💻 computer science

Continuum Robot Modeling with Action Conditioned Flow Matching

यह शोध पत्र एक डेटा-संचालित ढांचे (framework) को प्रस्तुत करता है जो मोटर एक्चुएशन से टेंडन-ड्रिवन निरंतर रोबोटों (continuum robots) की स्थिर-अवस्था 3D ज्यामिति की सटीक भविष्यवाणी करने के लिए एक्शन-कंडीशन्ड फ्लो मैचिंग का उपयोग करता है, जो सिमुलेशन और वास्तविक दुनिया के प्रयोगों दोनों में पेलोड स्थितियों के लिए सामान्यीकरण करते हुए मौजूदा विधियों पर बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Jiong Lin, Jinchen Ruan, Hod Lipson

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiong Lin, Jinchen Ruan, Hod Lipson

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

मुख्य चित्र: एक रोबोट को अपना आकार "सपना" देखना सिखाना

कल्पना कीजिए कि आपके पास एक बहुत ही लचीला, नूडल जैसा रोबोटिक हाथ है जो नरम सामग्री से बना है, और इसे धागों (टेंडन) द्वारा खींचा जा रहा है, जैसे कि एक कठपुतली को खींचा जाता है। इसे टेंडन-ड्रिवन कॉन्टिनम रोबोट (TDCR) कहा जाता है।

समस्या यह है कि ये रोबोट काफी पेचीदा होते हैं। यदि आप एक धागा खींचते हैं, तो रोबोट मुड़ता है, लेकिन वह ठीक कैसे मुड़ेगा, यह घर्षण (friction), इसके निर्माण के तरीके और धागों के मार्ग पर निर्भर करता है। यह बिल्कुल वैसा ही है जैसे यह अनुमान लगाने की कोशिश करना कि केवल यह जानकर कि आप उसे किस दिशा में खींच रहे हैं, एक गीले नूडल का सटीक आकार क्या होगा। पारंपरिक गणितीय सूत्र अक्सर विफल हो जाते हैं क्योंकि वास्तविक दुनिया अव्यवस्थित होती है।

समाधान: शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो जटिल भौतिकी समीकरणों को हल करने की कोशिश नहीं करती है। इसके बजाय, उन्होंने रोबोट को अपना आकार "सपना" देखना सिखाया। उन्होंने विभिन्न स्थितियों में रोबोट की हजारों तस्वीरें एकत्र कीं, और फिर एक विशेष AI का उपयोग करके पैटर्न सीखा: "यदि मैं धागों को इस तरह खींचता हूँ, तो रोबोट ऐसा दिखेगा।"

यह कैसे काम करता है: "शेप शिफ्टर" (आकार बदलने वाला) सादृश्य

इसकी मुख्य विधि को एक्शन कंडीशन फ्लो मैचिंग (Action Conditioned Flow Matching) कहा जाता है। इसे समझने का एक सरल तरीका यहाँ दिया गया है:

शुरुआती बिंदु (धूल का बादल): हवा में तैरते हुए धूल के एक बादल की कल्पना करें। यह एक यादृच्छिक (random), अव्यवस्थित आकार का प्रतिनिधित्व करता है जिसमें कोई संरचना नहीं है। पेपर में, इसे "गौसियन प्रायर" (Gaussian Prior) कहा गया है।
निर्देश (एक्शन): आप रोबोट को बताते हैं, "बाएं धागे को 20% और दाएं धागे को 10% खींचें।" यह "एक्शन" है।
रूपांतरण (फ्लो): AI एक जादुई हवा की तरह कार्य करता है। यह धूल को तुरंत एक आकार में नहीं बदल देता। इसके बजाय, यह धूल के कणों को धीरे से धकेलता और खींचता है, उन्हें उस विशिष्ट, स्थिर आकार की ओर निर्देशित करता है जो रोबोट तब लेगा जब आप उन धागों को खींचेंगे।
परिणाम: धूल एक पूर्ण, सघन 3D मानचित्र (पॉइंट क्लाउड) में जम जाती है जो रोबोट के शरीर का प्रतिनिधित्व करती है।

यह पुराने तरीकों से बेहतर क्यों है?
पुराने तरीके कुछ प्रमुख बिंदुओं (जैसे नाक की नोक और कोहनी) का अनुमान लगाने की कोशिश करते थे। यह नई विधि पूरे शरीर का अनुमान लगाती है, अंतिम पिक्सेल तक, जिससे रोबोट की एक पूर्ण 3D तस्वीर बनती है।

लैब: "नूडल" और "आंखों" का निर्माण

AI को सिखाने के लिए, टीम को एक भौतिक रोबोट और उसे देखने का एक तरीका बनाना पड़ा।

रोबोट: उन्होंने एक हल्का रोबोटिक हाथ 3D प्रिंट किया। यह अलग-अलग लंबाई (2, 3, या 5 "मॉड्यूल" या खंड) में आता है। यह प्लास्टिक के छल्लों से बने एक लचीले सांप की तरह है।
आंखें: उन्होंने केवल एक कैमरे का उपयोग नहीं किया। उन्होंने रोबोट के चारों ओर चार हाई-टेक कैमरों (RGB-D कैमरे) का एक घेरा बनाया। ये कैमरे रंग और गहराई (दूरी) दोनों देख सकते हैं, जिससे वे एक साथ हर कोण से रोबोट का 3D मॉडल बना सकते हैं।
प्रशिक्षण (Training): उन्होंने रोबोट के मोटरों को यादृच्छिक रूप से चलाया, उसके रुकने (स्थिर होने) का इंतज़ार किया, और एक तस्वीर ली। उन्होंने ऐसा हजारों बार किया। AI ने मोटर सेटिंग्स को देखना और उन तस्वीरों में दिखने वाले 3D आकार का अनुमान लगाना सीख लिया।

परिणाम: आकार प्रतियोगिता में कौन जीता?

शोधकर्ताओं ने अपने नए "ड्रीमिंग AI" का परीक्षण अन्य प्रसिद्ध रोबोट मॉडलिंग विधियों के विरुद्ध किया। उन्होंने सफलता को मापने के लिए दो मुख्य तरीकों का उपयोग किया:

भविदन वास्तविक चीज़ के कितने करीब है? (जैसे किसी ड्राइंग और वास्तविक वस्तु के बीच की दूरी मापना)।
भविदन को वास्तविक चीज़ में बदलने के लिए कितनी "मेहनत" (effort) लगती है? (जैसे यह गणना करना कि आकार से मेल खाने के लिए आपको रबर की शीट को कितना खींचना पड़ेगा)।

निष्कर्ष:

सिमुलेशन: कंप्यूटर सिमुलेशन (2, 3, और 5-सेगमेंट वाले रोबोटों का उपयोग करके) में, उनकी विधि स्पष्ट विजेता रही। यह अगली सर्वश्रेष्ठ विधियों की तुलना में काफी अधिक सटीक थी।
वास्तविक जीवन: जब उन्होंने वास्तविक 3D-प्रिंटेड रोबोटों पर इसका परीक्षण किया, तब भी यह अन्य विधियों को बड़े अंतर से पीछे छोड़ते हुए जीत गया।
"भारी भार" परीक्षण: उन्होंने एक संस्करण का भी परीक्षण किया जहाँ उन्होंने रोबोट के सिरे पर एक छोटा वजन जोड़ा। AI ने वजन के कारण होने वाले अतिरिक्त झुकाव सहित आकार का अनुमान लगाना सीख लिया। यह दर्शाता है कि यदि आप इसे डेटा दें, तो सिस्टम अतिरिक्त चरों (variables) को संभाल सकता है।

यह क्या मायने रखता है (और क्या नहीं)

यह पेपर क्या दावा करता है:

उन्होंने एक ऐसी प्रणाली बनाई है जो रोबोट के मोटर कमांड को देख सकती है और तुरंत उसके पूर्ण 3D आकार का उच्च सटीकता के साथ अनुमान लगा सकती है।
यह कंप्यूटर सिमुलेशन और वास्तविक, भौतिक रोबोट दोनों के लिए काम करता है।
यह एक "डेटा-ड्रिवन" दृष्टिकोण है, जिसका अर्थ है कि यह जटिल भौतिकी सूत्रों के बजाय अवलोकन से सीखता है।

यह पेपर क्या दावा नहीं करता (टेक्स्ट के आधार पर):

वे यह दावा नहीं कर रहे हैं कि यह गतिशील, तेज़ गति वाले रोबोटों के लिए काम करता है (यह केवल "स्थिर" या रुके हुए आकार का अनुमान लगाता है)।
वे यह दावा नहीं कर रहे हैं कि यह तुरंत किसी भी रोबोट डिज़ाइन के लिए काम करता है (इसे पहले एक विशिष्ट रोबोट प्रकार के लिए प्रशिक्षित करने की आवश्यकता होती है)।
वे यह दावा नहीं कर रहे हैं कि यह अभी अज्ञात वस्तुओं के साथ जटिल टकराव या मनमाने बलों को संभाल सकता है (हालांकि उन्होंने एक साधारण वजन का परीक्षण किया)।

सारांश सादृश्य

रोबोट को मॉडल करने के पुराने तरीके को केवल किसी व्यक्ति की ऊंचाई और हाथ की लंबाई को मापने के माध्यम से एक व्यक्ति का चित्र बनाने जैसा समझें। यह ठीक है, लेकिन आप विवरण खो देते हैं।

यह नया तरीका एक मास्टर मूर्तिकार की तरह है जिसने एक व्यक्ति को हर संभव मुद्रा में देखा है। यदि आप मूर्तिकार को कहते हैं, "अपने हाथ ऊपर उठाएं और बाईं ओर झुकें," तो उन्हें आपको मापने की आवश्यकता नहीं है; वे तुरंत आपकी सटीक, विस्तृत मूर्ति बना सकते हैं जो उस सटीक मुद्रा में है। शोधकर्ताओं ने एक डिजिटल मूर्तिकार बनाया है जो एक लचीले रोबोट को चलते हुए देखकर सीखता है।

तकनीकी सारांश: एक्शन कंडिशनड फ्लो मैचिंग के साथ कॉन्टिन्यूम रोबोट मॉडलिंग

समस्या विवरण
एक्टुएशन कमांड से टेंडन ड्रिवन कॉन्टिन्यूम रोबॉट्स (TDCRs) के स्थिर-अवस्था (steady-state) आकार की भविष्यवाणी करना एक निरंतर चुनौती है, क्योंकि इसमें निरंतर विरूपण (deformation), जटिल टेंडन रूटिंग, अनुपालन (compliance), घर्षण, हिस्टेरेसिस और निर्माण परिवर्तनशीलता शामिल होती है। शास्त्रीय गतिज मॉडल (जैसे constant curvature) व्याख्यात्मकता तो प्रदान करते हैं लेकिन अक्सर जटिल विरूपण विवरणों को पकड़ने में विफल रहते हैं, जबकि यांत्रिकी-आधारित मॉडल (जैसे Cosserat rods) के लिए व्यापक पैरामीटर पहचान और अंशांकन (calibration) की आवश्यकता होती है। इसके अतिरिक्त, मौजूदा डेटा-संचालित दृष्टिकोण अक्सर निम्न-आयामी अवस्था अनुमान या इमेज-स्पेस रेंडरिंग पर ध्यान केंद्रित करते हैं, न कि सीधे एक्टुएशन से सघन (dense), पूर्ण-शरीर 3D ज्यामिति की भविष्यवाणी करने पर। लेखक इसे एक एक्शन-कंडिशनड क्वाज़ि-स्टैटिक सेल्फ-मॉडलिंग समस्या के रूप में फ्रेम करते हैं: एक मोटर या टेंडन एक्टुएशन अवस्था देखते हुए, रोबोट की स्थिर 3D ज्यामिति की भविष्यवाणी करना, बिना किसी मध्यवर्ती भौतिक मापदंडों (जैसे सामग्री की कठोरता या टेंडन बल) या क्षणिक विरूपण प्रक्षेपवक्र (transient deformation trajectories) को पुनः प्राप्त करने के प्रयास के।

कार्यप्रणाली (Methodology)
प्रस्तावित ढांचा एक्शन कंडिशनड फ्लो मैचिंग का उपयोग करके एक्टुएशन अवस्थाओं से सघन 3D पॉइंट क्लाउड तक मैपिंग सीखता है।

डेटा प्रतिनिधित्व: रोबोट कॉन्फ़िगरेशन को सिंक्रोनाइज़्ड RGB-D अवलोकनों (XYZ या XYZ+RGB) से पुनर्गठित सघन, क्रम-अपरिवर्तनीय (permutation-invariant) पॉइंट क्लाउड ( $N$ पॉइंट्स) के रूप में दर्शाया गया है। यह हस्त-निर्मित पैरामीट्रिक आकार मॉडलों से बचता है और पूर्ण-शरीर झुकने और मरोड़ने (twisting) को कैप्चर करता है।
फ्लो मैचिंग फॉर्मूलेशन: एक नियत (deterministic) मैपिंग को रिग्रेट करने के बजाय, मॉडल पॉइंट क्लाउड स्पेस में एक कंडीशनल वेलोसिटी फील्ड $u_\theta(X, t | c)$ $u_{θ} (X, t ∣ c)$ सीखता है।
- प्रायर (Prior): एक सरल गॉसियन प्रायर वितरण $p_0 = \mathcal{N}(0, \sigma^2 I)$ ।
- टारगेट: एक विशिष्ट स्थिति $c$ (सामान्यीकृत मोटर कमांड, और वैकल्पिक रूप से पेलोड) से जुड़ी स्थिर रोबोट आकृतियों का वितरण।
- प्रशिक्षण (Training): मॉडल उस ट्रांसपोर्ट वेलोसिटी की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है जो नमूनों को एक सीधी इंटरपोलेशन पथ $X_t = (1-t)X_0 + tX_1$ के साथ प्रायर से टारगेट वितरण तक ले जाती है। लॉस (loss) प्रेडिक्टेड वेलोसिटी और टारगेट ट्रांसपोर्ट वेलोसिटी ( $X_1 - X_0$ ) के बीच फ्रोबेनियस नॉर्म (Frobenius norm) को कम करता है।
- अनुमान (Inference): एक स्थिर-अवस्था पॉइंट क्लाउड को $t=0$ (नॉइज़) से $t=1$ (प्रेडिक्टेड शेप) तक हीन के मेथड (Heun's method - RK2) का उपयोग करके सीखे गए ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) को इंटीग्रेट करके जेनरेट किया जाता है। इंटीग्रेशन वेरिएबल एक जेनेरेटिव ट्रांसपोर्ट टाइम है, न कि भौतिक समय।
नेटवर्क आर्किटेक्चर: वेलोसिटी फील्ड के लिए दो क्रम-तुल्यकालिक (permutation-equivariant) आर्किटेक्चर का मूल्यांकन किया गया है:
- MLP: एक हल्का मल्टी-लेयर पर्सेप्ट्रॉन जो ग्लोबल कंडीशन एम्बेडिंग्स को FiLM लेयर्स के माध्यम से इंजेक्ट करते हुए पॉइंट्स को स्वतंत्र रूप से प्रोसेस करता है।
- हाइब्रिड PVConv: यह ग्लोबल और लोकल फीचर्स के बीच एक टाइम-गेटेड ब्लेंड का उपयोग करते हुए, स्थानीय ज्यामितीय संदर्भ को कैप्चर करने के लिए मल्टी-स्केल पॉइंट-वॉक्सेल कन्वोल्यूशन (PVConv) मॉड्यूल के साथ MLP को संवर्धित करता है।
कंडीशनिंग: कंडीशन वेक्टर $c$ में सामान्यीकृत मोटर कमांड शामिल हैं। सिमुलेशन में, इसे पेलोड की तीव्रता के रूप में एक स्केलर टिप पेलोड को शामिल करने के लिए विस्तारित किया गया है।

प्रमुख योगदान

हार्डवेयर और पाइपलाइन: एक हल्का, कॉन्फ़िगर करने योग्य 3D-प्रिंटेड TDCR प्लेटफॉर्म (2- और 3-मॉड्यूल रोबोट के रूप में स्थापित) और एक सिंक्रोनाइज़्ड मल्टी-कैमरा RGB-D डेटा संग्रह पाइपलाइन।
एल्गोरिदम: एक एक्शन-कंडिशनल फ्लो मैचिंग फ्रेमवर्क जो इमेज या लो-डायमेंशनल पैरामीटर स्पेस के बजाय सीधे मोटर एक्टुएशन अवस्थाओं से सघन, स्थिर 3D ज्यामिति की भविष्यवाणी करता है।
मूल्यांकन: पॉइंट-आधारित (PointFlow) और व्यू-आधारित (VSM, NeRF/FFKSM, 3D Gaussian Splatting) बेसलाइन्स के विरुद्ध एक व्यवस्थित बेंचमार्क, जो MuJoCo सिमुलेशन (2-, 3-, और 5-मॉड्यूल वेरिएंट) और वास्तविक हार्डवेयर पर किया गया है।
विस्तार: यह प्रदर्शन करना कि कंडीशनल फॉर्मूलेशन पेलोड को एक कंडीशनिंग इनपुट के रूप में शामिल करने के लिए सामान्यीकृत हो सकता है।

प्रायोगिक परिणाम

सिमुलेशन: प्रस्तावित विधि (विशेष रूप से हाइब्रिड आर्किटेक्चर) ने सभी सिम्युलेटेड मॉर्फोलॉजी (2, 3, और 5 मॉड्यूल) में सबसे कम चार्मंड डिस्टेंस (CD) और अर्थ मूवर्स डिस्टेंस (EMD) प्राप्त किया। इसने सबसे मजबूत नॉन-प्रपोज्ड बेसलाइन्स की तुलना में CD को लगभग 64–96% और EMD को 50–83% कम कर दिया।
वास्तविक हार्डवेयर: वास्तविक 2- और 3-मॉड्यूल रोबोट्स पर, इस विधि ने बेसलाइन्स को पीछे छोड़ दिया, जिससे PointFlow के सापेक्ष 2-मॉड्यूल में 33.5% और 3-मॉड्यूल में 20.3% की कमी आई, और EMD में महत्वपूर्ण सुधार हुआ।
गुणात्मक विश्लेषण: व्यू-आधारित विधियों (NeRF, 3DGS) के विपरीत, जो पतली बॉडी ज्योमेट्री या मास्क क्वालिटी के साथ संघर्ष करती हैं, और PointFlow के विपरीत, जो विसरित (diffuse) डिस्टल सैंपल्स उत्पन्न करता है, प्रस्तावित विधि ने स्वच्छ टिप और बॉडी ज्योमेट्री बनाए रखी।
पेलोड कंडीशनिंग: सिमुलेशन में, मॉडल ने विभिन्न टिप पेलोड्स के तहत आकार परिवर्तन की सफलतापूर्वक भविष्यवाणी की, जो अतिरिक्त क्वाज़ि-स्टैटिक स्टेट वेरिएबल्स को शामिल करने की क्षमता को प्रदर्शित करता है।

महत्व और दावे
यह पेपर दावा करता है कि यह एक डेटा-संचालित सेल्फ-मॉडलिंग फ्रेमवर्क प्रस्तुत करता है जो स्पष्ट भौतिक पैरामीटर पहचान की आवश्यकता के बिना एक्टुएशन से TDCR ज्यामिति की प्रभावी ढंग से भविष्यवाणी करता है। इसका महत्व निम्नलिखित में है:

प्रत्यक्ष ज्यामिति भविष्यवाणी: स्पार्स बैकबोन स्टेट्स या इमेज रेंडरिंग से आगे बढ़कर सीधे एक सघन, 3D पॉइंट क्लाउड प्रतिनिधित्व प्रदान करना जो प्लानिंग और कोलिजन चेकिंग के लिए उपयुक्त है।
मजबूती (Robustness): सिमुलेशन और वास्तविक दुनिया दोनों सेटिंग्स में पॉइंट-आधारित और व्यू-आधारित जेनेरेटिव बेसलाइन्स पर बेहतर सटीकता प्राप्त करना।
मॉड्यूलरिटी: फ्रेमवर्क को दिखाया गया है कि यह अलग-अलग रोबोट मॉर्फोलॉजी (मॉड्यूल काउंट) के अनुकूल है और डेटा उपलब्ध होने पर अतिरिक्त स्टेट वेरिएबल्स (जैसे पेलोड) को शामिल कर सकता है।

सीमाएं और दायरा
लेखक स्पष्ट रूप से कहते हैं कि यह विधि अवलोकन-स्तर की क्वाज़ि-स्टैटिक भविष्यवाणी को लक्षित करती है, न कि क्षणिक गतिशीलता (transient dynamics) या भौतिक सिमुलेशन को। वास्तविक दुनिया के प्रयोग 2- और 3-मॉड्यूल रोबोट तक सीमित थे, जबकि 5-मॉड्यूल और पेलोड-कंडीशनड परिणाम केवल सिमुलेशन-आधारित थे। पेलोड विस्तार एक स्केलर ग्रेविटी-अलाइन्ड लोड का उपयोग करता है और किसी भी अनसीन (unseen) रोबोट डिज़ाइन के लिए ज़ीरो-शॉट ट्रांसफर या मनमाने संपर्क, ऑफ-एक्सिस टॉर्क, या वितरित भार को संभालने का दावा नहीं करता है। यह कार्य भविष्य के समृद्ध संपर्क मॉडलिंग और क्लोज्ड-लूप कंट्रोल इंटीग्रेशन के लिए एक आधार के रूप में स्थित है।