Generation of Diverse and Functional Robot Designs using Superquadrics Parametrisation and Quality-Diversity
यह शोध पत्र यह प्रदर्शित करता है कि एक संक्षिप्त, व्याख्यात्मक सुपरक्वाड्रिक्स-आधारित प्रतिनिधित्व को MAP-Elites गुणवत्ता-विविधता एल्गोरिदम के साथ संयोजित करना जनरेटिव रोबोट डिज़ाइन में समयपूर्व अभिसरण (premature convergence) को प्रभावी ढंग से दूर करता है, जिससे मानक विकासवादी दृष्टिकोणों की तुलना में कार्यात्मक रूपात्मकताओं (morphologies) की काफी उच्च विविधता प्राप्त होती है।
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 रोबोट आर्किटेक्ट हैं जिसे एक नई दुनिया की खोज करने के लिए एक आदर्श मशीन डिजाइन करने का काम सौंपा गया है। लेकिन यहाँ एक पेच है: आपको केवल एक अच्छा रोबोट ही नहीं चाहिए; आपको हजारों अलग-अलग तरह के रोबोटों का एक विशाल, विविध पुस्तकालय (library) चाहिए जो वास्तव में हिल-डुल सकें और कुछ उपयोगी काम कर सकें।
यह शोध पत्र बिल्कुल यही करने के लिए एक नए तरीके का वर्णन करता है। एडिनबर्ग नेपियर यूनिवर्सिटी के शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो एक उच्च गति वाली, रचनात्मक फैक्ट्री की तरह काम करती है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:
1. समस्या: एक ही ढर्रे में फंस जाना
आमतौर पर, जब कंप्यूटर "इवोल्यूशनरी एल्गोरिदम" (जो प्राकृतिक चयन की नकल करते हैं) का उपयोग करके रोबट डिजाइन करने की कोशिश करते हैं, तो वे अक्सर अटक जाते हैं। वे कुछ ऐसे डिजाइन ढूंढ लेते हैं जो ठीक-ठाक काम करते हैं, और फिर वे उन्हीं डिजाइनों के मामूली बदलाव करते रहते हैं। यह एक ऐसे शेफ की तरह है जिसे एक बार सूप की एक अच्छी रेसिपी मिल जाती है और फिर वह अगले 10,000 प्रयासों में बस उसमें नमक कम या ज्यादा करने में बिता देता है, बजाय इसके कि कोई नया व्यंजन आविष्कार करे। इससे विविधता की कमी आती है और बेहतर डिजाइनों के अवसर हाथ से निकल जाते हैं।
2. नया "लेगो सेट": सुपरक्वाड्रिक्स (Superquadrics)
इसे ठीक करने के लिए, टीम ने रोबोट के शरीर को वर्णित करने का एक नया तरीका पेश किया, जिसे सुपरक्वाड्रिक्स कहा जाता है।
- पुराना तरीका (CPPN): कल्पना कीजिए कि आप एक ग्रिड पर लाखों छोटे बिंदुओं को खींचकर एक जटिल 3D आकार को समझाने की कोशिश कर रहे हैं। यह लचीला तो है, लेकिन अव्यवस्थित, नियंत्रित करने में कठिन और कंप्यूटर के लिए भ्रमित करने वाला है।
- नया तरीका (Superquadrics): कल्पना कीजिए कि आपके पास जादुई, खिंचने वाली मिट्टी (clay) के आकार हैं। आप कुछ बटन (पैरामीटर्स) घुमाकर एक गोले, एक घन (cube), एक तारे या एक अजीब से आकार को वर्णित कर सकते हैं।
- शोधकर्ता इसे एक "कॉम्पैक्ट" प्रतिनिधित्व कहते हैं क्योंकि यह एक जटिल 3D वस्तु का वर्णन करने के लिए बहुत कम संख्याओं का उपयोग करता है।
- यह एक मास्टर की (master key) होने जैसा है जो किसी भी बुनियादी आकार को अनलॉक कर सकती है, बजाय इसके कि आप आकार को ईंट-दर-ईंट बनाने की कोशिश करें। यह कंप्यूटर के लिए नए, अजीब और अद्भुत आकार खोजने को बहुत आसान बनाता है ताकि वह भटक न जाए।
3. "क्वालिटी-डाइवर्सिटी" मैप (MAP-Elites)
दूसरा बड़ा अपग्रेड यह है कि वे खोज (search) को कैसे व्यवस्थित करते हैं। केवल एक "सर्वश्रेष्ठ" रोबोट खोजने के बजाय, वे MAP-Elites नामक एक एल्गोरिदम का उपयोग करते हैं।
- उपमा (Analogy): एक शहर के विशाल मानचित्र की कल्पना करें। केवल सबसे ऊंचे मूल्य वाले एक घर को खोजने के बजाय, यह एल्गोरिदम पूरे मानचित्र को भरने का काम करता है। यह पूछता है: "2 पहियों वाले घर के लिए सबसे अच्छा रोबोट क्या है? 4 अंगों वाले रोबोट के लिए सबसे अच्छा क्या है? एक लंबे, पतले शरीर वाले रोबोट के लिए सबसे अच्छा क्या है?"
- कंप्यूटर को इस मानचित्र के हर "सेल" को भरने के लिए मजबूर करके, वे यह सुनिश्चित करते हैं कि उन्हें केवल एक ही प्रकार का रोबोट न मिले। उन्हें विभिन्न प्रकार के कार्यात्मक डिजाइन मिलते हैं, जिनमें से प्रत्येक एक विशिष्ट आकार या विशेषता के लिए अनुकूलित होता है।
4. "इंस्टिंक्ट" कंट्रोलर (Homeokinesis)
रोबोट को डिजाइन करना केवल आधी लड़ाई है; आपको उसे चलने के लिए एक दिमाग भी देना होगा। आमतौर पर, रोबोट को चलना सिखाने में बहुत समय लगता है (जैसे कुत्ते को महीनों तक प्रशिक्षित करना)।
- शोधकर्ताओं ने होमियोकाइनेसिस (Homeokinesis) का उपयोग किया। इसे एक स्क्रिप्ट देने के बजाय रोबोट को "सहज ज्ञान" (instincts) देने के रूप में सोचें।
- रोबट दो चीजों के बीच संतुलन बनाने की कोशिश करता है: यह अनुमान लगाना कि उसके हिलने-डुलने पर क्या होगा, और अपने वातावरण में होने वाले परिवर्तनों के प्रति संवेदनशील होना।
- यह संतुलन एक "स्वीट स्पॉट" बनाता है जहाँ रोबोट स्वाभाविक रूप से हिलना, अन्वेषण करना और दीवारों या बाधाओं के प्रति प्रतिक्रिया करना शुरू कर देता है, बिना घंटों के प्रशिक्षण के। यह एक बच्चे के चलने सीखने जैसा है, जो हर कदम को सीखने के बजाय केवल संतुलन बनाए रखने की कोशिश करता है।
5. परिणाम: कार्यात्मक रोबोटों की एक फैक्ट्री
टीम ने अपने नए सिस्टम (जिसे वे ME2HKS कहते हैं) का दो अलग-अलग दुनियाओं में परीक्षण किया: एक सपाट, खुला फर्श और एक दरारों वाला कठिन इलाका।
- परिणाम: उनकी नई पद्धति ने पुराने तरीकों की तुलना में चार गुना अधिक अद्वितीय, काम करने वाले रोबोट डिजाइन तैयार किए।
- गुणवत्ता: न केवल उनके पास अधिक डिजाइन थे, बल्कि वे सभी कार्यात्मक भी थे। रोबोट वास्तव में वातावरण में नेविगेट कर सकते थे।
- विविधता: सपाट दुनिया में, सिस्टम ने स्वाभाविक रूप से पहियों वाले रोबोट बनाए (क्योंकि सपाट जमीन पर पहिए बेहतरीन होते हैं)। दरारों वाली दुनिया में, इसने पैरों और अंगों वाले रोबोट बनाए (क्योंकि दरारों के ऊपर चढ़ने के लिए पैर बेहतर होते हैं)।
निष्कर्ष
शोध पत्र का दावा है कि आकारों को वर्णित करने के एक सरल, गणितीय तरीके (Superquadrics) को हर संभावना को खोजने के लिए मजबूर करने वाली एक विधि (MAP-Elites) के साथ जोड़ने और यह परीक्षण करने के लिए कि क्या रोबोट चल सकते हैं, एक त्वरित "सहज ज्ञान" प्रणाली का उपयोग करने से, वे पहले की तुलना में बहुत तेज़ी से और अधिक प्रभावी ढंग से विविध, काम करने वाले रोबोटों का एक विशाल पुस्तकालय बना सकते हैं।
उन्होंने किसी विशिष्ट कार्य (जैसे मेडिकल रोबोट या मार्स रोवर) के लिए एक विशिष्ट रोबोट नहीं बनाया; इसके बजाय, उन्होंने मशीनों को बनाने वाली एक बेहतर मशीन बनाई, यह साबित करते हुए कि यह नया दृष्टिकोण भविष्य के उपयोग के लिए डिजाइनों का एक समृद्ध और अधिक उपयोगी संग्रह बनाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।