💻 computer science

High-level spatial Dubins airplane-based reference smoothing with low-level geometric tracking for quadrotor control

यह शोध पत्र एक पदानुक्रमित क्वाडकॉप्टर नियंत्रण पद्धति प्रस्तुत करता है जो कुशल और बाधित पथ ट्रैकिंग (जैसे कि बाधाओं के आकार का अनुसरण करना) को सक्षम करने के लिए एक उच्च-स्तरीय स्थानिक डबिन्स एयरप्लेन-आधारित संदर्भ स्मूथिंग चरण को निम्न-स्तरीय ज्यामितीय ट्रैकिंग नियंत्रक के साथ जोड़ता है, जिसे ऑफलाइन या ऑनलाइन रिसीडिंग होराइजन प्लानिंग के माध्यम से किया जा सकता है।

मूल लेखक: Mogens Plessen

प्रकाशित 2026-07-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mogens Plessen

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 नन्हे, चार-रोटर वाले उड़ने वाले रोबोट (क्वाडरोटर) को एक भूलभुलैया के बीच से तेजी से निकलना सिखाने की कोशिश कर रहे हैं। समस्या क्या है? जो नक्शा आप उसे देते हैं, वह तीखे 90-डिग्री मोड़ों और बिंदुओं के बीच बड़े अंतराल वाली एक टेढ़ी-मेढ़ी, बिखरी हुई रेखा है। यदि आप रोबोट को उस रेखा का बिल्कुल वैसे ही पालन करने के लिए कहते हैं, तो वह दीवारों से टकरा जाएगा या कोनों को काटते समय खतरनाक हो जाएगा। यदि आप पथ को बहुत अधिक सुचारू (smooth) बनाने की कोशिश करते हैं, तो वह उस जगह से बहुत दूर जा सकता है जहाँ उसे होना चाहिए।

यह शोध पत्र इस समस्या को हल करने के लिए एक चतुर दो-चरणीय "मस्तिष्क" प्रस्तावित करता है, जो एक रणनीतिक योजनाकार (Strategic Planner) और एक पायलट (Pilot) की टीम की तरह कार्य करता है।

रणनीतिक योजनाकार: "डबिन एयरप्लेन" (The Dubins Airplane)

सबसे पहले, यह शोध पत्र एक उच्च-स्तरीय योजनाकार पेश करता है। वास्तविक रोबोट की हर छोटी थरथराहट की गणना करने के बजाय (जो गणितीय रूप से भारी और धीमा है), यह योजनाकार डबिन एयरप्लेन नामक एक सरल मॉडल का उपयोग करता है।

एक डबिन एयरप्लेन को वास्तविक क्वाडरोटर के एक कार्टून संस्करण के रूप में सोचें: यह केवल इस बात पर ध्यान देता है कि वह 3D स्पेस ( $x, y, z$ ) में कहाँ है और किस दिशा में देख रहा है (yaw)। यह उन जटिल विवरणों को अनदेखा कर देता है कि वहां पहुँचने के लिए रोटर कैसे घूमते हैं।

इस सरल मॉडल का उपयोग करके, योजनाकार एक लीनियर प्रोग्राम (LP) को हल करता है। आप इस LP को एक बहुत तेज़, छोटे गणितीय पहेली के रूपas देख सकते हैं। लक्ष्य उस टेढ़े-मेढ़े, "नुकीले" निशान को एक सुचारू वक्र (curve) में बदलना है जो मूल पथ के करीब रहे लेकिन बाधाओं (जैसे बाईं ओर की दीवार) से सुरक्षित रहे।

जादुई ट्रिक: लेखकों ने पाया कि इस सरल मॉडल का उपयोग करके, वे इस पहेली को लगभग बिना किसी "नॉब" (नियंत्रण बटन) को घुमाए हल कर सकते हैं। अन्य अधिकांश तरीकों में पथ को सही करने के लिए दर्जनों जटिल सेटिंग्स (हाइपरपैरामीटर्स) को बदलने की आवश्यकता होती है। यहाँ, गणित काम को स्वचालित रूप से करता है।
परिणाम: उनके सिमुलेशन में, यह चरण सैकड़ों बिंदुओं वाले पथ के लिए भी, 0.02 सेकंड से भी कम समय में हल हो गया।

पायलट: "जियोमेट्रिक ट्रैकर" (The Geometric Tracker)

एक बार जब रणनीतिक योजनाकार एक सुचारू, सुरक्षित रेखा खींच देता है, तो पायलट कार्यभार संभाल लेता है। यह लो-लेवल कंट्रोलर है जो वास्तव में वास्तविक, जटिल रोबोट को उड़ाता है।

यह शोध पत्र स्पष्ट रूप से एक मानक "कैस्केडेड PID" कंट्रोलर (एक सामान्य, पुराना तरीका जो तीन सरल नियंत्रण लूपों को एक के ऊपर एक रखता है) के विरुद्ध तर्क देता है। अपने परीक्षणों में, PID कंट्रोलर नए तरीके की तुलना में लगभग दोगुना गलत था, जो नए तरीके के 0.16 से 0.17 मीटर के मुकाबले लगभग 0.32 से 0.35 मीटर की चूक करता था।

इसके बजाय, वे एक जियोमेट्रिक ट्रैकिंग कंट्रोलर का उपयोग करते हैं। यह पायलट विशेष है क्योंकि यह रोबोट के पूर्ण 12-भाग वाले भौतिकी (physics) को समझता है। यह केवल "बाएं/दाएं" और "ऊपर/नीचे" को नहीं देखता; यह गणितीय उलझनों (singularities) में फंसे बिना 3D स्पेस में रोबोट के ओरिएंटेशन को समझता है। महत्वपूर्ण रूप से, यह पायलट फीडफॉरवर्ड टर्म्स (feedforward terms) पर बहुत अधिक निर्भर करता है—यह योजनाकार द्वारा बनाए गए सुचारू पथ को देखता है और पहले से ही गणना करता है कि पथ का सटीक रूप से पालन करने के लिए कितने थ्रस्ट (thrust) की आवश्यकता है।

उड़ने के दो तरीके: "एक बार का नक्शा" बनाम "लाइव GPS"

शोध पत्र इस प्रणाली का परीक्षण दो अलग-अलग परिदृश्यों में करता है, जिन्हें वे मेथड M1 और मेथड M2 कहते हैं:

मेथड M1 (एक बार का नक्शा):
कल्पना कीजिए कि आप एक शांत खेत के ऊपर उड़ रहे हैं जहाँ बाधाएं कभी नहीं बदलतीं। आप इंजन शुरू करने से पहले ही ऑफलाइन, एक बार एक सुचारू पथ खींचते हैं। फिर, आप उस पूर्व-निर्धारित रेखा का पालन करते हुए पूरा मिशन पूरा करते हैं।

प्रदर्शन: सिमुलेशन में, यह शानदार ढंग से काम किया। 300 बिंदुओं वाले पथ के लिए, रोबोट औसतन केवल 0.16 मीटर की चूक करता है।

मेथड M2 (लाइव GPS):
अब एक गतिशील शहर की कल्पना करें जहाँ बाधाएं हिल सकती हैं या पथ बदल सकता है। यहाँ, रणनीतिक योजनाकार केवल एक नक्शा नहीं बनाता; बल्कि हर बार जब रोबोट अपनी स्थिति अपडेट करता है (प्रत्येक 0.05 सेकंड में), तो वह पथ के एक छोटे हिस्से को फिर से बनाता है। यह लगभग 20 मीटर (या कभी-कभी 10 मीटर) आगे देखता है और ठीक उसी समय पथ को सुचारू बनाता है।

समझौता (Trade-off): शोध पत्र ने पाया कि लंबा लुक-अहेड (20m) छोटे लुक-अहेड (10m) की तुलना में बेहतर परिणाम देता है, लेकिन इसे गणना करने में थोड़ा अधिक समय लगता है (0.008 सेकंड बनाम 0.003 सेकंड)।
एक विचित्र बात: जब योजनाकार केवल कम दूरी तक देखता है, तो रोबोट कभी-कभी मोड़ के अंत में "ओवरशूट" कर जाता है या भ्रमित हो जाता है क्योंकि वह अभी तक फिनिश लाइन को नहीं देख पाता है। लेखक एक समाधान सुझाते हैं: हर टिक पर नक्शा दोबारा न बनाएं; हर दूसरे टिक पर नक्शा दोबारा बनाएं और बस पुराने प्लान को आगे बढ़ा दें। यह गणना शक्ति को बचाते हुए सटीकता को कम किए बिना काम करता है।

यह शोध पत्र किन चीजों को "ना" कहता है

यह जानना महत्वपूर्ण है कि यह विधि क्या नहीं करती है:

कोई जटिल स्प्लाइन फिटिंग नहीं: शोध पत्र पथ को सुचारू बनाने के लिए जटिल B-splines या Bezier कर्व्स के उपयोग के विरुद्ध तर्क देता है, यह नोट करते हुए कि वे अक्सर मूल "नुकीले" संदर्भ के करीब रहने में विफल रहते हैं या उनके लिए बहुत अधिक ट्यूनिंग की आवश्यकता होती है।
कोई पूर्ण-भौतिकी नियोजन (Full-Physics Planning) नहीं: वे पूर्ण 12-स्टेट क्वाडरोटर मॉडल का उपयोग करके स्मूथिंग की समस्या को हल करने के प्रयास को स्पष्ट रूप से खारिज करते हैं। उनका कहना है कि यह बहुत कठिन होगा और गणनात्मक रूप से महंगा होगा। वे प्लानिंग के लिए सरल डबिन मॉडल का उपयोग करते हैं और केवल वास्तविक उड़ान के लिए पूर्ण मॉडल का उपयोग करते हैं।
कोई "जादुई" ट्यूनिंग नहीं: वे इस विचार को खारिज करते हैं कि आपको विभिन्न इकाइयों वाले जटिल मैट्रिसेस को ट्यून करने में घंटों बिताने की आवश्यकता है। उनका तरीका न्यूनतम सेट के ट्यूनिंग मैट्रिसेस (केवल चार डायगोनल वाले) का उपयोग करता है जो बिना पुन: ट्यून किए विभिन्न परिदृश्यों में काम करते हैं।

मुख्य निष्कर्ष (The Bottom Line)

लेखकों ने कंप्यूटर सिमुलेशन के माध्यम से दिखाया है (वास्तविक दुनिया के उड़ान परीक्षणों के माध्यम से नहीं) कि काम को एक सरलीकृत योजनाकार और एक स्मार्ट, पूर्ण-भौतिकी पायलट में विभाजित करना काम करता है। यह एक क्वाडरोटर को एक टेढ़े-मेढ़े, बाधाओं से भरे पथ का सुचारू रूप से और सटीकता से पालन करने की अनुमति देता है, जिसमें बहुत कम कंप्यूटिंग शक्ति और लगभग शून्य मैनुअल ट्यूनिंग की आवश्यकता होती है।

अपने परीक्षणों में, रोबोट अपने गंतव्य (जैसे 50m, 50m, 10m पर स्थिर होना) तक लगभग 25 से 45 सेकंड में पहुँच गया, जो पथ की लंबाई पर निर्भर करता है, और पथ के बाईं ओर के "खतरे वाले क्षेत्र" से बचते हुए वांछित रेखा के बहुत करीब रहा। यह एक कुशल, मजबूत और वास्तविक दुनिया के लिए तैयार प्रणाली है, भले ही यह वर्तमान में केवल एक सिमुलेशन में जीवित है।

यहाँ मोगेन्स प्लेसेन (Mogens Plessen) के शोध पत्र "High-level spatial Dubins airplane-based reference smoothing with low-level geometric tracking for quadrotor control" का विस्तृत तकनीकी सारांश दिया गया है।

समस्या का निरूपण (Problem Formulation)

यह शोध पत्र क्वाड्रोटर को "एजी" (edgy) संदर्भ पथों को ट्रैक करने की चुनौती को संबोधित करता है—जिन्हें विरल वेपॉइंट्स (sparse waypoints) के सेट के रूप में परिभाषित किया गया है जिनमें वेपॉइंट्स के बीच की दूरी अधिक होती है और अचानक दिशा परिवर्तन (जैसे 90° मोड़) होते हैं (उदाहरण के लिए, बाधाओं से बचने के लिए पथ के एक तरफ पार्श्व बाधाओं/lateral constraints का पालन करना)।

लेखक पहचानते हैं कि मौजूदा साहित्य में एक अंतराल है जहाँ विधियाँ या तो:

जटिल, उच्च-आयामी नॉनलीन मॉडल प्रेडिक्टिव कंट्रोल (NMPC) की मांग करती हैं जिसमें कठिन हाइपरपैरामीटर ट्यूनिंग और छोटा प्रेडिक्शन होराइजन होता है।
स्प्लाइन-आधारित स्मूथिंग (जैसे B-splines, Bezier curves) का उपयोग करती हैं जो वेपॉइंट्स को बारीकी से ट्रैक करने में विफल हो सकती हैं या विशिष्ट अनुप्रयोगों के लिए उपयुक्त नहीं होती हैं।
सीधे "एजी" संदर्भों को ट्रैक करने वाले लो-लेवल कंट्रोलर्स पर निर्भर करती हैं, जिससे "कॉर्नर-कटिंग" (कोने काटना) और पार्श्व सुरक्षा बाधाओं का उल्लंघन हो सकता है।

लक्ष्य एक ऐसी विधि विकसित करना है जो नियोजन (planning) से ट्रैकिंग तक जटिलता को पदानुक्रमित (hierarchically) रूप से कम करे, पूरे पथ के साथ पथ-आकार देने (trajectory shaping) की क्षमता बनाए रखे (न केवल कंट्रोल पॉइंट्स पर), और हाइपरपैरामीटर्स की संख्या को न्यूनतम करे।

कार्यप्रणाली (Methodology)

प्रस्तावित समाधान एक दो-स्तरीय दृष्टिकोण है जो हाई-लेवल रेफरेंस स्मूथिंग को लो-लेवल जियोमेट्रिक ट्रैकिंग के साथ जोड़ता है।

1. हाई-लेवल रेफरेंस स्मूथिंग (HLRS)

यह चरण प्रारंभिक "एजी" वेपॉइंट्स से एक सुचारू (smooth), व्यवहार्य संदर्भ प्रक्षेपवक्र (reference trajectory) उत्पन्न करता है।

मॉडल: यह चार अवस्थाओं (states) वाले एक डूबिंस एयरप्लेन मॉडल (Dubins airplane model) का उपयोग करता है: स्थिति $(x, y, z)$ और या (yaw) कोण $\psi$ । यह मॉडल आयामीकरण को कम करने और $z$ -डायनामिक्स को अलग करने की अनुमति देता है।
अनुकूलन (Optimization): समस्या को स्थानिक मॉडलिंग दृष्टिकोण का उपयोग करके एक लीनियर प्रोग्राम (LP) के रूप में तैयार किया गया है। इसका उद्देश्य बाधाओं के अधीन पार्श्व त्रुटि (lateral error) को कम करना है:
- पार्श्व बाधाएं (जैसे बाधाओं से बचने के लिए पथ के दाईं ओर रहना)।
- रोल कोण सीमाएं ( $\phi_{min} \leq \phi_k \leq \phi_{max}$ )।
- LP छोटे पैमाने का है; 10 मीटर के होराइजन और 1 मीटर की स्पेसिंग के लिए, इसमें केवल ~21 अनुकूलन चर शामिल हैं।
फिल्टरिंग: LP आउटपुट पर एक पोस्ट-प्रोसेसिंग फिल्टरिंग चरण (Savitzky-Golay या Exponential Moving Average) लागू किया जाता है ताकि लो-लेवल कंट्रोलर के लिए आवश्यक बीजगणितीय सुगमता (algebraic smoothness) सुनिश्चित की जा सके।
वेलोसिटी प्रोफाइलिंग: एक वेलोसिटी प्रोफाइल असाइन किया जाता है जो निम्नलिखित पर आधारित है:
- क्रूज वेलोसिटी।
- डूबिंस मॉडल से प्राप्त रोल-कोण-आधारित गति सीमा ( $v_{roll}^{max}$ )।
- न्यूटन के दूसरे नियम से प्राप्त ब्रेकिंग प्रोफाइल ( $v_{brake}^{max}$ ) ताकि यह सुनिश्चित हो सके कि क्वाड्रोटर लक्ष्य स्थिति पर रुक सके।
- अंतिम संदर्भ वेग $v_{ref}(s) = \min(v_{cruise}, v_{roll}^{max}, v_{brake}^{max})$ है। यह गैर-समान स्थानिक इंटरपोलेशन (non-uniform spatial interpolation) की अनुमति देता है, जो लो-लेवल कंट्रोलर के फीडफॉरवर्ड टर्म्स के लिए महत्वपूर्ण है।

2. लो-लेवल रेफरेंस ट्रैकिंग

यह चरण पूर्ण क्वाड्रोटर डायनामिक्स का उपयोग करके सुचारू संदर्भ का ट्रैकिंग निष्पादित करता है।

मॉडल: पूर्ण 12-स्टेट क्वाड्रोटर मॉडल (स्थिति, वेग, यूलर कोण और कोणीय दरें) का उपयोग किया जाता है।
कंट्रोलर: एक जियोमेट्रिक ट्रैकिंग कंट्रोलर (संदर्भ [14] पर आधारित) का उपयोग किया जाता है। यह कंट्रोलर यूलर कोणों से जुड़ी सिंगुलैरिटी और क्वाटर्नियन्स की अस्पष्टता से बचता है।
कार्यान्वयन: कंट्रोलर संदर्भ प्रक्षेपवक्र के स्थिति, वेग, त्वरण और या (yaw) से प्राप्त फीडफॉरवर्ड टर्म्स पर अत्यधिक निर्भर है। हाई-लेवल चरण में उत्पन्न गैर-समान स्थानिक ग्रिड इन डेरिवेटिव्स को सटीक रूप से निकालने के लिए महत्वपूर्ण है।
ट्यूनिंग: कंट्रोलर चार डायगोनल ट्यूनिंग मैट्रिसेस ( $K_p, K_v, K_R, K_\Omega$ ) का उपयोग करता है। शोध पत्र में उल्लेख है कि इन्हें बिना किसी विस्तृत फाइन-ट्यूनिंग के केवल ऑर्डर्स ऑफ मैग्नीट्यूड (दस की घातों) के आधार पर चुना गया था।

3. ऑपरेशनल मोड (M1 और M2)

शोध पत्र इस विधि के दो संस्करणों को परिभाषित करता है:

विधि M1 (ऑफलाइन प्लानिंग): हाई-लेवल स्मूथिंग पूरे पथ पर एक बार ऑफलाइन की जाती है। परिणामी सुचारू संदर्भ को फिर ऑनलाइन ट्रैक किया जाता है। यह स्थिर वातावरण (जैसे कृषि क्षेत्र कवरेज) के लिए उपयुक्त है।
विधि M2 (ऑनलाइन रिसीडिंग प्लानिंग): हाई-लेवल स्मूथिंग एक सीमित स्थानिक प्रेडिक्शन होराइजन $H$ के ऊपर ऑनलाइन रिसीडिंग होराइजन के रूप में की जाती है। प्रत्येक चरण पर, वर्तमान स्थिति को मूल "एजी" पथ से जोड़ा जाता है, उसे स्मूथ किया जाता है, और फिर ट्रैक किया जाता है। यह गतिशील वातावरण या बदलते वेपॉइंट्स के लिए उपयुक्त है।

प्रमुख योगदान (Key Contributions)

पदानुक्रमित जटिलता कमी (Hierarchical Complexity Reduction): यह विधि समस्या को अलग करती है, नियोजन के लिए कम-आयामी डूबिंस मॉडल और ट्रैकिंग के लिए पूर्ण मॉडल का उपयोग करती है, जो पूर्ण NMPC की तुलना में गणनात्मक भार को काफी कम कर देती है।
स्थानिक LP फॉर्मूलेशन: स्थानिक मॉडलिंग और डूबिंस संरचना का लाभ उठाकर, नियोजन चरण को एक छोटे लीनियर प्रोग्राम में बदल दिया गया है जिसका ऑब्जेक्टिव फंक्शन हाइपरपैरामीटर-मुक्त है (पार्श्व त्रुटि को कम करना)।
पार्श्व बाधा प्रबंधन (Lateral Constraint Handling): दृष्टिकोण स्पष्ट रूप से प्रक्षेपवक्र के दौरान पार्श्व बाधाओं (जैसे एक तरफ बाधा से बचना) को लागू करता है, जिससे कॉर्नर-कटिंग को रोका जा सकता है।
वेलोसिटी-प्रोफाइल एकीकरण: डायनेमिक ब्रेकिंग और रोल लिमिट्स पर आधारित गैर-समान स्थानिक ग्रिड का निर्माण यह सुनिश्चित करता है कि लो-लेवल कंट्रोलर को उसके फीडफॉरवर्ड आवश्यकताओं के अनुकूल संदर्भ प्राप्त हो।

संख्यात्मक परिणाम (Numerical Results)

एक लैपटॉप (Intel Core i9) पर एक कैस्केडेड PID कंट्रोलर और विभिन्न स्मूथिंग फिल्टरों की तुलना करते हुए तीन संख्यात्मक प्रयोग किए गए:

प्रदर्शन: प्रस्तावित जियोमेट्रिक कंट्रोलर ने कैस्केडेड PID दृष्टिकोण को काफी पीछे छोड़ दिया। उदाहरण 1 (M1) में, जियोमेट्रिक कंट्रोलर ने 0.174 m का RMSE प्राप्त किया (SG-फिल्टर के साथ), जबकि PID कंट्रोलर का RMSE क्रमशः 0.324 m और 0.356 m रहा।
फिल्टरिंग: साविट्स्की-गोले (SG) फिल्टर ने EMA फिल्टर की तुलना में बेहतर सटीकता (9% कम RMSE) प्रदान की, हालांकि EMA बीजगणितीय रूप से सरल है।
M1 बनाम M2:
- M1 ने बड़े होराइजन पर निरंतर ट्रैकिंग प्रदान की (LP सॉल्व टाइम ~0.007–0.017s)।
- M2 ने प्रभावी ऑनलाइन प्लानिंग प्रदर्शित की। एक बड़ा प्रेडिक्शन होराइजन ( $H=20$ m बनाम $10$m) ट्रैकिंग प्रदर्शन में सुधार करता है (अधिक पूर्वसूचक युद्धाभ्यास/anticipative maneuvers) लेकिन सॉल्व टाइम भी बढ़ाता है (0.008s बनाम 0.003s)।
- ओवरशूटिंग: M2 ने सीमित होराइजन के कारण ओवरशूटिंग व्यवहार दिखाया। लेखकों ने एक शमन रणनीति प्रस्तावित की: केवल दूसरे सैंपलिंग समय पर री-प्लानिंग करना और बीच में पिछले शिफ्ट किए गए प्लान का उपयोग करना, जिसने स्थिरता से समझौता किए बिना गणनात्मक भार को कम कर दिया।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि प्रस्तावित दो-स्तरीय दृष्टिकोण सफलतापूर्वक:

कम गणनात्मक लागत पर बड़े नियोजन होराइजन पर "एजी" संदर्भ पथों को सुचारू बनाता है।
संदर्भ ट्रैकिंग सटीकता और पार्श्व प्रक्षेपवक्र शेपिंग क्षमताओं को बनाए रखता है।
हाइपरपैरामीटर्स की संख्या को न्यूनतम तक कम करता है (LP ऑब्जेक्टिव हाइपरपैरामीटर-मुक्त है; कंट्रोलर ट्यूनिंग केवल परिमाण चयन तक सीमित है)।
जटिल NMPC या स्प्लाइन-आधारित विधियों के लिए एक व्यवहार्य विकल्प प्रदान करता है, विशेष रूप से उन अनुप्रयोगों के लिए जिनमें सख्त पार्श्व बाधाओं (जैसे बाधा कंटूर ट्रैकिंग) की आवश्यकता होती है।

लेखक सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि विधि नियोजन के लिए डूबिंस मॉडल पर निर्भर करती है (जो पूर्ण क्वाड्रोटर डायनामिक्स का एक अनुमान है) और भविष्य के कार्य पूर्ण 12-स्टेट मॉडल का उपयोग करके अनुकूलन चरण को एक्सप्लोर कर सकते हैं, हालांकि इससे महत्वपूर्ण जटिलता और इनिशियलाइजेशन चुनौतियां पेश होंगी।