💻 computer science

Courteous Anticipation: Improving Long-Lived Task Planning in Persistent Shared Environments

यह शोध पत्र "courteous anticipatory planning" (विनम्र पूर्वसूचक नियोजन) प्रस्तुत करता है, जो निरंतर साझा वातावरण वाले मल्टी-रोबोट सिस्टम के लिए एक मॉडल-आधारित दृष्टिकोण है, जो उन कार्यों का चयन करके दीर्घकालिक सामूहिक लागतों को न्यूनतम करता है जो तत्काल दक्षता और सभी रोबोटों के भविष्य के कार्यों पर अनुमानित प्रभाव के बीच संतुलन बनाए रखते हैं, जिससे मायोपिक (अल्पदृष्टि) और स्वार्थी नियोजन रणनीतियों की तुलना में महत्वपूर्ण लागत कटौती प्राप्त होती है।

मूल लेखक: Md Ridwan Hossain Talukder, Roshan Dhakal, Elizabeth Phillips, Gregory J. Stein

प्रकाशित 2026-07-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Md Ridwan Hossain Talukder, Roshan Dhakal, Elizabeth Phillips, Gregory J. Stein

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 एक ऐसी दुनिया की जहाँ रोबोट केवल शून्य में पहेलियाँ सुलझाने वाले अकेले भेड़िये नहीं हैं, बल्कि एक हलचल भरे, साझा घर में रहने वाले पड़ोसी हैं। यह मल्टी-रोबोट टास्क प्लानिंग (multi-robot task planning) का क्षेत्र है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ लक्ष्य केवल काम पूरा करना नहीं है, बल्कि अपने रूममेट के पैरों से टकराए बिना काम पूरा करना है। इस क्षेत्र में, बड़ी चुनौती "पर्सिस्टेंस" (persistence) है: हर कार्य के बाद वातावरण रीसेट नहीं होता है। यदि आप फर्श साफ करने के लिए एक कुर्सी हटाते हैं, तो वह कुर्सी अगली बार चलने वाले व्यक्ति के लिए वहीं रहती है। इस पेपर की मूल अवधारणा एंटीसिपेटरी प्लानिंग (anticipatory planning) पर आधारित है—यह सोचने की क्षमता कि, "यदि मैं अभी X करता हूँ, तो इससे भविष्य में मेरे लिए जीवन कितना कठिन या आसान हो जाएगा?" लेकिन यह पेपर एक गहरा सवाल पूछता है: क्या होगा यदि आपका "बाद में" केवल आपके बारे में नहीं, बल्कि घर के अन्य सभी लोगों के बारे में भी हो? यह एक अच्छा प्लानर होने और एक अच्छा पड़ोसी होने के बीच का अंतर है।

समस्या: वह स्वार्थी रोबोट जो दरवाज़ा ब्लॉक कर देता है

एक साझा रसोई की कल्पना करें जिसमें तीन रोबोट हैं: एक लंबा, हीट-प्रूफ कुक (Cook), एक सर्वर (Server) जो ऊँची अलमारियों तक पहुँच सकता है, और एक छोटा क्लीनर (Cleaner) जो बर्तन धो सकता है लेकिन चूल्हे तक नहीं पहुँच सकता। वे बारी-बारी से काम लेते हैं।

एक मानक, "मायोपिक" (अल्पदृष्टि वाले/स्वार्थी) संसार में, कुक को पास्ता बनाने का काम मिलता है। चूल्हा खाली करने के लिए, कुक एक गंदा कटोरा उठाता है और उसे ऊँचे काउंटर पर रख देता है। समस्या हल! कुक खुश है। लेकिन फिर, सर्वर को पास्ता परोसने का काम मिलता है। सर्वर काउंटर तक पहुँचने की कोशिश करता है, लेकिन गंदा कटोरा रास्ता रोक रहा है। सर्वर फंस गया है। बाद में, क्लीनर को वह कटोरा धोने की आवश्यकता होती है। चूंकि क्लीनर छोटा है, वह ऊँचे काउंटर तक नहीं पहुँच सकता। क्लीनर को मदद के लिए बुलाना पड़ता है, या सर्वर को कटोरे को हटाने के लिए एक लंबा, कठिन रास्ता अपनाना पड़ता है। पूरी टीम की दक्षता गिर जाती है क्योंकि कुक ने आगे की नहीं सोची।

यह तब होता है जब रोबोट "स्वार्थी" या "मायोपिक" होते हैं। वे अपने तत्काल कार्य को पूरी तरह से हल करते हैं लेकिन एक ऐसा कचरा छोड़ देते हैं जो दूसरों के भविष्य के कार्यों को कठिन बना देता है। भले ही एक रोबोट "एंटीसिपेटरी" (अपने भविष्य के बारे में सोचने वाला) होने की कोशिश करे, फिर भी वह दूसरों के लिए अव्यवस्था छोड़ सकता है यदि वह केवल अपने बारे में सोचता है। पेपर इसे सेल्फिश एंटीसिपेशन (selfish anticipation) कहता है।

समाधान: कोर्टियस एंटीसिपेशन (Courteous Anticipation - शिष्ट पूर्व अनुमान)

लेखक एक नया तरीका प्रस्तावित करते हैं जिसे कोर्टियस एंटीसिपेशन कहा जाता है। केवल यह पूछने के बजाय कि, "मेरे कार्य को पूरा करने का सबसे तेज़ तरीका क्या है?" रोबोट पूछता है, "मेरा कार्य पूरा करने का सबसे अच्छा तरीका क्या है जिससे सभी अन्य लोगों के लिए भी घर की स्थिति अच्छी बनी रहे?"

हमारे किचन के उदाहरण में, एक कोर्टियस (शिष्ट) कुक अभी भी चूल्हा खाली करेगा, लेकिन गंदे कटोरे को ऊँचे काउंटर पर डालने के बजाय, वह उसे सीधे सिंक के पास रखेगा। क्यों? क्योंकि क्लीनर सिंक तक आसानी से पहुँच सकता है ताकि उसे धो सके, और सर्वर को उसके ऊपर से चढ़कर जाने की ज़रूरत नहीं होगी। कुक को कटोरे को सिंक तक ले जाने में थोड़ा अधिक प्रयास करना पड़ सकता है, लेकिन यह पूरी टीम का बहुत सारा समय और परेशानी बचा लेता है।

उन्होंने इसे कैसे काम किया (जादुई ट्रिक)

आप सोच सकते हैं, "लेकिन रोबोट को कैसे पता चलेगा कि दूसरे रोबोटों को क्या चाहिए होगा?" यदि रोबोट हर दूसरे रोबोट के लिए हर संभावित भविष्य के परिदृश्य का अनुकरण (simulate) करने की कोशिश करता है, तो गणित इतना बड़ा और जटिल हो जाता है कि कंप्यूटर क्रैश हो जाता है। यह एक साथ तीन अलग-अलग खिलाड़ियों के लिए शतरंज के खेल की हर संभव चाल की भविष्यवाणी करने जैसा है।

लेखकों की चतुर ट्रिक समस्या को विभाजित करना है। एक विशाल मस्तिष्क द्वारा सब कुछ अनुमान लगाने के बजाय, वे प्रत्येक रोबोट के लिए एक छोटा, अलग "एस्टिमेटर" (estimator) प्रशिक्षित करते हैं।

कुक का एस्टिमेटर सीखता है कि यदि कुक चीजों को कुछ खास जगहों पर छोड़ देता है तो क्या होता है।
क्लीनर का एस्टिमेटर सीखता है कि यदि चीजें कुछ खास जगहों पर छोड़ी जाती हैं तो क्लीनर के लिए काम करना कितना कठिन होता है।

जब कुक किसी चाल की योजना बना रहा होता है, तो वह इन सभी छोटे एस्टिमेटर्स से पूछता है: "यदि मैं कटोरा यहाँ छोड़ दूँ, तो इससे सर्वर को कितनी परेशानी होगी? क्लीनर को कितनी परेशानी होगी?" वह उन सभी "परेशानी स्कोर" को जोड़ता है और उस योजना को चुनता है जो पूरी टीम के लिए कुल परेशानी को कम करती है। सबसे अच्छी बात? यदि आप बाद में घर में एक नया रोबोट जोड़ते हैं, तो आपको बस उस एक नए रोबोट के एस्टिमेटर को प्रशिक्षित करना होता है। आपको पूरे सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। यह एक बोर्ड गेम में नए खिलाड़ी को जोड़ने जैसा है; आप बस उन्हें नियम पुस्तिका दे देते हैं, और बाकी सब उसी तरह खेलना जारी रखते हैं।

उन्होंने क्या पाया

शोधकर्ताओं ने इस विचार का परीक्षण दो सिम्युलेटेड दुनिया में किया: एक होम (Home) जहाँ दो रोबोट हैं जो समान चीजें कर सकते हैं लेकिन उनके काम अलग हैं, और एक रेस्टोरेंट (Restaurant) जहाँ तीन रोबोट हैं जिनके पास बहुत अलग शारीरिक क्षमताएं (जैसे ऊंचाई और ताप प्रतिरोध) हैं।

होम सेटिंग में, जहाँ रोबोट मूल रूप से अलग-अलग कामों वाले जुड़वां भाई-बहन थे, कोर्टियस दृष्टिकोण ने शॉर्ट-साइटेड रोबोटों की तुलना में कुल लागत (समय और प्रयास) को 10.43% कम किया और स्वार्थी-लेकिन-एंटीसिपेटरी रोबोटों की तुलना में 4.03% कम किया।

रेस्टोरेंट सेटिंग में, जहाँ रोबोटों के पास विशिष्ट सुपरपावर्स और कमजोरियां थीं, अंतर और भी बड़ा था। कोर्टियस प्लानर ने मायोपिक रोबोटों की तुलना में लागत को 17.41% कम किया और स्वार्थी रोबोटों की तुलना में 13.24% कम किया।

पेपर ने यह भी दिखाया कि यह "कर्टसी" (शिष्टाचार) सक्रिय व्यवहार की ओर ले जाती है। एक प्रयोग में, एक क्लीनर रोबोट जिसे कोई काम नहीं सौंपा गया था, उसने अपने खाली समय का उपयोग सिंक में गंदे बर्तन धोने के लिए किया, सिर्फ इसलिए क्योंकि वह जानता था कि बाद में कुक को साफ सिंक की आवश्यकता होगी। एक स्वार्थी रोबोट बस वहां कुछ न करते हुए बैठा रहता।

मुख्य निष्कर्ष

यह पेपर सुझाव देता है कि वास्तविक दुनिया में प्रभावी ढंग से काम करने के लिए रोबोट्स को केवल कुशल ही नहीं, बल्कि विनम्र भी होना चाहिए। एक स्मार्ट, मॉड्यूलर सिस्टम का उपयोग करके जो यह भविष्यवाणी करता है कि उनके कार्य उनके पड़ोसियों को कैसे प्रभावित करते हैं, रोबोट एक-दूसरे के लिए "ट्रैफिक जाम" पैदा करने से बच सकते हैं। इन सिमुलेशन में मापे गए परिणाम दिखाते हैं कि एक अच्छा पड़ोसी बनना न केवल अच्छा लगता है—बल्कि यह वास्तव में काफी समय और ऊर्जा बचाता है, विशेष रूपकर जब टीम के सदस्यों के पास अलग-अलग कौशल और सीमाएं होती हैं।

तकनीकी सारांश: निरंतर साझा परिवेशों में विनम्र प्रत्याशा (Courteous Anticipation)

समस्या विवरण

यह शोध पत्र कई रोबोटों द्वारा एक निरंतर, साझा परिवेश में संचालित होने वाले दीर्घकालिक कार्य नियोजन (task planning) की चुनौती को संबोधित करता है। इस सेटिंग में, रोबोटों को एक होल्ड-आउट अनुक्रम से क्रमिक रूप से कार्य सौंपे जाते हैं, जहाँ एक कार्य की अंतिम अवस्था (terminal state) अगले कार्य की प्रारंभिक अवस्था बन जाती है।

मानक कार्य योजनाकार (task planners) "अल्पदृष्टि" (myopic) होते हैं, जो केवल वर्तमान कार्य को पूरा करने की तत्काल लागत को कम करने पर ध्यान केंद्रित करते हैं और भविष्य के बारे में विचार नहीं करते हैं। इससे "स्वार्थी" व्यवहार उत्पन्न होता है जहाँ एक रोबोट परिवेश को ऐसी अंतिम अवस्था में छोड़ देता है जो भविष्य के कार्यों के लिए स्वयं के लिए या अन्य रोबोटों के लिए निष्पादन लागत को बढ़ा देता है। लेखक पहचानते हैं कि जिन परिवेशों में रोबोटों की विशिष्ट क्षमताएं (जैसे ऊंचाई, ताप प्रतिरोध, विशेष उपकरण) और विशिष्ट जिम्मेदारियां होती हैं, वहां ये नकारात्मक प्रभाव समय के साथ और अधिक जटिल हो जाते हैं। एक रोबोट किसी वस्तु को ऐसी जगह रख सकता है जो उसके साथी के लिए अगम्य हो या ऐसी स्थिति में हो जिसे उसका साथी हल नहीं कर सकता, जिससे बाद में महंगे हस्तक्षेपों (जैसे "सहायता" क्रियाएं) या लंबे रास्तों की आवश्यकता पड़ती है।

मौजूदा प्रत्याशात्मक नियोजन विधियाँ [11]–[13] एक रोबोट के अपने भविष्य के कार्यों पर विचार करके अल्पदृष्टि नियोजन में सुधार करती हैं, लेकिन वे बहु-रोबोट संदर्भों में "स्वार्थी" बनी रहती हैं, क्योंकि वे इस बात पर ध्यान नहीं देतीं कि वर्तमान क्रियाएं अन्य एजेंटों के बाधाओं और क्षमताओं को कैसे प्रभावित करती हैं।

कार्यप्रणाली: विनम्र प्रत्याशात्मक नियोजन (Courteous Anticipatory Planning)

लेखक विनम्र प्रत्याशात्मक नियोजन का प्रस्ताव करते हैं, जो एक मॉडल-आधारित दृष्टिकोण है जो वर्तमान कार्य की तत्काल लागत और साझा परिवेश में सभी रोबोटों के लिए एकत्रित अपेक्षित भविष्य की लागत को संयुक्त रूप से कम करके योजनाओं का चयन करता है।

1. उद्देश्य फलन (Objective Function)

मानक एकल-रोबोट प्रत्याशात्मक नियोजन के विपरीत जो $V_{sg}(s_0) + \sum P(\tau')V_{\tau'}(s_g)$ (समीकरण 2) को कम करता है, प्रस्तावित उद्देश्य (समीकरण 3) सभी साझा रोबोटों $R$ के लिए प्रत्याशात्मक लागतों को एकत्रित करता है:
$s^*_g = \arg\min_{s'_g \in G_\tau} \left[ V^*_{s'_g}(s_0) + \sum_{r \in R} V^r_{A.P.}(s'_g) \right]$
यहाँ, $V^r_{A.P.}(s'_g)$ वर्तमान योजना की अंतिम अवस्था $s'_g$ से शुरू होकर, अपनी विशिष्ट जिम्मेदारियों से प्राप्त अगले कार्य को पूरा करने के लिए रोबोट $r$ की अपेक्षित लागत का प्रतिनिधित्व करता है।

2. फैक्टर्ड फॉर्मूलेशन और एस्टिमेटर्स (Factored Formulation and Estimators)

सभी रोबोटों के लिए संभावित भविष्य के कार्य अनुक्रमों की गणना करना एक कॉम्बिनेटोरियल स्पेस है जो कम्प्यूटेशनल रूप से अव्यवहार्य है। इसे हल करने के लिए, लेखक समस्या को स्वतंत्र प्रति-रोबोट एस्टिमेटर्स में विभाजित करते हैं:

लर्निंग-ऑगमेंटेड एस्टिमेशन: प्रत्येक रोबोट $r$ के लिए, $V^r_{A.P.}(s'_g)$ का अनुमान लगाने के लिए स्वतंत्र रूप से एक ग्राफ न्यूरल नेटवर्क (GNN) को प्रशिक्षित किया जाता है।
प्रशिक्षण डेटा: GNN को एक मानक योजनाकार (FastDownward के साथ FF-A*) का उपयोग करके एक रोबोट की जिम्मेदारी वितरण से कार्य हल करने से उत्पन्न डेटा का उपयोग करके ऑफलाइन प्रशिक्षित किया जाता है। इनपुट परिवेश की स्थिति का प्रतिनिधित्व करने वाला एक स्पार्स सीन ग्राफ है।
मॉड्यूलरिटी: चूंकि एस्टिमेटर्स को स्वतंत्र रूप से एक एकल रोबोट के संरचनात्मक बाधाओं और जिम्मेदारियों पर प्रशिक्षित किया जाता है, इसलिए सिस्टम में एक नया रोबोट जोड़ने के लिए केवल उस विशिष्ट रोबोट के एस्टिमेटर को प्रशिक्षित करने की आवश्यकता होती है। मौजूदा एस्टिमेटर्स या संयुक्त रोलआउट के पुन: प्रशिक्षण की आवश्यकता नहीं होती है।

3. नियोजन एल्गोरिदम (Planning Algorithm)

योजनाकार (एल्गोरिदम 1) इस प्रकार कार्य करता है:

उम्मीदवार पीढ़ी (Candidate Generation): एक "फोकस्ड सैंपलिंग" प्रक्रिया का उपयोग करके, योजनाकार विविध उम्मीदवार योजनाएं उत्पन्न करता है जो वर्तमान कार्य को संतुष्ट करती हैं। इसमें संरचनात्मक रूप से भिन्न योजनाएं बनाने के लिए कार्यों को प्लेसमेंट प्रेडिकेट्स के साथ जोड़ना शामिल है (जैसे, गंदे कटोरे को काउंटर बनाम सिंक पर रखना)।
लागत मूल्यांकन: प्रत्येक उम्मीदवार योजना के लिए, योजनाकार सभी प्रति-रोबोट GNN एस्टिमेटर्स से क्वेरी करता है ताकि अपेक्षित भविष्य की लागत प्राप्त की जा सके।
चयन: वह योजना चुनी जाती है जिसमें तत्काल लागत और एकत्रित भविष्य की लागत का योग न्यूनतम होता है।

मुख्य योगदान

नियोजन बाधा की पहचान: यह शोध पत्र रेखांकित करता है कि मानक कार्य नियोजन में "विनम्रता" (courtesy) का अभाव नकारात्मक प्रभाव पैदा करता है जो निरंतर साझा परिवेशों में संचयी लागत को बढ़ाता है, और यह समस्या विषम रोबोट क्षमताओं के कारण और भी बढ़ जाती है।
विनम्र प्रत्याशा ढांचा: एक नियोजन उद्देश्य का परिचय जो तत्काल लागत और सभी एजेंटों के लिए एकत्रित अपेक्षित भविष्य की लागत को कम करता है। यह स्वतंत्र प्रति-रोबोट एस्टिमेटर्स का उपयोग करके एक फैक्टर्ड फॉर्मूलेशन के माध्यम से प्राप्त किया जाता है, जिससे जटिल संयुक्त रोलआउट से बचा जा सकता है।
मॉड्यूलर परिनियोजन: यह दृष्टिकोण मॉड्यूलर परिनियोजन का समर्थन करता है जहाँ रोबोटों को जोड़ने या हटाने के लिए केवल उस विशिष्ट रोबोट के एस्टिमेटर को प्रशिक्षित करने की आवश्यकता होती है, पूरे सिस्टम को पुन: प्रशिक्षित करने की नहीं।
जटिल डोमेन में मूल्यांकन: लेखकों ने दो PDDL-आधारित डोमेन में अपने तरीके का मूल्यांकन किया:
- होम एनवायरनमेंट (घर का परिवेश): समान क्षमताओं वाले दो रोबोट लेकिन अलग-अलग जिम्मेदारियां।
- रेस्टोरेंट एनवायरनमेंट (रेस्तरां परिवेश): तीन रोबोट जिनकी विशिष्ट भौतिक क्षमताएं (जैसे, एक लंबा ताप-प्रतिरोधी कुक, एक सर्वर और एक क्लीनर) और अलग-अलग जिम्मेदारियां हैं।

प्रयोगात्मक परिणाम

इस पद्धति का मूल्यांकन लंबी कार्य श्रृंखलाओं (होम सेटिंग में 20 कार्य; रेस्टोरेंट सेटिंग में प्रति रोबोट 10 कार्य) पर दो बेसलाइन के विरुद्ध किया गया:

मायोपिक (Myopic): शास्त्रीय नियोजन (FastDownward) जो केवल तत्काल लागत को कम करता है।
सेल्फिश एंटीसिपेटरी (Selfish Anticipatory): नियोजन जो केवल कार्य करने वाले रोबोट के भविष्य के कार्यों पर विचार करता है।

मात्रात्मक सुधार:

होम एनवायरनमेंट (2 रोबोट): विनम्र नियोजन ने मायोपिक की तुलना में कुल लागत में 10.43% और सेल्फिश एंटीसिपेटरी की तुलना में 4.03% की कमी की।
रेस्टोरेंट एनवायरनमेंट (3 रोबोट): विनम्र नियोजन ने मायोपिक की तुलना में कुल लागत में 17.41% और सेल्फिश एंटीसिपेटरी की तुलना में 13.24% की कमी की।
मॉड्यूलरिटी सत्यापन: 2-रोबोट सेटिंग्स में प्रशिक्षित एस्टिमेटर्स को बिना पुन: प्रशिक्षण के 3-रोबोट सेटिंग्स में सफलतापूर्वक पुन: उपयोग किया गया, जो इस दृष्टिकोण की प्लग-एंड-प्ले प्रकृति की पुष्टि करता है।
प्रोएक्टिविटी (Proactivity): एक परिदृश्य में जहाँ एक "क्लीनर" रोबोट को डाउनटाइम के दौरान कार्य करने के लिए समय बजट दिया गया था (बिना किसी स्पष्ट कार्य के), विनम्र दृष्टिकोण ने बर्तनों को प्रोएक्टिवली साफ करने की अनुमति दी, जिससे एक ऐसे बेसलाइन की तुलना में कुल सिस्टम लागत में 31.4% की कमी आई जहाँ निष्क्रिय रोबोट कोई कार्रवाई नहीं करता था।

महत्व और दावे

यह शोध पत्र दावा करता है कि साझा परिवेशों में प्रभावी क्रमिक कार्य नियोजन के लिए विनम्र प्रत्याशा आवश्यक है। लेखक तर्क देते हैं कि मानक नियोजन इन संदर्भों में विफल रहता है क्योंकि यह अन्य एजेंटों की "भौतिक बाधाओं" और "जिम्मेदारियों" की अनदेखी करता है।

इस कार्य का महत्व यह प्रदर्शित करने में निहित है कि:

विषमता मूल्य को बढ़ाती है (Heterogeneity Amplifies Value): विनम्र नियोजन के लाभ तब काफी बढ़ जाते हैं जब रोबोटों की विशिष्ट क्षमताएं होती हैं (जैसे, रेस्टोरेंट सेटिंग), क्योंकि एक रोबोट की क्रिया सीधे दूसरे की कार्य करने की क्षमता को सक्षम या बाधित कर सकती है।
फैक्टरिंग के माध्यम से स्केलेबिलिटी: संयुक्त लागत अनुमान को स्वतंत्र प्रति-रोबोट मॉडल में विभाजित करके, यह दृष्टिकोण कम्प्यूटेशनल रूप से व्यवहार्य और स्केलेबल बना रहता है, जिससे जटिल संयुक्त नीति शिक्षण या व्यापक रोलआउट की कठिनाई से बचा जा जा सकता है।
व्यवहार परिवर्तन: यह दृष्टिकोण ऐसे व्यवहार प्रेरित करता है जहाँ रोबोट सक्रिय रूप से अपने साथियों पर अपनी क्रियाओं के डाउनस्ट्रीम प्रभाव पर विचार करते हैं (उदाहरण के लिए, गंदे पैन को चूल्हे पर रखने के बजाय एक कार्ट पर रखना जो क्लीनर के लिए सुलभ हो), जिससे महंगे "हेल्प" हस्तक्षेपों की आवश्यकता कम हो जाती है।

लेखक सीमाओं को स्वीकार करते हुए नोट करते हैं कि वर्तमान ढांचा यह मान लेता है कि कार्य क्रमिक रूप से आते हैं और यह अभी तक समवर्ती निष्पादन (concurrent execution) या अन्य एजेंटों द्वारा किए गए वास्तविक समय के पर्यावरणीय परिवर्तनों को नहीं संभालता है। भविष्य के कार्य को इसे समवर्ती सेटिंग्स तक विस्तारित करने का प्रस्ताव दिया गया है।