💻 computer science

RCSP: Risk-Sensitive Conjectural Scenario Planning for Safe Dynamic Robot Navigation

यह शोध पत्र रिस्क-सेंसिटिव कंजेक्चरल सिनेरियो प्लानिंग (RCSP) को प्रस्तुत करता है, जो एक प्रेडिक्टिव प्लानिंग लेयर है जो संभावित अल्प-क्षित बाधा भविष्यों के विरुद्ध कैंडिडेट कमांड्स का मूल्यांकन करके गतिशील वातावरण में मोबाइल रोबोट की सुरक्षा को बढ़ाता है ताकि नियर-मिस कमिटमेंट्स को रोका जा सके, जो मौजूदा नेविगेशन स्टैक्स के पूरक के रूप में सिमुलेशन में बेहतर सुरक्षा और पथ गुणवत्ता प्रदर्शित करता है।

मूल लेखक: Zhengye Han, Quanyan Zhu

प्रकाशित 2026-05-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhengye Han, Quanyan Zhu

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 वाली गैलरी (hallway) से गुजर रहे हैं। आप दो लोगों के बीच एक खाली जगह देखते हैं, और वह अभी निकलने के लिए काफी चौड़ी लग रही है। एक मानक रोबोट (या एक व्यक्ति जो केवल वर्तमान क्षण के बारे में सोच रहा है) कह सकता है, "बहुत बढ़िया, वह रास्ता खुला है! मैं इससे होकर दौड़ता हूँ।"

लेकिन यहाँ एक समस्या है: वह रास्ता बंद हो रहा है। दो सेकंड में, बाईं ओर का व्यक्ति आगे कदम बढ़ाएगा, और दाईं ओर का व्यक्ति पीछे हट जाएगा। यदि आप अभी उस रास्ते से दौड़ने का निर्णय लेते हैं, तो आप फंस जाएंगे या टकरा जाएंगे। आपने "अभी" के आधार पर एक "सुरक्षित" निर्णय लिया, लेकिन यह "भविष्य" के लिए एक "खतरनाक" निर्णय था।

"RCSP: Risk-Sensitive Conjectural Scenario Planning" नामक शोध पत्र (paper) रोबोटों के सोचने के एक नए तरीके को पेश करता है ताकि इस विशिष्ट जाल से बचा जा सके।

मुख्य समस्या: "नजदीकी-गलती प्रतिबद्धता" (The Near-Miss Commitment)

लेखक इसे "प्रिडिक्टिव नियर-मिस कमिटमेंट" कहते हैं।

जाल: रोबोट देखता है कि एक रास्ता अभी खुला है। वह आगे बढ़ता है।
टक्कर: जैसे ही रोबोट उसमें प्रवेश करता है, रास्ता बंद हो जाता है। रोबोट अब फंस गया है, उसे अचानक ब्रेक लगाने, इधर-उधर हिलने या टकराने के लिए मजबूर होना पड़ता है।
गलती: रोबोट तुरंत नहीं टकराया; वह इसलिए टकराया क्योंकि उसने केवल वर्तमान के आधार पर निर्णय लिया, भविष्य की संभावनाओं को नजरअंदाज कर दिया।

समाधान: RCSP (द "व्हाट-इफ" प्लानर)

लेखक RCSP नामक एक प्रणाली का प्रस्ताव करते हैं। इसे ऐसे समझें जैसे कि एक रोबोट जो केवल गैलरी को नहीं देखता; बल्कि वह एक कदम उठाने से पहले यह देखता है कि आगे क्या हो सकता है, इसके कई अलग-अलग "मूवी" (चलचित्र) चलाकर देखता है।

RCSP कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. "अनुमान लगाने का खेल" (Conjectural Models)

रोबोट को ठीक-ठीक पता नहीं होता कि चलते हुए लोग (बाधाएं) क्या करेंगे। इसलिए, RCSP "अनुमान लगाने वालों" की एक छोटी टीम बनाता है।

टीम: कुछ अनुमान लगाने वाले सोचते हैं, "व्यक्ति सीधा चलता रहेगा।" अन्य सोचते हैं, "व्यक्ति रुक जाएगा।" कुछ सोचते हैं, "व्यक्ति मेरी ओर दौड़कर आएगा।"
स्कोरकार्ड: जैसे-जैसे रोबोट लोगों को चलते हुए देखता है, वह स्कोरकार्ड को अपडेट करता है। यदि व्यक्ति वास्तव में सीधा चलता रहता है, तो "सीधा चलने" वाले अनुमान लगाने वाले को अधिक अंक मिलते हैं। यदि वे रुक जाते हैं, तो "रुकने" वाले को अंक मिलते हैं। रोबोट लगातार अपना भरोसा उन अनुमान लगाने वालों की ओर स्थानांतरित करता है जो सही साबित होते हैं।

2. "मूवी रील" (Scenario Sampling)

आगे बढ़ने से पहले, रोबोट केवल एक भविष्य नहीं चुनता। वह अपने अनुमान लगाने वालों की टीम से कुछ यादृच्छिक (random) "मूवी" निकालता है।

वह सिमुलेशन करता है: "क्या होगा अगर मैं बाईं ओर जाता हूँ और व्यक्ति सीधा चलता रहता है?"
वह सिमुलेशन करता है: "क्या होगा अगर मैं बाईं ओर जाता हूँ और व्यक्ति रुक जाता है?"
वह सिमुलेशन करता है: "क्या होगा अगर मैं बाईं ओर जाता हूँ और व्यक्ति मेरी ओर दौड़ता है?"

3. "सबसे खराब स्थिति" का फ़िल्टर (CVaR Tail Risk)

यह सबसे महत्वपूर्ण हिस्सा है। अधिकांश रोबोट औसत बुरे परिणाम से बचने की कोशिश करते हैं। RCSP को सबसे बुरे परिणामों से बचने के लिए डिज़ाइन किया गया है, भले ही वे कम संभावित हों।

कल्पना कीजिए कि आप एक रास्ता चुन रहे हैं।
- मार्ग A: 99% संभावना तेज़ होने की, 1% संभावना एक बड़ी टक्कर की।
- मार्ग B: 100% संभावना ठीक रहने की, लेकिन थोड़ा धीमा।
एक मानक रोबोट मार्ग A चुन सकता है क्योंकि औसत गति अधिक है।
RCSP उस 1% टक्कर की संभावना को देखता है और कहता है, "नहीं। वह 1% बहुत डरावना है। मैं मार्ग B लूंगा।"
शोध पत्र में इसे CVaR (Conditional Value-at-Risk) कहा गया है। यह एक सुरक्षा फिल्टर की तरह है जो विशेष रूप से वितरण के "टेल" (tail)—यानी दुर्लभ लेकिन विनाशकारी परिदृश्यों—को दंडित करता है।

4. "सुरक्षा जाल" (Fixed Execution Layer)

भले ही RCSP सबसे अच्छा "मूवी" चुन ले, फिर भी यह आँख मूंदकर उसका पालन नहीं करता है। यह चुने हुए कदम को एक अंतिम, सख्त सुरक्षा जांच (जैसे कंट्रोल बैरियर फंक्शन) से गुजारता है।

इसे एक क्लब के बाउंसर की तरह समझें। RCCl RCSP वह प्लानर है जो तय करता है कि किसे आमंत्रित करना है। बाउंसर वह सुरक्षा फिल्टर है जो कहता है, "रुको, भले ही आपने इसकी योजना बनाई है, लेकिन आप अभी दीवार के बहुत करीब हैं। रुक जाओ।"
यह सुनिश्चित करता है कि भले ही "अनुमान लगाने वाला खेल" थोड़ा गलत रहा हो, रोबдно तुरंत न टकराए।

शोध पत्र में वास्तव में क्या पाया गया

लेखकों ने इसे तीन अलग-अलग "दुनियाओं" में टेस्ट किया:

नियंत्रित लैब (MuJoCo): एक सिम्युलेटेड वातावरण में जिसे विशेष रूप से रोबोटों को "नियर-मिस कमिटमेंट" में फंसाने के लिए बनाया गया था (जैसे चलती हुई दीवारों वाले संकीर्ण बॉटलनेक), RCML एक नायक की तरह उभरा। इसने बिना टकराए लक्ष्य तक पहुँच बनाया, जबकि मानक रोबोट (जैसे DWA या TEB) अक्सर फंस गए या टकरा गए क्योंकि उन्होंने बहुत जल्दी गलत रास्ते के प्रति प्रतिबद्धता जताई।
मानक रोबोट स्टैक (ROS2/Gazebo): उन्होंने RCSP को एक मानक रोबोट सिस्टम के ऊपर एक "सुरक्षा पर्यवेक्षक" के रूप में जोड़ा। इसने गतिशील स्थितियों में टकराव को कम करने में मदद की, हालांकि इसने रोबोट को थोड़ा धीमा और कम सुचारू बना दिया।
वास्तविक दुनिया का परीक्षण (DynaBARN/Jackal): उन्होंने एक वास्तविक रोबोट (Jackal) के साथ एक सार्वजनिक बेंचमार्क पर RCSP का परीक्षण किया।
- परिणाम: मानक, परिपक्व रोबोट (DWA और TEB) अभी भी समय पर और बिना त्रुटियों के लक्ष्य तक पहुँचने में बेहतर थे। RCSP टकरावों से बचने में अच्छा था और इसके सुरक्षा स्कोर बेहतर थे, लेकिन यह मौजूदा, अत्यधिक ट्यून किए गए सिस्टम का जादुई विकल्प नहीं था।

निष्कर्ष (The Bottom Line)

शोध पत्र का दावा है कि RCSP एक विशेष उपकरण है, न कि एक सार्वभौमिक विकल्प।

जब यह चमकता है: उन स्थितियों में जहाँ खतरा तत्काल नहीं है, लेकिन वह एक "जाल" है जो कुछ सेकंड बाद होने वाला है (जैसे बंद होता हुआ दरवाजा या संकरी होती गैलरी)। यह रोबोट को "अभी सुरक्षित, बाद में आपदा" वाला निर्णय लेने से रोकता है।
जब यह संघर्ष करता है: उन स्थितियों में जहाँ रास्ता साफ है और मुख्य चुनौती केवल तेजी से और सुचारू रूप से चलना है। उन मामलों में, मानक, परिपक्व प्रणालियाँ अभी भी बेहतर हैं।

लेखक निष्कर्ष निकालते हैं कि RCSP का उपयोग एक "प्रेडिक्टिव रिस्क लेयर" के रूप में किया जाना सबसे अच्छा है जो मौजूदा रोबोट मस्तिष्क के ऊपर बैठता है, जिससे भविष्य के जाल में फंसने से बचने के लिए एक "व्हाट-इफ" सुरक्षा जांच जुड़ जाती है।

तकनीकी सारांश: रिस्क-सेंसिटिव कंजैक्चरल सिनेरियो प्लानिंग (RCSP)

1. समस्या की परिभाषा: प्रेडिक्टिव नियर-मिस कमिटमेंट (Predictive Near-Miss Commitment)

यह शोध पत्र गतिशील बाधाओं (moving obstacles) के बीच मोबाइल रोबोट नेविगेशन में एक विशिष्ट विफलता मोड की पहचान करता है जिसे डायनेमिक नियर-मिस कमिटमेंट कहा जाता है। तत्काल टकराव उल्लंघन (immediate collision violations) के विपरीत, यह विफलता तब होती है जब एक वेलोसिटी कमांड वर्तमान में टकराव-मुक्त होती है और अल्प-क्षित प्रगति (short-horizon progress) प्रदान करती हुई प्रतीत होती है, फिर भी यह रोबोट को एक स्थानीय मार्ग (जैसे कि कोई दरवाजा या संकरा रास्ता/bottleneck) में प्रवेश करने के लिए प्रतिबद्ध कर देती है जो कुछ क्षणों बाद गतिशील बाधाओं द्वारा घेरा जाएगा। एक बार जब रोबोट ऐसे मार्ग में प्रवेश कर जाता है, तो उसके पास सीमित विकल्प बचते हैं, जैसे कि ब्रेक लगाना, दोलन (oscillating) करना, या टकरा जाना।

मुख्य चुनौती यह है कि परिपक्व नेविगेशन सिस्टम (जैसे DWA, TEB, MPC, Control Barrier Functions) अक्सर तात्कालिक स्पष्टता (instantaneous clearance) और अल्प-क्षित प्रगति पर निर्भर करते हैं। ये मेट्रिक्स भ्रामक हो सकते हैं जब प्राथमिक जोखिम संभावित भविष्य की गति के "पूंछ" (tail) में निहित हो। शोध पत्र का तर्क है कि रोबकों को उन मार्गों में प्रतिबद्ध होने से बचने के लिए संभावित अल्प-क्षित भविष्य के विरुद्ध उम्मीदवार कमांडों का मूल्यांकन करना चाहिए जो बंद होने की संभावना रखते हैं।

2. कार्यप्रणाली: RCSP फ्रेमवर्क

लेखक रिस्क-सेंसिटिव कंजैक्चरल सिनेरियो प्लानिंग (RCSP) का प्रस्ताव करते हैं, जो एक प्लानिंग-लेयर मैकेनिज्म है जिसे मौजूदा नेविगेशन स्टैक के साथ संचालित करने के लिए डिज़ाइन किया गया है। RCSP प्रेडिक्टिव रिस्क रीजनिंग को लो-लेवल निष्पादन (execution) से अलग करता है।

2.1 कंजैक्चरल मॉडल अपडेट (Conjectural Model Update)

RCSP स्थानीय मोशन कंजैक्चर $\Theta$ के एक सीमित परिवार को बनाए रखता है, जो यह दर्शाता है कि आस-पास के गतिशील एजेंट कैसे चल सकते हैं (जैसे: स्थिर, निरंतर वेग, झुकना/yielding, आक्रामक)। एक पूर्ण सोशल-मोशन मॉडल सीखने के बजाय, RCSP प्रेडिक्टिव लाइक्लीहुड के आधार पर इन कंजैचरों पर एक हल्का पोस्टीरियर अपडेट (posterior update) करता है।

मैकेनिज्म: प्रत्येक चरण पर, सिस्टम यह देखने के लिए वेट्स $q_t(\theta)$ को अपडेट करता है कि प्रत्येक कंजैचर $\theta$ हाल के स्थानीय इंटरैक्शन इतिहास को कितनी अच्छी तरह समझाता है।
लक्ष्य: स्थानीय मॉडल परिवार के उन सदस्यों को अधिक भार (upweight) देना जो तत्काल भविष्य की सबसे अच्छी भविष्यवाणी करते हैं, बिना "सत्य" एनवायरनमेंट मॉडल को पुनः प्राप्त करने का दावा किए।

2.2 कंजैक्चरल सिनेरियो जनरेशन (Conjectural Scenario Generation)

अपडेट किए गए पोस्टीरियर वेट्स का उपयोग करके, RCSP अल्प-क्षित भविष्यों को सैंपल करता है। प्रत्येक सिनेरियो $i$ के लिए:

पोस्टीरियर $q_t$ से एक कंजैचर $\theta^{(i)}$ लिया जाता है।
विश्वास वितरण (belief distribution) $b_{\theta^{(i)}}_t$ से वर्तमान बाधा की स्थिति $s_t^{(i)}$ ली जाती है।
सैंपल किए गए कंजैचर के तहत बाधा के प्रक्षेपवक्र (trajectory) $\zeta^{(i)}_t$ को आगे बढ़ाया जाता है।
यह प्रक्रिया अनिश्चितता के तीन स्रोतों को प्रसारित करती है: मोशन कंजैचर, बाधाओं की वर्तमान छिपी हुई स्थिति, और रोलआउट में स्टोकेस्टिसिटी।

2.3 CVaR टेल-रिस्क स्कोरिंग (CVaR Tail-Risk Scoring)

प्रत्येक उम्मीदवार वेलोसिटी कमांड $u$ के लिए, सिस्टम सभी $N$ सैंपल किए गए भविष्य के विरुद्ध कमांड का मूल्यांकन करता है। ऑब्जेक्टिव फंक्शन $J_t(u)$ प्रगति और जोखिम को जोड़ता है:
$J_t(u) = \frac{1}{N}\sum_{i=1}^N R^{(i)}(u) - \lambda \widehat{CVaR}_\alpha(\{G^{(i)}(u)\}_{i=1}^N)$

$R^{(i)}(u)$ : लक्ष्य की ओर प्रगति।
$G^{(i)}(u)$ : प्रक्षेपवक्र-स्तरीय जोखिम (जैसे: इन्वर्स क्लीयरेंस, सुरक्षा उल्लंघन)।
$\widehat{CVaR}_\alpha$ : कंडीशनल वैल्यू-एट-रिस्क (Conditional Value-at-Risk), जो सैंपल किए गए परिणामों के सबसे बड़े-जोखिम वाले $\alpha$ अंश का औसत निकालता है।
यह उन कमांड्स को दंडित करता है जहाँ औसत रोलआउट स्वीकार्य दिखता है लेकिन उच्च-जोखिम वाली पूंछ (high-risk tail) में बंद होने वाले मार्ग या टकराव-प्रवण भविष्य शामिल होते हैं।

2.4 फिक्स्ड सेफ्टी निष्पादन लेयर (Fixed Safety Execution Layer)

RCSP प्लनर द्वारा चयनित कमांड ( $u^{nom}_t$ ) को निष्पादन से पहले एक फिक्स्ड लोकल सेफ्टी फिल्टर के माध्यम से भेजा जाता है। यह फिल्टर, कंट्रोल बैरियर फंक्शन्स (CBF) से प्रेरित है लेकिन डिस्क्रीट रूप में लागू किया गया है, यह सुनिश्चित करता है कि कमांड तत्काल स्थानीय क्लीयरेंस बाधाओं को संतुष्ट करे। यह उम्मीदवारों के एक सीमित सेट (नॉमिनल कमांड सहित) का मूल्यांकन करता है और एक ऐसा कमांड चुनता है जो प्रगति, क्लीयरेंस और नॉमिनल कमांड के निकटता के बीच संतुलन बनाता है, यह सुनिश्चित करता है कि रोबोट ऐसा कमांड निष्पादित न करे जो तत्काल सुरक्षा मार्जिन का उल्लंघन करता हो।

3. मुख्य योगदान

समस्या की पहचान: "डायनेमिक नियर-मिस कमिटमेंट" को तत्काल टकराव से अलग एक प्रेडिक्टिव विफलता मोड के रूप में औपचारिक रूप दिया।
RCSP मैकेनिज्म: एक प्लानिंग लेयर जो ऑनलाइन कंजैक्चरल मॉडल अपडेटिंग, पोस्टीरियर-मिक्सचर सिनेरियो रोलआउट्स, CVaR टेल-रिस्क स्कोरिंग और एक फिक्स्ड सेफ्टी निष्पादन लेयर को एकीकृत करती है।
अनुभवजन्य मूल्यांकन (Empirical Evaluation): तीन स्तरों पर एक व्यापक मूल्यांकन:
- नियंत्रित MuJoCo: डायनेमिक बॉटलनेक कार्यों के माध्यम से विफलता मोड को अलग करना।
- ROS2/Gazebo: नेविगेशन स्टैक में नियर-मिस विफलताओं को कम करने के लिए Nav2 के साथ एकीकरण।
- आधिकारिक DynaBARN/Jackal: परिपक्व बेसलाइन्स के विरुद्ध परीक्षण के लिए सार्वजनिक बेंचमार्क ट्रांसफर।

4. प्रयोगात्मक परिणाम

4.1 नियंत्रित सिमुलेशन (MuJoCo)

डायनेमिक बॉटलनेक कार्यों में, फुल पोस्टीरियर RCSP ने प्राप्त किया:

30 मैच किए गए सीड्स (seeds) में 100% सफलता और 0% टकराव।
फिक्स्ड-प्रेडिक्टर RCSP और मीन-रिस्क बेसलाइन्स की तुलना में बेहतर सेकेंडरी मेट्रिक्स (सेफ्टी कॉस्ट, साइन्ड मिनिमम क्लीयरेंस, SPL)।
ट्रेड-ऑफ: मानक प्लैनर्स (~~20ms DWA/TEB के लिए) की तुलना में उच्च विलंबता (~~535ms)।
एब्लेशन (Ablation): पोस्टीरियर अपडेट को हटाने (Fixed-Predictor RCSP) से उच्च सफलता/टकराव दर बनी रही लेकिन थोड़े कम सेकेंडरी सेफ्टी स्कोर मिले, जो एडेप्टिव वेटिंग के महत्व को दर्शाते हैं।

4.2 ROS2/Gazebo एकीकरण

जब RCSP निष्पादन फिल्टर ने आधिकारिक Nav2 कमांड्स (विशेष रूप से MPPI) को सुपरवाइज किया:

सफलता दर: 53.3% (केवल MPPI) से बढ़कर 96.7% हो गई।
टकराव दर: 46.7% से घटकर 3.3% रह गई।
यह दर्शाता है कि केवल सेफ्टी फिल्टर लेयर ही मानक स्टैक्स के भीतर डायनेमिक नियर-मिस विफलताओं को महत्वपूर्ण रूप से कम कर सकती है।

4.3 सार्वजनिक बेंचमार्क ट्रांसफर (DynaBARN/Jackal)

आधिकारिक DynaBARN बेंचमार्क पर, परिणामों ने दृष्टिकोण की सीमा को प्रकट किया:

परिपक्व बेसलाइन्स: मानक DWA और TEB कंट्रोलर्स ने फुल पोस्टीरियर RCSP (80.0%) की तुलना में उच्च स्ट्रिक्ट सक्सेस रेट (96.7% और 93.3%) हासिल की।
RCSP प्रदर्शन: हालांकि फुल पोस्टीरियर RCSP ने स्ट्रिक्ट सक्सेस में परिपक्व बेसलाइन्स को नहीं पछाड़ा, लेकिन इसने एंडपॉइंट सेफ्टी डायग्नोस्टिक्स और फाइनल पोज कम्पलीशन पर अपने स्वयं के एब्लेशन्स (Fixed-Predictor, CVaR-only, MPC-CBF) को पीछे छोड़ दिया।
निष्कर्ष: RCस्प सुरक्षा मेट्रिक्स पर बेहतर पॉइंट एस्टीमेट प्रदान करता है, लेकिन यह जटिल, वास्तविक दुनिया जैसे बेंचमार्क में ट्यून्ड, परिपक्व नेविगेशन स्टैक्स की मजबूती को अभी तक प्रतिस्थापित नहीं कर सकता है।

5. महत्व और दावे

यह शोध पत्र RCMP को मौजूदा नेविगेशन स्टैक्स के सार्वभौमिक प्रतिस्थापन के रूप में नहीं, बल्कि एक प्रेडिक्टिव-रिस्क मॉड्यूल के रूप में स्थापित करता है जिसे उनके साथ एकीकृत किया जाना है।

लक्षित उपयोगिता: RCSP उन स्थितियों में सबसे प्रभावी है जहाँ गतिशील बाधाएं प्रेडिक्टिव नियर-मिस कमिटमेंट पैदा करती हैं, और जहाँ अल्प-क्षित स्थानीय क्लीयरेंस भ्रामक होती है।
पूरक भूमिका: उन परिदृश्यों में जहाँ परिपक्व पाथ ट्रैकिंग या पूरी तरह से देखी गई स्थानीय बाधाएं हावी हैं (जैसे मानक DynaBARN कार्य), पारंपरिक प्लैनर अधिक मजबूत रहते हैं। RCMP को टेल-रिस्क मूल्यांकन की एक परत जोड़कर उन्हें पूरक बनाने के लिए डिज़ाइन किया गया है।
सीमाएँ: यह अध्ययन केवल सिमुलेशन-आधारित है। यह वास्तविक दुनिया के सेंसिंग नॉइज़, भौतिक विलंबता, कैलिब्रेशन त्रुटियों, या हार्डवेयर पर लॉन्ग-हॉराइजन ऑटोनॉमी को प्रमाणित नहीं करता है। यह विधि उच्च कम्प्यूटेशनल विलंबता और परिपक्व लोकल कंट्रोलर्स की तुलना में कम स्मूथ कंट्रोल का भार डालती है।

लेखक निष्कर्ष निकालते हैं कि RCSP सफलतापूर्वक एक विशिष्ट प्रेडिक्टिव विफलता मोड को संबोधित करता है, जो उम्मीदवार कमांडों का संभावित भविष्य की बातचीत के विरुद्ध मूल्यांकन करके डायनेमिक बॉटलनेक व्यवस्था में सुरक्षा में सुधार करने का एक तंत्र प्रदान करता है, लेकिन भौतिक रोबोटों पर तैनाती से पहले इसे और अधिक विकास (जैसे तेज़ सिनेरियो मूल्यांकन, भौतिक सत्यापन) की आवश्यकता है।