RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

कल्पना कीजिए कि आप एक रोबोट को भूलभुलैया (maze) के माध्यम से मार्गदर्शन करने की कोशिश कर रहे हैं। रोबोटिक्स की दुनिया में, इसे "मोशन प्लानिंग" (motion planning) कहा जाता है। लंबे समय तक, इसे करने का सबसे स्मार्ट तरीका रोबोट की गति को एक सपाट बोर्ड पर चेकर (checkers) के खेल की तरह मानना था: आगे, पीछे या बगल में हर कदम के लिए ऊर्जा की लागत समान होती है, और सबसे छोटा रास्ता बस एक सीधी रेखा होता है। यह खाली कमरों में बहुत अच्छा काम करता है। लेकिन वास्तविक जीवन एक सपाट बोर्ड नहीं है। एक कई जोड़ों वाले रोबोटिक हाथ के बारे में सोचें: एक भारी कलाई को घुमाना आसान हो सकता है, लेकिन एक भारी कंधे को उठाना थका देने वाला हो सकता है। या कल्पना करें कि एक रोबोट दीवार के पास से गुजरने की कोशिश कर रहा है; दीवार के बहुत करीब होना खतरनाक है, इसलिए दीवार के पास होने की "लागत" (cost) अधिक होनी चाहिए।

समस्या यह है कि अधिकांश रोबोट मस्तिष्क अभी भी उसी पुराने "सपाट बोर्ड" वाले गणित का उपयोग करते हैं। वे यह नहीं समझते कि कुछ दिशाएं दूसरों की तुलना में कठिन हैं, या कुछ क्षेत्र अधिक खतरनाक हैं। यह पेपर एक नया तरीका पेश करता है जिसे RIT* (Riemannian Informed Trees) कहा जाता है। यह मानते हुए कि दुनिया सपाट और एकसमान है, इसके बजाय RIT* समझता है कि दुनिया "वक्र" (curved) और "लचीली" (stretchy) है, जो इस बात पर निर्भर करती है कि आप कहाँ हैं और किस दिशा में बढ़ रहे हैं। यह एक ऐसे मानचित्र (map) में स्विच करने जैसा है जो पहाड़ और घाटी को समान दूरी के रूप में नहीं देखता, बल्कि यह जानता है कि एक पहाड़ी पर चढ़ने में मैदान में चलने की तुलना में बहुत अधिक प्रयास लगता है। इस स्मार्ट गणित का उपयोग करके, रोबोट न केवल छोटे, बल्कि वास्तव में सबसे आसान और सुरक्षित रास्ते खोज सकता है।

समस्या: "फ्लैट मैप" की गलती

वर्षों से, सर्वश्रेष्ठ रोबोट प्लानर एक तकनीक का उपयोग करते आए हैं जिसे "इन्फॉर्म्ड सैंपलिंग" (informed sampling) कहा जाता है। एक बार जब रोबोट को बिंदु A से बिंदु B तक जाने का कोई भी रास्ता मिल जाता है, तो वह पूरी दुनिया को देखना बंद कर देता है और केवल उस पथ के आसपास एक विशिष्ट "खोज बुलबुले" (search bubble) के भीतर ही देखता है। इससे बेहतर रास्ता खोजना बहुत तेज़ हो जाता है।

हालाँकि, ये प्लानर अपने खोज बुलबुले को मानक, सपाट ज्यामिति (Euclidean distance) का उपयोग करके बनाते हैं। वे मानते हैं कि एक मीटर बाईं ओर जाने की लागत एक मीटर ऊपर जाने के समान है। लेकिन वास्तविक दुनिया में, विशेष रूप से कई चलते हुए हिस्सों वाले जटिल रोबोटों के लिए, यह गलत है।

• एनिसोट्रॉपी (Anisotropy) की समस्या: एक रोबोटिक हाथ की कल्पना करें। एक हल्के, तेज़ कलाई वाले जोड़ को हिलाना सस्ता है। एक भारी, धीमे कंधे वाले जोड़ को हिलाना महंगा है। एक सपाट मानचित्र उन्हें समान मानता है।
• बाधा (Obstacle) की समस्या: यदि कोई रोबोट दीवार से टकराता है, तो वह सीख जाता है कि वह क्षेत्र बुरा है। लेकिन मानक प्लानर स्वचालित रूप से यह नहीं सीखते कि वह क्षेत्र कितना बुरा है या भविष्य के प्रयासों में उससे कैसे बचा जाए, जब तक कि उन्हें पहले से ही हर बाधा के मानचित्र के साथ स्पष्ट रूप से प्रोग्राम न किया गया हो।

इस पेपर के लेखक तर्क देते हैं कि इन सपाट, पूर्व-निर्धारित नियमों पर निर्भर रहने से रोबोट अक्षम हो जाते हैं, विशेष रूप से उच्च-आयामी स्थानों (कई जोड़ों वाले रोबोट) में या उन वातावरणों में जहाँ "लागत" स्थान के आधार पर बदलती है।

समाधान: RIT* और "लचीला" मानचित्र

यह पेपर RIT* प्रस्तुत करता है, एक नया प्लानिंग फ्रेमवर्क जो सपाट गणित को रीमानियन ज्यामिति (Riemannian geometry) से बदल देता है। यदि आप रोबोट की दुनिया को एक रबर की चादर के रूप में देखते हैं, तो रीमानियन ज्यामिति उस चादर को खींचने और सिकोड़ने की अनुमति देती है।

• मानचित्र को खींचना (Stretching the Map): उन क्षेत्रों में जहाँ गति कठिन है (जैसे भारी हाथ उठाना), मानचित्र खिंच जाता है, जिससे वे क्षेत्र "दूर" और अधिक महंगे दिखाई देते हैं। आसान क्षेत्रों में, मानचित्र सिकुड़ जाता है।
• नया खोज बुलबुला: अपने खोज बुलबुले के लिए एक सटीक वृत्त या अंडाकार बनाने के बजाय, RIT* एक ऐसा आकार बनाता है जो इस "लचीले" मानचित्र में फिट बैठता है। यह केवल उन पथों पर अपना ध्यान केंद्रित करता है जो इस नए, वक्रीय मानचित्र पर वास्तव में सस्ते दिखते हैं।
• स्मार्ट कनेक्शन: जब रोबोट दो बिंदुओं को जोड़ने पर विचार करता है, तो वह केवल सीधी रेखा की जाँच नहीं करता है। यह एक "कैस्केडिंग" (cascading) फ़िल्टर का उपयोग करता है। यह पहले एक त्वरित, मोटा चेक करता है। यदि पथ महंगा दिखता है, तो यह उसे तुरंत हटा देता है। केवल आशाजनक पथों को ही विस्तृत गणना के लिए भेजा जाता है। इससे कंप्यूटर के समय की भारी बचत होती है।

गुप्त हथियार: CARM (टकराव से सीखना)

इस पेपर का सबसे रोमांचक हिस्सा एक फीचर है जिसे CARM (Collision-Adaptive Metric Refinement) कहा जाता है।

आमतौर पर, रोबोट को बाधाओं से बचाने के लिए इंजीनियरों को मैन्युअल रूप से एक "कॉस्ट फील्ड" (एक मानचित्र जो कहता है "यहाँ से दूर रहें") डिजाइन करना पड़ता है। लेकिन क्या होगा यदि रोबोट अभी तक मानचित्र को नहीं जानता है?

• सीखने की प्रक्रिया: CARM रोबोट को योजना बनाते दौरान मानचित्र सीखने की अनुमति देता है। हर बार जब रोबोट एक पथ आज़माता है और एक दीवार से टकराता है (collision), तो CARM इसे नोट करता है। यह कहता है, "ठीक है, वह स्थान खतरनाक है।"
• फीडबैक लूप: यह इन "टकरावों" (bumps) का उपयोग खतरे के हीट मैप को बनाने के लिए करता है। फिर यह उन स्थानों के पास जाने की लागत को बढ़ा देता है। अगली बार जब रोबोट योजना बनाता है, तो वह स्वाभाविक रूप से उन जगहों से दूर हट जाता है जहाँ वह पहले टकराया था।
• पूर्व ज्ञान की आवश्यकता नहीं: रोबोट को कमरे का सटीक मानचित्र शुरू करने के लिए इसकी आवश्यकता नहीं है। वह एक खाली स्लेट (या अपने जोड़ों के काम करने के बुनियादी विचार) के साथ शुरू कर सकता है और जैसे-जैसे वह आगे बढ़ता है, बाधाओं को सीख सकता है।

प्रयोगों ने क्या दिखाया

शोधकर्ताओं ने सरल 2-D भूलभुलैया से लेकर जटिल 14-आयामी रोबोटिक हाथों (जैसे कि दो-हाथों वाला रोबोट) तक, विभिन्न सिम्युलेटेड दुनिया में RIT* का परीक्षण किया।

• सरल दुनिया में: जब वातावरण एकसमान (कोई पेचीदा लागत नहीं) था, तो RIT* मौजूदा सर्वोत्तम तरीकों के समान ही प्रदर्शन करता था। इसने कुछ भी खराब नहीं किया; इसने बस प्रतिस्पर्धा का मुकाबला किया।
• जटिल दुनिया में: यहीं पर RIT* चमक उठा।
  • एक 3-D वातावरण में, जिसमें दिशा-निर्भर लागतें थीं, RIT* ने पिछले सर्वश्रेष्ठ तरीके (BIT*) की तुलना में 13.0% कम खर्चीले (अधिक कुशल) समाधान खोजे।
  • एक 6-D रोबोटिक आर्म कार्य में, इसने अंतिम पथ लागत में 9.0% का सुधार किया।
  • सबसे कठिन परीक्षण में, एक 14-D दो-हाथों वाले रोबोट में, सुधार बहुत बड़ा था: RIT* ने अन्य तरीकों की तुलना में 24.8% से 63.5% बेहतर पथ खोजे। इन उच्च-आयामी मामलों में, पुराने "फ्लैट मैप" तरीके वास्तव में फंस गए या खराब पथ खोजे, जबकि RIT* बेहतर होता गया।
• वास्तविक रोबोट परीक्षण: उन्होंने इसे एक वास्तविक UR10e रोबोटिक आर्म पर भी चलाया। रोबोट ने सफलतापूर्वक सुचारू, टकराव-मुक्त गतियों की योजना बनाई और उन्हें निष्पादित किया, जिससे सिद्ध हुआ कि यह गणित वास्तविक दुनिया में काम करता है, न कि केवल सिमुलेशन में।

निष्कर्ष

यह पेपर सिद्ध करता है कि रोबोट की दुनिया को एक कठोर, सपाट ग्रिड के बजाय एक लचीले, वक्रीय परिदृश्य के रूप में मानकर, हम बहुत बेहतर पथ खोज सकते हैं। RIT* केवल एक पथ नहीं खोजता; यह सबसे स्मार्ट पथ खोजता है क्योंकि यह समझता है कि कुछ चालें दूसरों की तुलना में कठिन हैं और यह खतरों से बचने के लिए अपने स्वयं के टकरावों (collisions) से सीखता है।

हालाँकि इस जटिल गणित को करने के लिए अधिक कंप्यूटर शक्ति की आवश्यकता होती है, लेकिन परिणाम दिखाते हैं कि जटिल रोबोटों और पेचीदा वातावरणों के लिए, यह अतिरिक्त प्रयास काफी बेहतर, सुरक्षित और अधिक कुशल गतिविधियों के रूप में सार्थक होता है। लेखक सुझाव देते हैं कि जैसे-जैसे रोबोट अधिक जटिल होते जाएंगे और अप्रत्याशित वातावरण में प्रवेश करेंगे, इस प्रकार की "वक्र मानचित्र" वाली सोच आवश्यक हो जाएगी।