💻 computer science

A New Quaternion-Joint Cable-Driven Redundant Manipulator Configuration and its Control Through FABRIK and Residual Reinforcement Learning

यह शोध पत्र कम हार्डवेयर लागत पर व्यापक वर्कस्पेस प्राप्त करने के लिए क्वाटरनियन जॉइंट्स का उपयोग करते हुए एक नवीन 4-सेगमेंट, 8-जॉइंट केबल-ड्रिवन रिडंडेंट मैनिपुलेटर का परिचय देता है, जो यह प्रदर्शित करता है कि रेसिडुअल रीइन्फोर्समेंट लर्निंग, नियंत्रण सटीकता और सरलता में FABRIK एल्गोरिदम से काफी बेहतर प्रदर्शन करती है।

मूल लेखक: Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri

प्रकाशित 2026-06-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien, Pasut Aranchaiya, Paulo Garcia, Viboon Sangveraphunsiri

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 आपको एक ऐसा रोबोटिक हाथ चाहिए जो मुड़ सके, घूम सके और तंग, भीड़भाड़ वाली जगहों से निकल सके—जैसे कोई सांप पाइप के अंदर रास्ता बनाता है, या कोई सर्जन किसी अंग के चारों ओर पहुँचता है। पारंपरिक रोबोटिक हाथ अक्सर सख्त, भारी होते हैं और उन्हें हर एक जोड़ (joint) के लिए एक मोटर की आवश्यकता होती है, जिससे वे भारी और महंगे हो जाते हैं।

यह शोध पत्र इन "सांप जैसे" रोबोटों को बनाने का एक नया, हल्का और स्मार्ट तरीका, साथ ही उन्हें सटीक रूप से चलाने का एक नया तरीका पेश करता है।

यहाँ उनके आविष्कार का सरल विवरण दिया गया है:

1. नया "जोड़" (The Flexible Hinge)

एक मानक रोबोटिक हाथ को धातु के सख्त लिंक की एक श्रृंखला के रूप में सोचें। मुड़ने के लिए, इसे कई अलग-अलग मोटरों की आवश्यकता होती है। शोधकर्ताओं ने क्वाटरनियन जॉइंट (Quaternion Joint) नामक एक विशेष भाग का उपयोग किया है।

उपमा: एक कार के ड्राइव शाफ्ट पर लगे यूनिवर्सल जॉइंट की तरह कल्पना करें। यह एक ही समय में किसी भी दिशा में मुड़ सकता है, न कि केवल ऊपर/नीचे या बाएँ/दाएँ।
लाभ: इन "सुपर-जॉइंट्स" का उपयोग करके, टीम ने एक रोबोटिक हाथ बनाया जिसमें 4 सेगमेंट और केवल 8 जोड़ हैं। पिछले डिजाइनों को इतना ही काम करने के लिए 12 जोड़ों की आवश्यकता थी। इसका मतलब है कम मोटर, कम वजन और एक सस्ता, सरल रोबोट।

2. समस्या: "मैप" बनाम "टेरिटरी" (The "Map" vs. The "Territory")

एक बेहतरीन डिजाइन होने के बावजूद, रोबोट को नियंत्रित करना कठिन है क्योंकि इसके दो कारण हैं:

गणित कठिन है: किसी विशिष्ट बिंदु तक पहुँचने के लिए 8 जोड़ों को ठीक से कैसे घुमाया जाए, इसकी गणना करना एक जटिल पहेली है।
वास्तविकता अव्यवस्थित है: जब आप एक रोबोट बनाते हैं, तो छोटी-छोटी त्रुटियाँ होती हैं (एक पेंच थोड़ा ढीला है, एक केबल थोड़ी खिंच गई है)। गणित कहता है "यहाँ चलो", लेकिन भौतिक रोबोट "वहाँ" पहुँच जाता है।

3. पहला समाधान: "FABRIK" एल्गोरिदम

टीम ने पहले FABRIK नामक विधि का उपयोग करके रोबोट को नियंत्रित करने का प्रयास किया।

उपमा: कल्पना करें कि आप एक ऊँचे शेल्फ पर रखे कुकीज़ तक पहुँचने की कोशिश कर रहे हैं। आप अपना हाथ आगे बढ़ाते हैं (फॉरवर्ड रीच), एहसास करते हैं कि आप चूक गए, और फिर अपने कोहनी और कंधे को पीछे खींचकर एडजस्ट करते हैं (बैकवर्ड रीच)। आप इस "खिंचाव और खींचने" के चक्र को तब तक दोहराते हैं जब तक कि आपका हाथ ठीक वहीं न पहुँच जाए जहाँ आप चाहते हैं।
परिणाम: यह विधि काम करती है, लेकिन यह धीमी है और तब संघर्ष करती है जब रोबोट के भौतिक हिस्से उसके सटीक गणितीय मॉडल से मेल नहीं खाते। यह एक ऐसी पहेली को हल करने जैसा है जहाँ टुकड़े थोड़े बदलते आकार के होते रहते हैं।

4. दूसरा समाधान: "रेसिडुअल रीइन्फोर्समेंट लर्निंग" (RRL)

वास्तविक दुनिया की अव्यवस्था को ठीक करने के लिए, उन्होंने FABRIK विधि के ऊपर एक "स्मार्ट असिस्टेंट" जोड़ा। इसे रेसिडुअल रीइन्फोर्समेंट लर्निंग (Residual Reinforcement Learning) कहा जाता है।

उपमा: सोचिए कि FABRIK एक छात्र है जिसने किताब से कड़ी मेहनत से पढ़ाई की है (गणितीय मॉडल)। वह सिद्धांत को पूरी तरह से जानता है। लेकिन जब वह परीक्षा (वास्तविक दुनिया) देता है, तो वह छोटी गलतियाँ करता है क्योंकि परीक्षा की स्थितियाँ अजीब होती हैं।
"रेसिडुअल" वाला हिस्सा: यहाँ "ट्यूटर" (AI) आता है। ट्यूटर छात्र को चलना नहीं सिखाता; वह बस छोटे सुधार फुसफुसाता है: "आप 2 डिग्री बहुत अधिक बाईं ओर झुक रहे हैं," या "उस केबल को थोड़ा और खींचें।"
यह कैसे काम करता है: रोबोट बड़े मूव्स के लिए टेक्स्टबुक मैथ का उपयोग करता है, और AI घर्षण (friction), ढीले पुर्जों या केबल के खिंचाव के कारण होने वाली छोटी, परेशान करने वाली त्रुटियों को ठीक करना सीखता है।

5. उन्होंने क्या पाया

शोधकर्ताओं ने एक भौतिक प्रोटोटाइप बनाया और कंप्यूटर सिमुलेशन में परीक्षण किया।

वर्कस्पेस: अपने जोड़ों को अधिक मोड़ने की क्षमता (40 डिग्री के बजाय 70 डिग्री तक) देकर, उनके 8-जॉइंट वाले रोबोट ने पुराने, भारी 12-जॉइंट वाले रोबोटों के बराबर ही पहुँच बनाई।
सटीकता: "AI ट्यूटर" (RRL) "टेक्स्टबुक स्टूडेंट" (FABRIK) की तुलना में 1,000 गुना अधिक सटीक था।
- नोट: शोध पत्र उल्लेख करता है कि AI ने त्रुटियों को "तीन ऑर्डर्स ऑफ मैग्नीट्यूड" (three orders of magnitude) कम कर दिया, जिसका अर्थ है कि यदि पुराना तरीका कुछ मिलीमीटर से भटक रहा था, तो नई विधि एक मिलीमीटर के अंश से भी कम भटक रही थी।
चुनौती: जबकि AI सिमुलेशन में अविश्वसनीय रूप से सटीक था, टीम स्वीकार करती है कि इसे भौतिक रोबोट पर पूरी तरह से काम करने के लिए अभी भी काम जारी है। उन्होंने सिद्ध किया कि सिस्टम काम करता है, लेकिन वास्तविक दुनिया में परफेक्ट होने के लिए इसे और अधिक प्रशिक्षण समय की आवश्यकता है।

सारांश

यह शोध पत्र एक हल्का, सस्ता रोबोटिक हाथ प्रस्तुत करता है जो एक ही काम करने के लिए कम पुर्जों का उपयोग करता है। इसे नियंत्रित करने के लिए, उन्होंने एक मानक गणितीय विधि को एक स्मार्ट AI "करेक्शन लेयर" के साथ जोड़ा। यह संयोजन रोबोट को अपने स्वयं के निर्माण की छोटी-मोटी खामियों को अनदेखा करने और केवल गणित के बजाय अत्यधिक सटीकता के साथ चलने की अनुमति देता है।

तकनीकी सारांश: एक नया क्वाटरनियन-जॉइंट केबल-ड्रिवन रिडंडेंट मैनिपुलेटर कॉन्फ़िगरेशन और FABRIK एवं रेसिडुअल रीइन्फोर्समेंट लर्निंग के माध्यम से इसका नियंत्रण

समस्या विवरण
अत्यधिक बाधित कार्यक्षेत्रों (obstructed workspaces) में मनचाहे स्थानिक पथों (spatial paths) पर नेविगेट करने में सक्षम रोबोटिक भुजाएं उपग्रह मरम्मत से लेकर सर्जरी तक के उद्योगों के लिए महत्वपूर्ण हैं। जबकि केबल-ड्रिवन रिडंडेंट मैनिपुलेटर्स (CDRMs) वजन में कमी और लचीलेपन के लाभ प्रदान करते हैं, पारंपरिक डिजाइन अक्सर $2N$ डिग्री ऑफ फ्रीडम (DOF) प्राप्त करने के लिए $3N$ मोटरों की मांग करते हैं। हालिया प्रगति ने क्वाटरनियन जोड़ों का उपयोग करते हुए इसे $2N$ DOF के लिए $2N$ मोटरों तक कम कर दिया है, जिससे अधिक सघन संरचनाएं संभव हुई हैं। हालांकि, इन प्रणालियों को नियंत्रित करना चुनौतीपूर्ण बना हुआ है। क्वाटरनियन जोड़ों के जटिल काइनेमैटिक मॉडल उच्च कम्प्यूटेशनल मांग रखते हैं, और इन प्रणालियों में निहित गैर-रैखिकता (non-linearities) डिजाइन और भौतिक निर्माण (जैसे, विनिर्माण अपूर्णता, केबल हिस्टेरेसिस) के बीच के अंतर को बढ़ा देती है। मौजूदा नियंत्रण विधियां, जैसे कि फॉरवर्ड एंड बैकवर्ड रीचिंग इनवर्स काइनेमैटिक्स (FABRIK) एल्गोरिदम, जब तक निर्माण लगभग पूर्ण न हो, असंरचित वातावरण में अभिसरण मजबूती (convergence robustness) के लिए संघर्ष करती हैं।

कार्यप्रणाली
लेखक इन चुनौतियों को संबोधित करने के लिए एक नवीन यांत्रिक डिजाइन और एक हाइब्रिड नियंत्रण रणनीति प्रस्तावित करते हैं।

यांत्रिक डिजाइन:
- टीम ने एक 4-सेगमेंट, 8-जॉइंट मैनिपुलेटर विकसित किया है। पिछले कॉन्फ़िगरेशन (जैसे, हुआंग एट अल.) के विपरीत जो प्रति सेगमेंट 3 जॉइंट्स (कुल 12) का उपयोग करते थे, यह डिजाइन प्रति सेगमेंट जॉइंट्स की संख्या को घटाकर 2 कर देता है।
- जॉइंट्स की कम संख्या की भरपाई करने और वर्कस्पेस बनाए रखने के लिए, यह डिजाइन प्रति जॉइंट अधिकतम बेंडिंग एंगल को $\pm 40^\circ$ से बढ़ाकर $\pm 70^\circ$ कर देता है।
- क्वाटरनियन जोड़ों को यूनिवर्सल जॉइंट मैकेनिज्म के लिए अनुकूलित डेनेविट-हार्टनबर्ग (DH) मापदंडों का उपयोग करके मॉडल किया गया है, जिसमें बेंडिंग दिशा ( $\phi$ ) और कोण ( $\theta$ ) के लिए बहुपद अनुमान (polynomial approximations) शामिल हैं।
नियंत्रण रणनीतियाँ:
- FABRIK कार्यान्वयन: एक बेसलाइन मॉडल-आधारित नियंत्रक लागू किया गया था। मैनिपुलेटर की स्थिति को पोजीशनल और डायरेक्शनल वेक्टर्स का उपयोग करके एक वर्चुअल इक्विवेलेंट मॉडल में परिवर्तित किया जाता है। एल्गोरिदम फॉरवर्ड और बैकवर्ड रीचिंग के माध्यम से 5 DOF को हल करने के लिए आंतरिक पुनरावृत्तियों (inner iterations) और अंतिम रोल डिग्री ऑफ फ्रीडम को हल करने के लिए बाहरी पुनरावृत्तियों (outer iterations) को निष्पादित करता है ताकि लक्ष्य पोज़ (target pose) पर अभिसरण किया जा सके।
- रेसिडुअल रीइन्फोर्समेंट लर्निंग (RRL): गैर-रैखिकता और मॉडलिंग त्रुटियों को संभालने के लिए, एक रेसिडुअल रीइन्फोर्समेंट लर्निंग दृष्टिकोण विकसित किया गया।
  - बेस कंट्रोलर: एक डीप फॉरवर्ड मॉडल (न्यूरल नेटवर्क) जो इनवर्स काइनेमैटिक्स (IK) सॉल्वर के साथ मिलकर एक नाममात्र केबल लंबाई कमांड उत्पन्न करता है।
  - रेसिडुअल पॉलिसी: एक RL एजेंट (Brax फ्रेमवर्क में प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन के माध्यम से प्रशिक्षित) एक सुधारात्मक "रेसिडुअल" एक्शन सीखने का कार्य करता है जिसे बेस कमांड में जोड़ा जाता है।
  - प्रशिक्षण आर्किटेक्चर: सिस्टम एक एसिमेट्रिक एक्टर-क्रिटिक सेटअप का उपयोग करता है। एक्टर केवल वास्तविक दुनिया के उपलब्ध डेटा (सेंसर हिस्ट्री, टारगेट पोज़, बेस कमांड) को देखता है, जबकि क्रिटिक (जो केवल सिमुलेशन में उपयोग किया जाता है) के पास विशेषाधिकार प्राप्त जानकारी (सत्य टेंडन लंबाई, वेग और ग्राउंड-ट्रुथ एरर) तक पहुंच होती है।
  - सिमुलेशन-टू-रियलिटी: सिमुलेशन-टू-रियल गैप को पाटने के लिए केबल डैम्पिंग, घर्षण और जड़त्व (inertia) पर व्यापक डोमेन रैंडमाइजेशन (DR) लागू किया गया।

प्रमुख योगदान

नवीन कॉन्फ़िगरेशन: एक 4-सेगमेंट, 8-जॉइंट क्वाटरनियन मैनिपुलेटर का डिजाइन और कार्यान्वयन जो पिछले डिजाइनों (जैसे 12-जॉइंट) के तुलनीय वर्कस्पेस प्राप्त करता है, लेकिन कम हार्डवेयर जटिलता और लागत के साथ।
गणितीय मॉडलिंग: क्वाटरनियन जॉइंट और मल्टी-सेगमेंट मैनिपुलेटर के लिए एक पूर्ण काइनेमैटिक मॉडल, जिसमें FABRIK के लिए इक्विवेलेंट वेक्टर मॉडल का व्युत्पन्न भी शामिल है।
नियंत्रण ढांचा: इस विशिष्ट हार्डवेयर के लिए FABRIK नियंत्रण और एक रेसिडुअल रीइन्फोर्समेंट लर्निंग कार्यान्वयन का एक व्यापक विवरण।
प्रायोगिक सत्यापन: सिमुलेटेड (MuJoCo) और भौतिक प्रोटोटाइप दोनों पर दो नियंत्रण विधियों का तुलनात्मक मूल्यांकन।

परिणाम

वर्कस्पेस: जॉइंट बेंडिंग एंगल को $70^\circ$ तक बढ़ाकर, 8-जॉइंट डिजाइन ने 12-जॉइंट बेसलाइन के तुलनीय वर्कस्पेस सफलतापूर्वक प्राप्त किया, जो जॉइंट काउंट और कोणीय रेंज के बीच के ट्रेड-ऑफ को प्रमाणित करता है।
FABRIK प्रदर्शन: FABRIK एल्गोरिदम ने 70.4% की सफलता दर और 0.0221s का औसत गणना समय प्राप्त किया। हालांकि यह तेज़ है, लेकिन यह लर्निंग-आधारित विधियों की तुलना में मजबूती (robustness) में सीमाओं को दर्शाता है।
RRL प्रदर्शन: शोध पत्र रिपोर्ट करता है कि रेसिडुअल रीइन्फोर्समेंट लर्निंग दृष्टिकोण पोजीशनल और ओरिएंटेशनल सटीकता में FABRIK से तीन आदेशों की कोटि (three orders of magnitude) बेहतर है।
- नोट ऑन कन्वर्जेंस: लेखक स्पष्ट रूप से बताते हैं कि हालांकि RRL आर्किटेक्चर कार्यात्मक है और निरंतर रूप से सीखता है, लेकिन इस अध्ययन में प्रशिक्षित विशिष्ट पॉलिसी (50 मिलियन स्टेप्स) प्रायोगिक बजट के भीतर पूरी तरह से 'डिप्लॉयमेंट-रेडी' अवस्था तक नहीं पहुँची। प्रशिक्षित रेसिडुअल पॉलिसी ने रैंडम पॉलिसी की तुलना में माध्य स्थिति त्रुटि (mean position error) को 32% कम किया, लेकिन यह रेस्ट (rest) से मूल्यांकित स्टैंडअलोन बेस कंट्रोलर की तुलना में खराब रही। लेखक इसका श्रेय स्टिफ केबल डायनेमिक्स पर निरंतर-एक्शन PPO की उच्च सैंपल कॉम्प्लेक्सिटी और चुनौतीपूर्ण इवैल्यूएशन डिस्ट्रीब्यूशन को देते हैं।
काइनेमैटिक विचलन: विश्लेषण से पता चला कि जबकि जॉइंट मॉडल कम कोणों पर आदर्श होता है, $\pm 70^\circ$ पर संचालन करने से व्यवस्थित, पूर्वानुमेय काइनेमैटिक त्रुटियां (आदर्श सर्कुलर पथों से दीर्घवृत्तीय विचलन) उत्पन्न होती हैं, जिन्हें RRL फ्रेमवर्क को क्षतिपूर्ति करने के लिए डिज़ाइन किया गया है।

महत्व और दावे
यह पत्र दावा करता है कि प्रस्तावित 4-सेगमेंट, 8-जॉइंट कॉन्फ़िगरेशन पिछले डिजाइनों की तुलना में अधिक वर्कस्पेस-प्रभावी और लागत-कुशल समाधान प्रदान करता है। यह प्रदर्शित करता है कि रेसिडुअल रीइन्फोर्समेंट लर्निंग इस प्रकार के मैनिपुलेटर्स को नियंत्रित करने के लिए एक व्यवहार्य और श्रेष्ठ विधि है, जो उन गैर-रैखिकताओं और निर्माण विसंगतियों की क्षतिपूर्ति करने में सक्षम है जो FABRIK जैसे मॉडल-आधारित नियंत्रकों को प्रभावित करती हैं।

लेखक अपने कार्य को इस श्रेणी के मैनिपुलेटर्स विकसित करने वाले डिजाइनरों को नए उपकरण प्रदान करने के रूप में प्रस्तुत करते हैं। वे इस बात पर जोर देते हैं कि जबकि उनका मैकेनिकल डिजाइन और बेस कंट्रोलर परिणाम मजबूत हैं, RRL घटक की पूर्ण क्षमता के लिए बेस कंट्रोलर द्वारा आइसोलेशन में प्रदर्शित सटीकता स्तर तक पहुँचने के लिए और अधिक कम्प्यूटेशनल संसाधनों और रिवॉर्ड ट्यूनिंग की आवश्यकता है। यह कार्य एक प्रमाण-अवधारणा (proof-of-concept) के रूप में कार्य करता है कि रेसिडुअल ट्रेनिंग इंफ्रास्ट्रक्चर सही ढंग से कार्य करता है और उच्च-परिशुद्धता केबल-ड्रिवन सिस्टम में वास्तविक दुनिया की यांत्रिक गैर-रैखिकताओं की क्षतिपूर्ति के लिए लर्निंग-आधारित विधियां आवश्यक हैं।