Adaptive Repulsive Pheromone Clustering for Foraging Robot Swarms

प्रकृति के शांत कोनों में, चींटी कॉलोनियों के हलचल भरे राजमार्गों से लेकर मधुमक्खियों के बिखरे हुए रास्तों तक, सरल जीव बिना किसी केंद्रीय कमांडर के जटिल समस्याओं को हल करते हैं। वे ऐसा स्थानीय नियमों और साझा संकेतों के माध्यम से करते हैं, जिसे विज्ञान का एक क्षेत्र 'स्वार्म रोबोटिक्स' (swarm robotics) के रूप में जाना जाता है। इस क्षेत्र के शोधकर्ता छोटे, स्वायत्त रोबोटों की टीमें बनाते हैं जो भोजन इकट्ठा करने या मलबे की सफाई करने जैसे कार्यों को करने के लिए इन प्राकृतिक समूहों की नकल करते हैं। लक्ष्य एक ऐसा सामूहिक समूह बनाना है जो अपने हिस्सों के योग से भी बड़ा हो, जो एक एकल रोबोट द्वारा पूरी तस्वीर जाने बिना, बदलते परिवेश के अनुकूल होने में सक्षम हो। इन रोबोटिक टीमों के लिए एक सामान्य चुनौती "फॉरजिंग" (foraging - भोजन की खोज) की समस्या है: बिखरे हुए संसाधनों को कुशलतापूर्वक कैसे खोजा और एकत्र किया जाए। यदि रोबोट उन स्थानों पर बहुत अधिक ध्यान केंद्रित करते हैं जहाँ वे पहले ही जा चुके हैं, तो वे समय बर्बाद करते हैं; यदि वे बहुत अधिक यादृच्छिक (random) होते हैं, तो वे आसान लक्ष्यों को चूक जाते हैं। नए क्षेत्रों की खोज करने और ज्ञात संसाधनों का लाभ उठाने के बीच सही संतुलन बनाना ही इन स्वार्म्स को वास्तविक दुनिया में उपयोगी बनाने की कुंजी है।

टेक्सास वर्जीनिया ग्रांडे विश्वविद्यालय के शोधकर्ताओं ने इस संतुलन को साधने के लिए एक नई रणनीति विकसित की है, जो रोबोट स्वार्म्स के वर्तमान कार्य करने के तरीके में एक विशिष्ट खामी को दूर करती है। अपने कार्य में, उन्होंने एक मानक पद्धति पर ध्यान केंद्रित किया जिसे 'सेंट्रल प्लेस फॉरजिंग एल्गोरिदम' (Central Place Foraging Algorithm) कहा जाता है, जो रोबोटों को संसाधन मिलने के बाद एक केंद्रीय घोंसले (nest) में वापस लौटने और फिर उन्हें और अधिक खोजने के लिए वापस भेजने का मार्गदर्शन करता है। हालांकि यह विधि तब अच्छी तरह काम करती है जब संसाधन गुच्छों में होते हैं, लेकिन जब संसाधन बिखरे हुए हों या खोज क्षेत्र बड़ा हो, तो यह संघर्ष करती है। समस्या यह है कि रोबोट एक लूप में फंस जाते हैं, बार-बार उन्हीं परिचित स्थानों पर जाते रहते हैं और उन विशाल, अनछुए क्षेत्रों की अनदेखी करते हैं जिनमें शेष आपूर्ति हो सकती है। यह अक्षमता तब महत्वपूर्ण हो जाती है जब संसाधन कम हो जाते हैं, जिससे रोबोट अंतिम कुछ वस्तुओं को खोजने में अपने समय का एक अनुचित हिस्सा खर्च कर देते हैं।

इसे ठीक करने के लिए, शोधकर्ताओं ने 'एडेप्टिव रिपल्सिव फेरोमोन क्लस्टरिंग' (Adaptive Repulsive Pheromone Clustering) नामक एक तकनीक पेश की। केवल उन जगहों को चिह्नित करने के बजाय जहाँ अच्छी चीजें मिली हैं, इस नए सिस्टम में रोबोट उन स्थानों को भी चिह्नित करते हैं जहाँ उन्होंने पहले ही देख लिया है और कुछ नहीं मिला है। जैसे-जैसे एक रोबोट वातावरण में आगे बढ़ता है, वह उन स्थानों पर "रिपल्सिव फेरोमोन" (विकर्षक फेरोमोन) का एक डिजिटल निशान छोड़ता है जहाँ वह जा चुका है। ये संकेत अन्य रोबलों को आकर्षित करने के लिए नहीं, बल्कि दूर रहने की चेतावनी देने के लिए हैं। जब एक रोबोट केंद्रीय घोंसले में लौटता है, तो वह इन स्थानों की रिपोर्ट करता है। घोंसला फिर इन रिपोर्टों को समूहों (clusters) में व्यवस्थित करता है, जिससे "नो-गो" (न जाने योग्य) क्षेत्रों का एक मानसिक मानचित्र तैयार होता है। यह मानचित्र केंद्रीय प्रणाली को खाली स्थानों की पहचान करने और विशेष रूप से रोबोटों को उन अनछुए क्षेत्रों की ओर निर्देशित करने की अनुमति देता है। यह केवल एक पगडंडी का अनुसरण करने के बजाय सक्रिय रूप से ज्ञात स्थानों से बचने की ओर एक बदलाव है, जिससे यह सुनिश्चित होता है कि स्वार्म कुछ ही स्थानों के इर्द-गिर्द घूमने के बजाय पूरे क्षेत्र को कवर करने के लिए फैल जाए।

शोधकर्ताओं ने एक वर्चुअल एरिना में रोबोट स्वार्म के कंप्यूटर सिमुलेशन का उपयोग करके इस नए दृष्टिकोण का परीक्षण किया। उन्होंने अपनी नई विधि की तुलना मानक एल्गोरिदम और एक अन्य उन्नत संस्करण से की जो खोज क्षेत्र को ग्रिड में विभाजित करता है। परीक्षणों में विभिन्न परिदृश्य शामिल थे, जिनमें खोज क्षेत्रों के विभिन्न आकार, संसाधनों की विभिन्न संख्याएँ और संसाधनों के बिखराव के विभिन्न तरीके शामिल थे—कुछ घने समूहों में, कुछ यादृच्छिक पैटर्न में, और कुछ प्राकृतिक वितरण के अनुसार जहाँ कुछ स्थानों पर बहुत अधिक और अधिकांश स्थानों पर बहुत कम वस्तुएं होती हैं। परिणामों ने दिखाया कि नया क्लस्टरिंग तरीका लगातार अन्य तरीकों से बेहतर प्रदर्शन करता है। उन सिमुलेशन में जहाँ रोबोटों को सभी उपलब्ध संसाधनों को एकत्र करना था, नई विधि ने काम को तेजी से पूरा किया, विशेष रूप से जब संसाधन बिखरे हुए थे या जब खोज क्षेत्र बड़ा था।

सबसे महत्वपूर्ण सुधार खोज के अंतिम चरणों के दौरान दिखाई दिया। मानक पद्धति में, रोबोट अक्सर अपने कुल समय का लगभग आधा हिस्सा केवल अंतिम बारह प्रतिशत संसाधनों को खोजने में बिता देते हैं। नए एडेप्टिव क्लस्टरिंग के साथ, रोबोट इस अंतिम चरण में बहुत अधिक कुशल थे। यादृच्छिक रूप से बिखरे हुए संसाधनों वाले परिदृश्यों में, नए तरीके ने संसाधनों के अंतिम भाग को एकत्र करने के लिए आवश्यक समय को पुराने तरीकों की तुलना में साठ प्रतिशत तक कम कर दिया। खोज के शुरुआती चरणों में भी, नए तरीके ने खोज की गति में दस प्रतिशत का सुधार दिखाया। शोधकर्ताओं ने पाया कि यह दृष्टिकोण इस बात पर निर्भर नहीं करता कि कितने संसाधन मौजूद हैं या खोज क्षेत्र कितना बड़ा है, जो यह दर्शाता है कि कार्य कठिन होने पर भी यह प्रणाली प्रभावी ढंग से स्केल (scale up) होती है।

एक विशिष्ट निष्कर्ष ने संसाधनों के यादृच्छिक पैटर्न में बिखरे होने पर विधियों के बीच के अंतर को उजागर किया। जबकि पुराना ग्रिड-आधारित तरीका खोज क्षेत्र के बड़ा होने पर तालमेल बिठाने में संघर्ष करता था, नया क्लस्टरिंग तरीका एक स्थिर गति बनाए रखता है। शोधकर्ताओं ने देखा कि जैसे-जैसे एरिना का आकार बढ़ा, उनके नए तरीके के लिए कार्य पूरा करने में लगने वाला समय अन्य तरीकों की तुलना में बहुत धीमी गति से बढ़ा। यह इंगित करता है कि यह प्रणाली बड़ी, अधिक जटिल वातावरण को संभालने के लिए पर्याप्त मजबूत है। अध्ययन बताता है कि कहाँ नहीं देखना है, इसका एक साझा मानचित्र का उपयोग करके, रोबोटों का एक समूह दोहराव के जाल से बच सकता है और नए क्षेत्रों को बहुत अधिक प्रभावी ढंग से कवर कर सकता है।

यह कार्य प्रदर्शित करता है कि सूचना साझा करने के तरीके में एक सरल परिवर्तन—कि जो खाली है उस पर भी उतना ही ध्यान देना जितना कि जो भरा हुआ है उस पर—एक रोबोटिक टीम के प्रदर्शन में नाटकीय रूप से सुधार कर सकता है। शोधकर्ता नोट करते हैं कि यह रणनीति वास्तविक दुनिया के रोबोटों की सीमाओं के अनुकूल है, जिनकी अक्सर सीमित कंप्यूटिंग शक्ति और केवल रुक-रुक कर संचार होता है। जटिल गणनाओं को केंद्रीय घोंसले में रखकर और रोबोटों को परिणामी मानचित्र के आधार पर सरल नियमों का पालन करने देकर, यह प्रणाली भविष्य में तैनाती के लिए व्यावहारिक बनी रहती है। अध्ययन निष्कर्ष निकालता है कि यह एडेप्टिव दृष्टिकोण रोबोटों के बड़े समूहों को प्रबंधित करने का एक विश्वसनीय तरीका प्रदान करता है, यह सुनिश्चित करते हुए कि वे एक ही जमीन को बार-बार देखने में समय बर्बाद न करें बल्कि व्यवस्थित रूप से अज्ञात की ओर बढ़ें।