तकनीकी सारांश: मानव-रोबोट टीमों के लिए साझा स्वायत्तता हेतु सिद्धांत-आधारित अधिकार स्विचिंग (Authority Switching)

समस्या विवरण

साइबर-फिजिकल सिस्टम (CPS) में साझा स्वायत्तता (Shared Autonomy) के लिए ऐसे तंत्रों की आवश्यकता होती है जो मानव और स्वायत्त एजेंटों के बीच नियंत्रण को गतिशील रूप से आवंटित कर सकें। मौजूदा दृष्टिकोण अक्सर नियंत्रण इनपुट के मिश्रण या ह्यूरिस्टिक (heuristic) स्विचिंग नियमों पर निर्भर करते हैं। ये विधियाँ सैद्धांतिक गारन्टी (theoretical guarantees) की कमी, सटीक इरादा अनुमान (intent prediction) पर निर्भरता, और मानव ऑपरेटरों पर निरंतर संज्ञानात्मक बोझ (निरंतर इनपुट की आवश्यकता) डालने से ग्रस्त हैं। इसके अलावा, वे अक्सर मानव के वास्तविक हस्तक्षेप की संभावना (override propensity) को ध्यान में रखने में विफल रहते हैं, जिससे स्वायत्त ड्राइविंग और टेलीऑपरेशन जैसे सुरक्षा-महत्वपूर्ण डोमेन में उप-इष्टतम समन्वय (suboptimal coordination) होता है।

मुख्य चुनौती यह है कि अधिकार स्विचिंग (authority switching) को एक सहकारी, टीम-इष्टतम निर्णय समस्या के रूप में कैसे तैयार किया जाए, जो केवल 'एड हॉक' (ad hoc) नियमों पर निर्भर रहने के बजाय मानव की ओवरराइड क्षमता और स्विचिंग से जुड़े लागतों को स्पष्ट रूप से मॉडल करती हो।

कार्यप्रणाली: फ्लिप-टीम (Flip-Team) फ्रेमवर्क

लेखक Flip-Team का प्रस्ताव करते हैं, जो एक सहकारी ढांचे के रूप में अधिकार स्विचिंग को एक समान-हित वाले गतिशील खेल (identical-interest dynamic game) के रूप में मॉडल करता है। सिस्टम "ह्यूमन-ऑन-द-लूप" प्रतिमान के तहत कार्य करता है, जहाँ स्वायत्त प्रणाली स्वतंत्र रूप से संचालित होती है, और मानव के पास पर्यवेक्षी ओवरराइड अधिकार बना रहता है।

1. सिस्टम डायनेमिक्स और स्टेट

सिस्टम को एक डिस्क्रीट-टाइम डायनेमिकल सिस्टम के रूप में मॉडल किया गया है जहाँ समय $k$ पर नियंत्रण अधिकार को एक FlipDyn स्टेट $\alpha_k \in \{H, A\}$ (मानव या स्वायत्त) द्वारा दर्शाया जाता है।

• मानव नियंत्रण: $x_{k+1} = F^H_k(x_k, u_k)$
• स्वायत्त नियंत्रण: $x_{k+1} = F^A_k(x_k, w_k)$
• टेकओवर क्रियाएं: एजेंट क्रियाएं $\pi^j_k \in \{0, 1\}$ (इडल या टेकओवर अनुरोध) लेते हैं।
• ट्रांजिशन लॉजिक: ट्रांजिशन परस्पर अनन्य (mutually exclusive) हैं। महत्वपूर्ण रूप से, जब स्वायत्त एजेंट नियंत्रण में होता है, तो यदि स्वायत्त एजेंट हैंडऑफ (handoff) का अनुरोध नहीं करता है, तो मानव ओवरराइड का प्रयास प्रायिकता $p_k$ (मानव की ओवरराइड प्रोपेंसिटी) के साथ सफल होता है। यदि स्वायत्त एजेंट हैंडऑफ का अनुरोध करता है, तो ट्रांजिशन नियत (deterministic) होता है।

2. लागत संरचना (Cost Structure)

उद्देश्य एक परिमित क्षितिज (finite horizon) $L$ पर कुल लागत फलन $J$ को कम करना है:
$$J = g_{L+1}(x_{L+1}, \alpha_{L+1}) + \sum_{t=1}^{L} \left( g_t(x_t, \alpha_t) + \pi^H_t h_t(x_t) + \pi^A_t a_t(x_t) \right)$$

• स्टेट कॉस्ट ($g_t$): यह प्रदर्शन मेट्रिक्स (जैसे ट्रैकिंग एरर, ऊर्जा) का प्रतिनिधित्व करता है, जो मानव और स्वायत्त नियंत्रण के बीच भिन्न होते हैं ($g^H_t \neq g^A_t$)।
• स्विचिंग कॉस्ट ($h_t, a_t$): ये मानव और स्वायत्त एजेंट के लिए संज्ञानात्मक भार (cognitive load), अटेंशन स्विचिंग, या ट्रांजिशन जोखिम का प्रतिनिधित्व करते हैं।

3. इष्टतम स्विचिंग पॉलिसी (लीनियर-क्वाड्रेटिक मामला)

लीनियर डायनेमिक्स और क्वाड्रेटिक कॉस्ट (LQ सिस्टम) के लिए, लेखक डायनेमिक प्रोग्रामिंग का उपयोग करके क्लोज्ड-फॉर्म समाधान प्राप्त करते हैं।

• वैल्यू फंक्शन्स: कॉस्ट-टू-गो को क्वाड्रेटिक वैल्यू फंक्शन्स $V^H_k(x) = x^\top P^H_k x$ और $V^A_k(x) = x^\top P^A_k x$ द्वारा दर्शाया गया है।
• रिकर्सन: मैट्रिसेस $P^H_k$ और $P^A_k$ को बैकवर्ड रिकर्सन के माध्यम से गणना किया जाता है।
• थ्योरम 1 (स्विचिंग स्थितियां): इष्टतम नीति मानव बनाम स्वायत्त नियंत्रण के सापेक्ष लागत लाभ (जिसे $\tilde{P}_{k+1}$ द्वारा मात्रात्मक रूप से दर्शाया गया है) की तुलना स्विचिंग लागतों और ओवरराइड प्रायिकता $p_k$ से करके निर्धारित की जाती है।
  • जब मानव नियंत्रण में होता है: नियंत्रण बनाए रखता है यदि मानव नियंत्रण का लागत लाभ प्लस स्विचिंग लागत अनुकूल हो; अन्यथा, स्वायत्तता की ओर एक समन्वित हैंडऑफ होता है।
  • जब स्वायत्त नियंत्रण में होता है: $p_k$ के आधार पर तीन शासन (regimes) उभरते हैं:
    1. रिटेन (Retain): यदि मानव नियंत्रण का लागत लाभ $p_k$ के सापेक्ष अपर्याप्त है।
    2. ओवरराइड (Override): यदि लागत लाभ महत्वपूर्ण है और $p_k$ पर्याप्त रूप से उच्च है, तो मानव एकतरफा नियंत्रण ले लेता है।
    3. समन्वित हैंडऑफ (Coordinated Handoff): यदि लागत लाभ बड़ा है, तो दोनों एजेंट नियंत्रण हस्तांतरण के लिए सहमत होते हैं।

4. ओवरराइड थ्रेशोल्ड और अनुमान

• थ्योरम 2 (क्रिटिकल थ्रेशोल्ड): यह पेपर एक क्रिटिकल थ्रेशोल्ड $p^*_k(x)$ व्युत्पन्न करता है जो यह निर्धारित करता है कि मानव हस्तक्षेप कब लागत-प्रभावी है। आइसोट्रोपिक स्विचिंग लागतों के लिए, यह एक स्टेट-स्वतंत्र अनुपात में सरल हो जाता है: $p^* = h / (h + a)$।
  • यदि मानव की वास्तविक प्रोपेंसिटी $p_k < p^*$ है, तो हस्तक्षेप संभवतः लागत-प्रभावी नहीं है।
  • यदि $p_k > p^*$ है, तो हस्तक्षेप उचित है।
• ऑनलाइन अनुमान: चूंकि $p_k$ व्यवहार में अज्ञात है, लेखक एक ऑनलाइन अनुमान विधि प्रस्तावित करते हैं। इसमें एपिसोड के दौरान विशिष्ट स्थितियों (स्वायत्त नियंत्रण, कोई हैंडऑफ अनुरोध नहीं) के दौरान मानव ओवरराइड की आवृत्ति को ट्रैक करना या अनुकूल रूप से $\hat{p}_k$ का अनुमान लगाने के लिए एपिसोड के भीतर एक्सपोनेंशियल स्मूथिंग का उपयोग करना शामिल है।

मुख्य योगदान

1. सिद्धांत-आधारित स्विचिंग फ्रेमवर्क: विषम लागतों और मानव ओवरराइड क्षमता के साथ एक सहकारी खेल के रूप में अधिकार स्विचिंग का निरूपण, जो बिना ह्यूरिस्टिक ट्यूनिंग के इष्टतम नीतियां प्रदान करता है।
2. ओवरराइड थ्रेशोल्ड का व्युत्पत्ति: एक क्रिटिकल थ्रेशोल्ड $p^*_k$ का व्युत्पत्ति जो यह निर्धारित करता है कि मानव टेकओवर कब लागत-प्रभावी है, जो व्याख्या योग्य डिज़ाइन दिशानिर्देश प्रदान करता है।
3. क्लोज्ड-फॉर्म समाधान: लीनियर-क्वाड्रेटिक सिस्टम के लिए, क्लोज्ड-फॉर्म स्विचिंग स्थितियों और वैल्यू फंक्शन रिकर्सन का व्युत्पत्ति जो निरंतर स्टेट डायमेंशन से स्वतंत्र कुशल गणना को सक्षम बनाता है।
4. अनुकूली अनुमान (Adaptive Estimation): देखे गए हस्तक्षेपों से ओवरराइड प्रोपेंसिटी का ऑनलाइन अनुमान लगाने के लिए एक प्रस्तावित विधि, जो पूर्व अंशांकन (calibration) के बिना अनुकूलित स्विचिंग को सक्षम बनाती है।

मूल्यांकन और परिणाम

फ्रेमवर्क का मूल्यांकन 30 स्टेप्स के क्षितिज के साथ एक 1D क्वाड्रोटर ऊंचाई विनियमन कार्य (डबल इंटीग्रेटर डायनेमिक्स) पर किया गया।

• बेसलाइन्स: फ्लिप-टीम पॉलिसी की तुलना निम्नलिखित से की गई:
  1. हमेशा-स्वायत्त (Always-autonomous)।
  2. हमेशा-मानव (Always-human)।
  3. एक प्रदर्शन-थ्रेशोल्ड ह्यूरिस्टिक (केवल ट्रैकिंग एरर के आधार पर स्विचिंग)।
• मेट्रिक्स: कुल लागत, स्विच की संख्या, और मानव नियंत्रण के तहत समय का प्रतिशत।
• परिणाम:
  • Flip-Team ने सबसे कम कुल लागत (40.5) प्राप्त की, जिसने हमेशा-मानव बेसलाइन (43.2) को 6% और हमेशा-स्वायत्त बेसलाइन (45.6) को 11% से पीछे छोड़ दिया।
  • प्रदर्शन-थ्रेशोल्ड बेसलाइन ने उच्चतम लागत (55.3) दर्ज की, जो यह दर्शाता है कि प्रोपेंसिटी या स्विचिंग लागतों पर विचार किए बिना केवल एरर पर आधारित रिएक्टिव स्विचिंग प्रदर्शन को खराब करती है।
  • फ्लिप-टीम ने औसतन केवल 1.8 अधिकार स्विच के साथ ये परिणाम प्राप्त किए, और मानव 56% समय नियंत्रण में रहा।
  • इष्टतम नीति ने उन चरणों का सफलतापूर्वक पूर्वानुमान लगाया जहाँ मानव हस्तक्षेप (उच्च $p_k$) और लाभकारी (लागत लाभ) दोनों था, जिससे अनावश्यक स्विचिंग से बचा जा सका।

महत्व और दावे

यह पेपर दावा करता है कि फ्लिप-टीम साझा स्वायत्तता के लिए एक सिद्धांत-आधारित तंत्र प्रदान करता है जो मानव अनुकूलन क्षमता और स्वायत्त दक्षता के बीच संतुलन बनाता है। मानव ओवरराइड प्रोपेंसिटी और स्विचिंग लागतों को स्पष्ट रूप से मॉडल करके, यह ढांचा उन ह्यूरिस्टिक नियमों की खामियों से बचता है जो या तो मानव पर अत्यधिक बोझ डालते हैं या आवश्यक होने पर हस्तक्षेप करने में विफल रहते हैं।

लेखक व्युत्पन्न क्रिटिकल थ्रेशोल्ड के माध्यम से कार्रवाई योग्य डिज़ाइन दिशानिर्देशों पर जोर देते हैं:

• डिज़ाइनर स्विचिंग लागतों ($H_k, A_k$) को ट्यून करके एंगेजमेंट लैंडस्केप को आकार दे सकते हैं।
• अभ्यासी (practitioners) मानव की प्रोपेंसिटी को मॉड्युलेट कर सकते हैं (अलर्ट या ट्रस्ट कैलिब्रेशन के माध्यम से) ताकि यह सुनिश्चित हो सके कि जब हस्तक्षेप की आवश्यकता हो तो यह क्रिटिकल थ्रेशोल्ड से ऊपर रहे।

वर्तमान दायरे में यह कार्य सीमित है, यह नोट करते हुए कि मूल्यांकन एक सिम्युलेटेड मानव मॉडल और एक हैंड-क्राफ्टेड प्रोपेंसिटी प्रोफाइल के साथ 1D कार्य पर निर्भर करता है। लेखक कहते हैं कि भविष्य के कार्य मानव-इन-द-लूप प्रयोगों के साथ इस ढांचे को मान्य करेंगे, स्टेट-डिपेंडेंट प्रोपेंसिटी एस्टीमेशन का विस्तार करेंगे, और उच्च-आयामी और नॉन-लीनियर सिस्टम पर इसे लागू करेंगे।