्पोरल-ओनली, और नॉन-एडैप्टिव।
- वस्तुनिष्ठ मेट्रिक्स (Objective Metrics): फुल एडैप्टेशन ने नॉन-एडैप्टिव बेसलाइन की तुलना में स्थानिक लागत ( $p < .001$ ) और काल्पनिक लागत ( $p < .005$ ) को काफी कम कर दिया।
- व्यक्तिपरक मेट्रिक्स (Subjective Metrics): प्रतिभागियों ने स्थानिक रूप से अनुकूलित प्रणालियों को काफी पसंद किया। सर्वेक्षणों ने उच्च प्रवाह (fluency), समय के साथ बेहतर सुधार, और यह महसूस करने में काफी कमी दिखाई कि "रोबोट रास्ते में आ रहा था।"

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र प्रदर्शित करता है कि प्रभावी मानव-रोबोट टीमिंग के लिए संयुक्त स्थानिक-काल्पनिक अनुकूलन महत्वपूर्ण है। यह न केवल यह सीखने के लिए नहीं है कि मानव कितनी तेजी से काम करता है, बल्कि यह भी कि वे कहाँ चलते हैं, जिससे रोबोट अपने शेड्यूल और अपनी गति दोनों को सक्रिय रूप से समायोजित कर सकते हैं।

सुरक्षा और आराम: यह प्रणाली सरल टकराव बचाव से आगे बढ़कर "निकटता बचाव" (proximity avoidance) की ओर बढ़ती है, जिससे रोबोट के रास्ते में आने का व्यक्तिपरक अहसास कम होता है।
दक्षता: व्यक्तिगत प्रवृत्तियों को सीखकर, रोबोट अनुमान लगाना बंद कर सकता है और अनुकूलन शुरू कर सकता है, जिससे टीम के पूरा होने का समय कम हो जाता है।
स्केलेबिलिटी: डिफ्यूजन मॉडल और जेनेटिक एल्गोरिदम का उपयोग करने से सिस्टम को स्पष्ट रूप से हस्तनिर्मित नियमों की आवश्यकता के बिना जटिल, गैर-रेखीय गति स्थानों और स्टोकेस्टिक मानव व्यवहारों को संभालने की अनुमति मिलती है।

सीमाएं और भविष्य का कार्य (Limitations & Future Work): वर्तमान ढांचा यह मानता है कि मानव व्यवहार समय के साथ सुसंगत रहता है (थकान या अचानक परिवर्तनों को अनदेखा करता है) और दक्षता एवं सुरक्षा के बीच एक निश्चित ट्रेड-ऑफ पैरामीटर ( $\gamma$ ) का उपयोग करता है। भविष्य के कार्य में कार्य निष्पादन के दौरान वास्तविक समय की प्रतिक्रियाशीलता और मानव फीडबैक के आधार पर अनुकूलन योग्य ट्रेड-ऑफ पैरामीटर शामिल करना शामिल है।