Graph-Operator World Models for Morphology-Parameter Generalization in Continuous Control
यह शोध पत्र ग्राफ-ऑपरेटर वर्ल्ड मॉडल्स (GraphOp-WM) प्रस्तावित करता है, जो एक संरचित दृष्टिकोण है जो निरंतर नियंत्रण कार्यों में अनदेखे भौतिक मापदंडों में सुदृढ़ सामान्यीकरण प्राप्त करने के लिए रोबोट डायनेमिक्स को मॉर्फोलॉजी-स्वतंत्र आधारों (morphology-independent bases) और मॉर्फोलॉजी-कंडीशन्ड ऑपरेटर्स में विभाजित करता है।
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
रोबोटिक्स की दुनिया में, एक मशीन को चलना सिखाना अक्सर एक बच्चे को चलना सिखाने जैसा होता है। आप एक रोबोट को कूदना सिखा सकते हैं, और वह अपने पैरों की लय, अपने शरीर का भार और अपने मोटरों के धक्के को सीख जाता है। लेकिन यह सीखना आमतौर पर नाजुक होता है। यदि आप रोबोट के पैर की लंबाई कुछ इंच बदल दें, या उसके जोड़ों को थोड़ा भारी बना दें, या उसके मोटरों को अलग शक्ति वाले मोटरों से बदल दें, तो रोबोट अक्सर चलना भूल जाता है। उसने एक विशिष्ट शरीर के लिए विशिष्ट गतिविधियों का एक सेट सीखा है, और जब वह शरीर बदल जाता है, तो वह सबक अब लागू नहीं होता। यह मशीनों को वास्तविक दुनिया के अनुकूल बनाने के लिए एक बड़ी बाधा है, जहाँ पुर्जे घिस जाते हैं, डिज़ाइन बदल जाते हैं और वातावरण बदल जाता है। वैज्ञानिक लंबे समय से रोबोट को उसके अपने आकार के बारे में अतिरिक्त जानकारी देकर इसे हल करने की कोशिश कर रहे हैं, इस उम्मीद में कि वह नए नियमों को तुरंत समझ सके। हालाँकि, केवल रोबोट को उसके नए मापों की सूची देने से यह पता नहीं चलता कि उसकी गति के कौन से हिस्से स्थायी हैं और किन हिस्सों को बदलने की आवश्यकता है।
त्सिंहहुआ विश्वविद्यालय और चीनी विज्ञान अकादमी के शोधकर्ताओं द्वारा विकसित एक नया दृष्टिकोण इस समस्या को सोचने का एक अलग तरीका प्रदान करता है। रोबोट के शरीर को डेटा के एक एकल, अपरिवर्तनीय ब्लॉक के रूप में मानने के बजाय, उन्होंने रोबोट को उसके मौलिक भागों में विभाजित कर दिया: शरीर के ठोस टुकड़े और उन्हें जोड़ने वाले जोड़। उन्होंने एक डिजिटल मॉडल बनाया जो रोबोट को इन हिस्सों के एक नेटवर्क के रूप में देखता है, बिल्कुल सड़कों से जुड़े शहरों के मानचित्र की तरह। इस मॉडल में, शोधकर्ताओं ने रोबोट की गति को दो अलग-अलग परतों में विभाजित किया। पहली परत यह पकड़ती है कि कैसे धातु का एक एकल टुकड़ा धक्का दिए जाने पर चलता है, जो बुनियादी, अपरिवर्तनीय भौतिकी है। यह वह हिस्सा है जो समान रहता है चाहे रोबोट छोटा हो या बड़ा। दूसरी परत एक लचीला नियंत्रक (कंट्रोलर) है जो इन टुकड़ों के बीच की परस्पर क्रिया को रोबोट के विशिष्ट आकार, वजन और जोड़ की कठोरता के आधार पर समायोजित करता है। इन दोनों परतों को अलग रखकर, मॉडल एक बार गति के मूल नियमों को सीख सकता है और फिर बिना सब कुछ दोबारा सीखे, नए, अनदेखे शरीर के आकारों के अनुकूल तेजी से ढल सकता है।
शोधकर्ताओं ने इस विचार का परीक्षण सिम्युलेटेड रोबोटों के एक संग्रह का उपयोग करके किया, जिसमें एक कूदने वाली मशीन, एक चलने वाला द्विपद (बाइपेड) और एक दौड़ने वाला चीता जैसा जीव शामिल था। उन्होंने इन रोबोटों के हजारों रूपांतर बनाए, जिसमें उनके अंगों की लंबाई, शरीर का द्रव्यमान और मोटर की शक्ति को उन तरीकों से बदला गया जिन्हें मॉडल ने पहले कभी नहीं देखा था। कुछ बदलाव सामान्य सीमा के भीतर छोटे समायोजन थे, जबकि अन्य चरम बदलाव थे जिन्होंने रोबोटों को उनकी सामान्य सीमाओं से बहुत बाहर धकेल दिया। मॉडल को इन विविधताओं के एक सेट पर प्रशिक्षित किया गया था और फिर इसे नए, अनदेखे संस्करणों के कैसे चलने की भविष्यवाणी करने के लिए कहा गया। परिणामों ने दिखाया कि व्यक्तिगत भागों की स्थानीय गति को उनके वैश्विक प्रभाव से स्पष्ट रूप से अलग करके, सिस्टम पूरी तरह से नए भौतिक मापदंडों वाले रोबोट की गति की सटीक भविष्यवाणी कर सकता था। इसने सफलतापूर्वक उन स्थितियों को संभाला जहाँ रोबोट के पैर उसके प्रशिक्षण के किसी भी स्तर की तुलना में काफी लंबे या भारी थे, और यह उन नए गुणों को भी जोड़ सका, जैसे कि हल्के अंगों वाला एक भारी धड़, जो प्रशिक्षण डेटा में कभी मौजूद नहीं थे।
जो इस पद्धति को विशिष्ट बनाता है वह यह है कि यह रोबोट के आकार के बारे में जानकारी को कैसे संभालता है। कई पिछले प्रयासों में, रोबोट के भौतिक विवरणों को एक एकल, अस्पष्ट सारांश में मिला दिया जाता था जिसे मॉडल को व्याख्या करने की आवश्यकता होती थी। यह नई विधि भौतिक विवरणों को निर्देशों के एक संरचित सेट के रूप में मानती है जो विशेष रूप से रोबोट के हिस्सों के बीच के कनेक्शन को ट्यून करते हैं। यह शरीर के भाग के चलने के पूरे नए नियम का अनुमान लगाने की कोशिश नहीं करता है; इसके बजाय, यह जानता है कि शरीर के भाग के चलने के ज्ञात, पुन: प्रयोज्य नियमों को लेता है और नए वजन या लंबाई को ध्यान में रखने के लिए एक सटीक गणितीय समायोजन लागू करता है। यह समायोजन रोबोट के अपने जोड़ों और लिंक्स के आंतरिक मानचित्र द्वारा निर्देशित होता है, यह सुनिश्चित करता है कि गति में परिवर्तन भौतिक रूप से तर्कसंगत हों। उदाहरण के लिए, यदि पैर को भारी बनाया जाता है, तो मॉडल जानता है कि उस अतिरिक्त वजन को उठाने के लिए आवश्यक बल को कैसे बदलना चाहिए और वह बल शरीर के बाकी हिस्सों में कैसे लहर की तरह फैलेगा।
शोधकर्ताओं ने मॉडल को इस अलगाव का सम्मान करना सिखाने के लिए एक विशिष्ट तरीका भी डिजाइन किया। उन्होंने सिस्टम को रोबटों के ऐसे जोड़ों (पेयर्स) का उपयोग करके प्रशिक्षित किया जो अपने भौतिक मापदंडों के अलावा हर तरह से समान थे। दो अलग-अलग संस्करणों के रोबोट को एक ही शुरुआती स्थिति और एक ही कमांड दिखाकर, उन्होंने मॉडल को यह महसूस करने के लिए मजबूर किया कि परिणाम में अंतर भौतिक परिवर्तनों के कारण होना चाहिए, न कि गति के मूल नियमों में बदलाव के कारण। इस तकनीक ने यह सुनिश्चित किया कि मॉडल गलती से नए शरीर के आकार के प्रभावों को मूल गति नियमों के भीतर न छिपा ले। इसके बजाय, इसने सभी परिवर्तनों को समायोजन परत (एडजस्टमेंट लेयर) में धकेलना सीखा, जिससे मूल नियम स्वच्छ और पुन: प्रयोज्य बने रहे।
यह कार्य सुझाव देता है कि रोबोटों को वास्तव में नए शरीरों के अनुकूल होने के लिए, उन्हें केवल अपने मापों की सूची से अधिक की आवश्यकता है; उन्हें इस बात की संरचनात्मक समझ की आवश्यकता है कि वे माप उनके अंगों के काम करने के तरीके को कैसे बदलते हैं। मॉडल ने प्रदर्शित किया कि वह इन नए, अनदेखे रोबोटों के लिए प्रभावी ढंग से गति की योजना बना सकता है, लक्ष्य प्राप्त करने के लिए कार्यों का सही क्रम की गणना कर सकता है, भले ही रोबोट का भौतिक रूप नाटकीय रूप से बदल गया हो। हालांकि इसका परीक्षण कंप्यूटर सिमुलेशन में किया गया था न कि भौतिक हार्डवेयर पर, परिणाम एक मजबूत ब्लूप्रिंट प्रदान करते हैं कि भविष्य के रोबोट वास्तविक दुनिया के निरंतर परिवर्तनों और विविधताओं को कैसे संभाल सकते हैं। यह दृष्टिकोण यह दावा नहीं करता है कि यह रोबोट की गति की हर समस्या को हल कर देता है, न ही यह पूरी तरह से अलग प्रकार की मशीनों के लिए काम करता है, लेकिन यह रोबोटों को संबंधित शरीरों के एक परिवार में अपने कौशल को सामान्य बनाने के लिए एक स्पष्ट, संरचित पथ प्रदान करता है। मशीन की भौतिक संरचना का सम्मान करके, मॉडल बदलने वाले मापदंडों की चुनौती को एक पूर्ण विफलता के बजाय एक प्रबंधनीय समायोजन में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।