Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol
यह शोध पत्र एक भाषा-मॉडल-आधारित वर्कफ़्लो प्रस्तुत करता है जो प्राकृतिक भाषा विवरणों से ABB RAPID रोबोट प्रोग्रामों को स्वचालित रूप से उत्पन्न करने, सिम्युलेट करने और पुनरावृत्ति सुधारने के लिए ड्यूल-स्ट्रीम रिट्रीवल-ऑगमेंटेड जनरेशन और एक कस्टम मॉडल कॉन्टेक्स्ट प्रोटोकॉल सर्वर का उपयोग करता है, जिससे औद्योगिक सिमुलेशन सॉफ़्टवेयर से प्राप्त निष्पादन योग्य फीडबैक के माध्यम से डोमेन-विशिष्ट त्रुटियों को कम किया जा सके।
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
आधुनिक विनिर्माण (मैन्युफैक्चरिंग) की दुनिया में, लचीलापन ही अंतिम लक्ष्य है। कारखाने अब केवल लाखों एक जैसे सामान बनाने के लिए नहीं हैं; उन्हें उत्पादों के विभिन्न संस्करणों को बनाने के लिए तेजी से अनुकूलित होना चाहिए, जैसे कि सनरूफ वाली कार और बिना सनरूफ वाली कार, या थोड़े अलग आकार का पैकेज। इन परिवर्तनों के साथ तालमेल बिठाने के लिए, औद्योगिक रोबोटों को लगातार पुन: प्रोग्राम करने की आवश्यकता होती है। पारंपरिक रूप से, यह एक धीमा और कठिन काम रहा है जो विशेषज्ञों के लिए आरक्षित था जो एक जटिल, मशीन-विशिष्ट भाषा बोलते हैं। उन्हें मैन्युअल रूप से कोड लिखना होता है, इसे फैक्ट्री फ्लोर के भौतिक लेआउट के विरुद्ध जांचना होता है, और यह सुनिश्चित करने के लिए परीक्षण करना होता है कि रोबोट टकरा न जाए या किसी पुर्जे को गिरा न दे। हालांकि आर्टिफिशियल इंटेलिजेंस ने हाल ही में मानवीय विचारों को कंप्यूटर कोड में अनुवाद करने में आशाजनक प्रदर्शन दिखाया है, लेकिन ये स्मार्ट सिस्टम अक्सर औद्योगिक मशीनरी के विशिष्ट, कठोर नियमों के साथ संघर्ष करते हैं। वे ऐसा कोड लिख सकते हैं जो स्क्रीन पर सही दिखता है, लेकिन जैसे ही एक वास्तविक रोबोट हिलने की कोशिश करता है, वह विफल हो जाता है, क्योंकि AI फैक्ट्री सेल की भौतिक बाधाओं या रोबोट के उपकरणों के विशिष्ट व्यवहार को "देख" नहीं पाता है।
स्वीडन के चाल्मर्स यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने का एक नया तरीका विकसित किया है, जिससे एक ऐसी प्रणाली बनाई गई है जो रोबोट को साधारण अंग्रेजी का उपयोग करके पुन: प्रोग्राम करने की अनुमति देती है और स्वचालित रूप से यह जांचती है कि निर्देश वास्तव में काम करेंगे या नहीं। उनका दृष्टिकोण एक शक्तिशाली लैंग्वेज मॉडल को एक विशेष सिमुलेशन वातावरण के साथ जोड़ता है, जिससे एक लूप बनता है जहाँ कंप्यूटर कोड लिखता है, इसे एक आभासी कारखाने में परीक्षण करता है, और फिर परिणामों के आधार पर अपनी गलतियों को सुधारता है। शोधकर्ताओं ने ABB रोबोट्स पर ध्यान केंद्रित किया, जो दुनिया भर के कारखानों में सामान्य हैं, और एक 'डिजिटल ट्विन' का उपयोग किया—जो रोबोट और उसके कार्यक्षेत्र की एक सटीक आभासी प्रति है—ताकि एक सुरक्षा जाल के रूप में कार्य किया जा सके। केवल टेक्स्ट जेनरेट करने के बजाय, यह सिस्टम सीधे सिमुलेशन सॉफ्टवेयर से जुड़ता है, कोड अपलोड करता है, रोबोट की गति को देखता है, और यदि कार्य विफल होता है, तो विश्लेषण करता है कि वह ठीक क्यों विफल हुआ।
उनकी पद्धति का मुख्य हिस्सा दो अलग-अलग चरणों को मिलकर काम करने में निहित है। सबसे पहले, सिस्टम 'रिट्रीवल-ऑगमेंटेड जनरेशन' नामक तकनीक का उपयोग करता है। कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है जिसे उत्तर देने से पहले एक पाठ्यपुस्तक और हल किए गए उदाहरणों का एक सेट देखने की अनुमति है। कंप्यूटर भी कुछ ऐसा ही करता है: जब कोई इंसान इसे "एक बॉक्स उठाओ और उसे पैलेट पर रखो" कहता है, तो सिस्टम पहले एक प्रमुख वाहन निर्माता के आधिकारिक तकनीकी मैनुअल और वास्तविक दुनिया के कोड उदाहरणों के डेटाबेस को खोजता है। यह सुनिश्चित करता है कि कंप्यूटर रोबोट के लिए सही, विशिष्ट कमांड का उपयोग करे, न कि अनुमान लगाए या ऐसे नियम बनाए जो अस्तित्व में नहीं हैं। यह चरण बुनियादी त्रुटियों की संख्या को काफी कम कर देता है, जैसे कि गलत प्रकार के डेटा का उपयोग करना या कमांड को गलत तरीके से लिखना, जो तब आम होता है जब AI शून्य से कोड लिखने की कोशिश करता है।
हालाँकि, शोधकर्ताओं ने महसूस किया कि भले ही कोड व्याकरणिक रूप से पूर्ण हो और सभी नियमों का पालन करता हो, फिर भी वह वास्तविक दुनिया में विफल हो सकता है। एक रोबोट सफलतापूर्वक एक बॉक्स उठा सकता है, लेकिन यदि बॉक्स उम्मीद से अधिक लंबा है, तो रोबोट का ग्रिपर उसे ठीक से छोड़ नहीं पाएगा, या रोबोट ऐसी स्थिति में फंस सकता है जहाँ वह शारीरिक रूप से पहुँच न सके। इस समस्या को हल करने के लिए, टीम ने लैंग्वेज मॉडल और सिमुलेशन सॉफ्टवेयर के बीच एक कस्टम कनेक्शन बनाया। यह कनेक्शन एक रिमोट कंट्रोल की तरह कार्य करता है, जिससे कंप्यूटर जेनरेट किए गए कोड को आभासी रोबोट में अपलोड कर सकता है, सिमुलेशन चला सकता है, और फिर एक विस्तृत रिपोर्ट पढ़ सकता है कि क्या हुआ। सिस्टम न केवल कोड की जांच करता है, बल्कि रोबोट के व्यवहार की भी जांच करता है: क्या पुर्जा गिर गया? क्या रोबोट का हाथ दीवार से टकराया? क्या सेंसर ने वस्तु का पता लगाया?
अपने परीक्षणों में, शोधकर्ताओं ने इस सिस्टम को चुनौतियों की एक श्रृंखला के माध्यम से परखा। उन्होंने इसे अलग-अलग आकार के बॉक्स को संभालने और ब्लॉकों के पिरामिड बनाने जैसे कार्यों को संभालने के लिए कहा। एक विशिष्ट मामले में, सिस्टम को एक लंबे हरे बॉक्स और एक छोटे नारंगी बॉक्स को स्थानांतरित करने के लिए कहा गया था। प्रारंभिक कोड, जो AI द्वारा जेनरेट किया गया था, छोटे नारंगी बॉक्स के लिए पूरी तरह से काम कर गया। हालाँकि, जब वही कोड लंबे हरे बॉक्स पर लागू किया गया, तो रोबм भाग को छोड़ने में विफल रहा क्योंकि रिलीज पॉइंट बहुत नीचे था, जिससे ग्रिपर बॉक्स के अंदर ही फंसा रह गया। एक मानक कंप्यूटर चेक इस त्रुटि को पूरी तरह से मिस कर देता, क्योंकि निर्देश सिंटैक्टिक रूप से सही थे। लेकिन क्योंकि सिस्टम ने सिमुलेशन चलाया, इसने देखा कि ग्रिपर छोड़ने में विफल रहा। इसने फिर इस फीडबैक का उपयोग करके रिलीज पॉइंट की ऊंचाई को स्वचालित रूप से समायोजित किया और फिर से प्रयास किया, और सफलतापूर्वक समस्या को हल किया।
परिणामों ने दिखाया कि यह फीडबैक लूप आवश्यक था। जबकि तकनीकी मैनुअल देखने के पहले चरण ने कई बुनियादी गलतियों को कम किया, लेकिन कोड चलाने की क्षमता ने उन सूक्ष्म, भौतिक त्रुटियों को पकड़ा जो वास्तविक दुनिया की विफलताओं का कारण बनतीं। सिस्टम ने उन समस्याओं की पहचान सफलतापूर्वक की जैसे कि अप्राप्य लक्ष्य और अजीब रोबोटिक हरकतें जो केवल तभी दिखाई देती हैं जब रोबोट वास्तव में कार्य करने का प्रयास करता है। एक उदाहरण में, रोबोट का हाथ कुछ गतिविधियों के बाद एक कठिन स्थिति में फंस गया, एक ऐसी समस्या जो केवल सिमुलेशन चलने के बाद ही दृश्यमान हुई। सिस्टम ने इसे पहचाना, रोबोट की स्थिति को एक सुरक्षित शुरुआती बिंदु पर रीसेट किया, और कार्य को पूरा किया।
शोधकर्ता इस बात पर जोर देते हैं कि यह सिस्टम पूरी तरह से मानव इंजीनियरों की जगह नहीं लेता है। आभासी कारखाना, उपकरण और विशिष्ट कार्यों को अभी भी लोगों द्वारा पहले से सेट अप करने की आवश्यकता होती है। यह सिस्टम कारखाने के लेआउट या रोबोट के भौतिक हार्डवेयर को भी डिजाइन नहीं करता है। इसके बजाय, यह एक अत्यधिक कुशल सहायक के रूप में कार्य करता है जो एक इंसान के विचार को लेता है और उसे तेजी से एक काम करने वाले प्रोग्राम में बदल देता है, उन त्रुटियों को पकड़ता है जिन्हें अन्यथा घंटों के मैन्युअल डिबगिंग की आवश्यकता होती। अध्ययन बताता है कि कोड के निर्माण को सीधे सिम्युलेटेड वातावरण में कार्यों के निष्पादन से जोड़कर, कारखाने अपने रोबोट को बहुत तेज़ी से और कम गलतियों के साथ पुन: प्रोग्राम कर सकते हैं। यह दृष्टिकोण लचीले विनिर्माण को अधिक सुलभ बनाने के लिए एक व्यावहारिक मार्ग प्रदान करता है, जिससे उत्पादन लाइनें पारंपरिक प्रोग्रामिंग के लंबे विलंब और उच्च लागत के बिना नए उत्पादों के अनुकूल हो सकती हैं। यह कार्य प्रदर्शित करता है कि रोबोट प्रोग्रामिंग का भविष्य न केवल स्मार्ट AI में है, बल्कि ऐसे AI में है जो वास्तविक दुनिया को छूने से पहले एक आभासी दुनिया में अपने कार्यों को देख, परीक्षण और सीख सकता 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।