Polar Coordinate-based Differential Evolution for Moving Target Search Using Vision Sensor on Unmanned Aerial Vehicles

कल्पना कीजिए कि आप लुका-छिपी का एक उच्च-दांव वाला खेल खेल रहे हैं, लेकिन जिसे आप ढूंढ रहे हैं वह भाग रहा है, नक्शा बहुत बड़ा है, और आपके पास केवल दूरबीन का एक जोड़ा है जो सूरज बहुत तेज़ होने पर या हवा बहुत तेज़ होने पर धुंधला हो जाता है। यह खोज और बचाव (सर्च एंड रेस्क्यू) टीमों के लिए एक दैनिक वास्तविकता है जो खोए हुए हाइकर्स या आपदा क्षेत्रों में जीवित बचे लोगों को खोजने की कोशिश करती हैं। विज्ञान की दुनिया में, इसे "इष्टतम खोज" (ऑप्टिमल सर्च) के रूप में जाना जाता है, एक ऐसी पहेली जहाँ कंप्यूटर यह पता लगाने की कोशिश करते हैं कि सबसे अच्छा रास्ता कौन सा है ताकि वे कीमती समय बर्बाद न करें। यहाँ मुख्य विचार यह है कि समय दुश्मन है; आप जितना अधिक समय तक खोजेंगे, किसी को ढूंढना उतना ही कठिन होता जाएगा क्योंकि उनकी स्थिति एक तथ्य के बजाय एक अनुमान बन जाती है। इसे हल करने के लिए, वैज्ञानिक कैमरों से लैस "ड्रोन" (उड़ने वाले रोबोट) का उपयोग करते हैं, लेकिन इन ड्रोनों को एक आदर्श मार्ग पर उड़ने के लिए प्रोग्राम करना अविश्वसनीय रूप से कठिन है क्योंकि ड्रोन की भौतिक सीमाएँ होती हैं—वे तुरंत नहीं मुड़ सकते, उनकी एक अधिकतम गति होती है, और वे हमेशा के लिए नहीं उड़ सकते।

यह शोध पत्र ड्रोनों को चलते हुए लक्ष्यों, जैसे कि किसी खोए हुए व्यक्ति या तैरते हुए जीवित बचे व्यक्ति को खोजने के लिए प्रशिक्षित करने का एक चतुर नया तरीका पेश करता है। लेखक, जो वियतनाम और कोरिया के शोधकर्ताओं की एक टीम है, ने एक नया एल्गोरिदम बनाया है जिसे "पोलर कोऑर्डिनेट-आधारित डिफरेंशियल इवोल्यूशन" (या संक्षेप में PDE) कहा जाता है। इसे एक सुपर-स्मार्ट कोच के रूप में समझें जो न केवल ड्रोन को यह बताता है कि कहाँ जाना है, बल्कि यह भी बताता है कि वहाँ पहुँचने के लिए अपने शरीर को कैसे हिलाना है। मानक मानचित्र निर्देशांकों (जैसे "10 मीटर दाईं ओर जाएं, फिर 5 मीटर ऊपर जाएं") का उपयोग करने के बजाय, PDE एल्गोरिदम ड्रोन की मूल भाषा बोलता है: "इस कोण पर मुड़ें और इस दूरी तक उड़ें।" ऐसा करके, ड्रोन डेड एंड (बंद रास्तों) में फंसने या असंभव मोड़ लेने से बच जाता है। शोधकर्ताओं ने इस पद्धति का परीक्षण कंप्यूटर सिमुलेशन में और एक वास्तविक ड्रोन के साथ एक मैदान में किया, और उन्होंने पाया कि PDE अन्य लोकप्रिय तरीकों की तुलना में लक्ष्य को तेज़ी से खोजने में बेहतर था, विशेष रूप से तब जब लक्ष्य गतिशील था और खोज क्षेत्र बड़ा था।

समस्या: "गोल्डन टाइम" की दौड़

खोज और बचाव में, "गोल्डन टाइम" नामक एक अवधारणा है। यह वह छोटा अंतराल है जो किसी के लापता होने के ठीक बाद का होता है जब उन्हें जीवित खोजने की संभावना सबसे अधिक होती है। जैसे-जैसे समय बीतता है, संभावनाएँ कम होती जाती हैं। क्यों? क्योंकि व्यक्ति हिल सकता है, हवा उसे धकेल सकती है, या इलाके की बनावट उसे छिपा सकती है। पारंपरिक खोज विधियाँ अक्सर ज़मीन पर मौजूद टीमों या पायलटों द्वारा संचालित विमानों पर निर्भर करती हैं, जो धीमी या खतरनाक हो सकती हैं। यहाँ ड्रोन (UAV) का प्रवेश होता है। ड्रोन खतरनाक इलाकों के ऊपर से तेज़ी से निकल सकते हैं और वे चीजें देख सकते हैं जो इंसान नहीं देख सकते। लेकिन यहाँ एक पेच है: यदि आप केवल ड्रोन को बेतरतीब ढंग से उड़ने के लिए कहते हैं, तो वह लक्ष्य को चूक सकता है। यदि आप उसे एक आदर्श ग्रिड में उड़ने के लिए कहते हैं, तो वह खाली जगहों के ऊपर उड़कर समय बर्बाद कर सकता है। लक्ष्य एक ऐसा परफेक्ट उड़ान पथ खोजना है जो लक्ष्य को जितनी जल्दी हो सके देखने की संभावना को अधिकतम करे।

मस्तिष्क: ड्रोन कैसे "सोचता" है

सर्वश्रेष्ठ पथ खोजने के लिए, ड्रोन को एक ऐसे मस्तिष्क की आवश्यकता है जो यह अनुमान लगा सके कि लक्ष्य कहाँ हो सकता है। लेखकों ने लक्ष्य की गति को एक "मार्कोव प्रक्रिया" (Markov process) की तरह मॉडल किया है। सरल शब्दों में, इसका अर्थ है कि लक्ष्य की अगली चाल मुख्य रूप से इस बात पर निर्भर करती है कि वह अभी कहाँ है और वह कैसे चल रहा है, न कि इस पर कि वह एक घंटे पहले कहाँ था। यह नदी में बहते हुए पत्ते की भविष्यवाणी करने जैसा है; आप धारा की दिशा जानते हैं, इसलिए आप अनुमान लगा सकते हैं कि कुछ सेकंड में वह कहाँ होगा।

ड्रोन को यह भी जानने की आवश्यकता है कि उसकी "आंखें" कितनी अच्छी हैं। यह पेपर देखने की संभावना की गणना करने के लिए NVESD नामक एक मॉडल का उपयोग करता है। यह केवल इस बारे में नहीं है कि लक्ष्य कितनी दूर है; यह छवि की गुणवत्ता के बारे में भी है। यदि सूरज की चमक बहुत तेज़ है, या लक्ष्य छोटा और धुंधला है, तो उन्हें देखने की संभावना कम हो जाती है। एल्गोरिदम इन दोनों चीजों को जोड़ता है—लक्ष्य कहाँ हो सकता है और कैमरा उन्हें देखने की कितनी संभावना है—एक "बलीफ मैप" (विश्वास मानचित्र) बनाने के लिए। यह मानचित्र एक हीट मैप की तरह है जहाँ सबसे चमकीले स्थान दिखाते हैं कि लक्ष्य के वहां होने की उच्चतम संभावना है।

समाधान: पोलर कोऑर्डिनेट का कमाल

इस शोध पत्र का मुख्य नवाचार यह है कि ड्रोन अपने उड़ान पथ की योजना कैसे बनाता है। अधिकांश कंप्यूटर एल्गोरिदम "कार्टेशियन निर्देशांक" (Cartesian coordinates) का उपयोग करते हैं, जो ग्राफ पेपर पर ग्रिड की तरह होते हैं (x और y मान)। हालांकि यह गणित के लिए काम करता है, लेकिन ड्रोनों के लिए यह बहुत बुरा है। यदि एक ड्रोन उड़ रहा है और उसे मुड़ने की आवश्यकता है, तो एक कार्टेशियन एल्गोरिदम ऐसा पथ निकाल सकता है जिसके लिए ड्रोन को तुरंत गोल घूमना पड़े या अपने इंजन की क्षमता से तेज़ उड़ना पड़े। यह एक कार को यह बताने जैसा है कि "5 मीटर उत्तर और 5 मीटर पूर्व की ओर बढ़ें" बिना इस बात की परवाह किए कि कार का न्यूनतम टर्निंग रेडियस (मोड़ने की त्रिज्या) क्या है।

लेखकों ने इसके बजाय "पोलर कोऑर्डिनेट्स" (ध्रुवीय निर्देशांक) का उपयोग करने का प्रस्ताव दिया। "बिंदु (x, y) पर जाओ" कहने के बजाय, एल्गोरिदम ड्रोन को बताता है: "इस कोण ($\psi$) पर इस दूरी ($\rho$) तक उड़ें।" यह ड्रोन के वास्तविक संचालन से मेल खाता है। इस पद्धति का उपयोग करके, एल्गोरिदम स्वाभाविक रूप से ड्रोन की भौतिक सीमाओं का सम्मान करता है। यह ऐसा मोड़ नहीं सुझा सकता जो बहुत तीखा हो या ऐसी गति नहीं बता सकता जो बहुत तेज़ हो, क्योंकि गणित शुरू से ही उन सीमाओं के इर्द-गिर्द बनाया गया है।

उन्होंने इस विचार को "डिफरेंशियल इवोल्यूशन" (DE) एल्गोरिदम के भीतर लपेटा है। DE "स्वार्म इंटेलिजेंस" (झुंड बुद्धिमत्ता) का एक प्रकार है जो खोजकर्ताओं की एक टीम की तरह काम करता है। कल्पना कीजिए कि हाइकर्स का एक समूह कोहरे से भरे पहाड़ी क्षेत्र में सबसे ऊँची चोटी खोजने की कोशिश कर रहा है। वे पूरा नक्शा नहीं जानते, लेकिन वे नोट्स साझा करते हैं। यदि एक हाइकर को एक ऊँचा स्थान मिलता है, तो अन्य लोग उस क्षेत्र की ओर बढ़ते हैं लेकिन कुछ भी और ऊँचा खोजने के लिए थोड़े अलग दिशाओं में भी प्रयास करते हैं। "डिफरेंशियल" भाग का अर्थ है कि वे अगले कदम के लिए निर्णय लेने हेतु दो हाइकर्स के बीच के अंतर को देखते हैं।

लेखकों ने इस झुंड बुद्धिमत्ता को अपने पोलर कोऑर्डिनेट सिस्टम के साथ जोड़ा। वे इसे PDE कहते हैं। उनके सिमुलेशन में, वर्चुअल ड्रोनों की यह टीम मानक तरीकों का उपयोग करने वाली टीमों की तुलना में खोज क्षेत्र को बहुत अधिक कुशलता से एक्सप्लोर करती है।

परिणाम: सिमुलेशन और वास्तविक उड़ानें

शोधकर्ताओं ने छह अलग-अलग परिदृश्यों में अपने PDE एल्गोरिदम का परीक्षण किया, जो 600 मीटर x 600 मीटर के छोटे क्षेत्रों से लेकर विशाल 2000 मीटर x 2000 मीटर के क्षेत्रों तक विस्तृत थे। उन्होंने PDE की तुलना PSO (पार्टिकल स्वार्म ऑप्टिमाइजेशन), GA (जेनेटिक एल्गोरिदम) और मानक DE (डिफरेंशियल इवोल्यूशन) जैसे प्रसिद्ध एल्गोरिदम से की।

कंप्यूटर सिमुलेशन में, PDE ने लगातार उच्च संभावना के साथ लक्ष्य को पाया और इसने इसे तेज़ी से किया। उदाहरण के लिए, एक परिदृश्य में, PDE ने लगभग 0.529 की डिटेक्शन प्रोबेबिलिटी (पहचान की संभावना) प्राप्त की, जबकि मानक DE एल्गोरिदम केवल 0.410 ही प्रबंध कर सका। पेपर नोट करता है कि मानक DE अक्सर "लोकल ऑप्टिमा" (स्थानीय इष्टतम) में फंस जाता था—अर्थात उसने एक अच्छा स्थान तो ढूंढ लिया लेकिन वह सबसे अच्छे स्थान को नहीं देख सका क्योंकि वह एक लूप में फंस गया था। PDE, अपने पोलर कोऑर्डिनेट्स के कारण, इन लूपों से बाहर निकलने और ग्लोबल बेस्ट पाथ (वैश्विक सर्वश्रेष्ठ पथ) खोजने में बेहतर था।

वे केवल कंप्यूटर गेम्स तक ही सीमित नहीं रहे। उन्होंने सिद्धांत का परीक्षण करने के लिए एक वास्तविक 3DR Solo ड्रोन को एक मैदान में ले जाया। ड्रोन को PDE पथ के साथ प्रोग्राम किया गया था और इसे 80 मीटर x 80 मीटर के क्षेत्र के ऊपर उड़ाया गया। एक व्यक्ति (लक्ष्य) 1.5 मीटर/सेकंड की गति से चल रहा था। ड्रोन ने एल्गोरिदम द्वारा बनाए गए पथ का पालन किया, और जो पथ उसने वास्तव में उड़ाया, वह योजना से बहुत करीब था। ड्रोन सफलतापूर्वक उस क्षेत्र के ऊपर से उड़ा जहाँ लक्ष्य के होने की उम्मीद थी, और कैमरे ने उस व्यक्ति को कैप्चर कर लिया। लेखक नोट करते हैं कि हालांकि वास्तविक दुनिया का परीक्षण सफल रहा, लेकिन यह इस बात पर निर्भर था कि लक्ष्य बिल्कुल उसी तरह से चला जैसा कि अनुमान लगाया गया था। वास्तविक आपदा में, चीजें अधिक जटिल होती हैं, लेकिन इस परीक्षण ने सिद्ध कर दिया कि एल्गोरिदम ऐसे पथ बनाता है जिन्हें वास्तविक ड्रोन वास्तव में उड़ा सकते हैं।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि ड्रोन की भाषा (पोलर कोऑर्डिनेट्स) बोलकर और एक स्मार्ट, टीम-आधारित खोज रणनीति का उपयोग करके, हम खोज और बचाव कार्यों को अधिक प्रभावी बना सकते हैं। PDE एल्गोरिदम केवल एक पथ नहीं खोजता; यह एक व्यवहार्य (फीज़िबल) पथ खोजता है जो रिकवरी की संभावना को अधिकतम करते हुए ड्रोन की सीमाओं का सम्मान करता है। हालाँकि लेखक स्वीकार करते हैं कि बैटरी लाइफ के कारण एक अकेला ड्रोन केवल एक सीमित क्षेत्र को कवर कर सकता है, वे सुझाव देते हैं कि यह विधि भविष्य में मिलकर काम करने वाले ड्रोनों के बेड़े के लिए एक आधार बन सकती है। फिलहाल, यह हमारे उड़ने वाले रोबोटों को अधिक स्मार्ट, तेज़ और मददगार बनाने की दिशा में एक महत्वपूर्ण कदम है, जब हर सेकंड मायने रखता है।