💻 computer science

Sensorless damage-safe grasping

यह शोध पत्र एक सेंसरलेस ग्रैस्पिंग कंट्रोलर प्रस्तुत करता है जो केवल एनकोडर और मोटर-एफर्ट डेटा का उपयोग करके वस्तु के विरूपण (deformation) को उपयोगकर्ता द्वारा निर्दिष्ट स्ट्रेन सीमा तक सीमित करके, रोबोटिक फल कटाई को क्षति-सुरक्षित सुनिश्चित करता है, जिससे स्पर्शनीय सेंसर (tactile sensors) की आवश्यकता समाप्त हो जाती है और विभिन्न कठोरता स्तरों में ग्रैस्प सफलता और क्षति न्यूनीकरण दोनों में फिक्स्ड-फोर्स बेसलाइन की तुलना में बेहतर प्रदर्शन करता है।

मूल लेखक: Yusei Shuto, Danilo Vasconcellos Vargas

प्रकाशित 2026-08-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yusei Shuto, Danilo Vasconcellos Vargas

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

एक रोबोटिक हाथ एक बगीचे में जाकर एक पके हुए टमाटर को तोड़ने की कल्पना कीजिए। यह कार्य सरल लगता है, लेकिन इसमें एक कठिन विरोधाभास छिपा है। फल को गिराने से बचने के लिए, रोबोट को उसे पकड़ने के लिए पर्याप्त जोर से दबाना होगा। लेकिन उसकी नाजुक त्वचा को नुकसान पहुँचाने से बचने के लिए, उसे इतना धीरे दबाना होगा कि वह कुचला न जाए। समस्या यह है कि टमाटर सभी एक जैसे नहीं होते। एक सख्त, कच्चा टमाटर कठोर होता है और अधिक पकड़ झेल सकता है, जबकि एक नरम, अत्यधिक पका हुआ टमाटर नाजुक होता है और आसानी से दब जाता है। एक रोबोट जिसे दबाने के एक निश्चित, स्थिर बल (force) के लिए प्रोग्राम किया गया है, वह अनिवार्य रूप से विफल हो जाएगा: यदि बल सख्त फल को पकड़ने के लिए पर्याप्त मजबूत है, तो वह नरम फल को नष्ट कर देगा; यदि यह नरम फल के लिए पर्याप्त कोमल है, तो यह सख्त फल को गिरा देगा। वर्षों तक, इंजीनियरों ने रोबोट की उंगलियों में महंगे, नाजुक सेंसर जोड़कर इसे हल करने की कोशिश की ताकि वे दबाव को महसूस कर सकें, लेकिन ये लागत और जटिलता बढ़ाते हैं जो उन्हें वास्तविक खेती के लिए अव्यवहारिक बना देते हैं।

क्यूशू यूनिवर्सिटी, जापान के शोधकर्ताओं की एक टीम ने एक अलग रास्ता खोजा है। फल के सटीक बल को मापने या उसकी सतह को महसूस करने के बजाय, उन्होंने रोबोट को यह सिखाया कि वह फल के कितना दबने (squish) को सीमित करे। उनकी विधि उन संकेतों पर निर्भर करती है जो रोबोट के पास पहले से ही होते हैं: उसकी उंगलियों की स्थिति और मोटर द्वारा उन्हें चलाने में उपयोग किया जाने वाला विद्युत प्रयास (electrical effort)। उंगलियां बंद होते समय मोटर कितनी मेहनत कर रही है, इसे देखकर सिस्टम यह अनुमान लगा सकता है कि फल के आकार के सापेक्ष उसे कितना संकुचित किया जा रहा है। रोबोट को उस क्षण उंगलियां बंद करना बंद करने के लिए प्रोग्राम किया जाता है जब यह अनुमानित 'स्क्विश' मानव ऑपरेटर द्वारा निर्धारित एक सुरक्षित सीमा तक पहुँच जाता है। यह दृष्टिकोण विशेष सेंसर या प्रत्येक फल के लिए एक अनूठी सेटिंग की आवश्यकता नहीं रखता है। यह सुनिश्चित करके काम करता है कि फल को उसके मूल आकार के एक विशिष्ट प्रतिशत से अधिक कभी न दबाया जाए, चाहे फल सख्त हो या नरम।

शोधकर्ताओं ने इस विचार का दो तरीकों से परीक्षण किया। सबसे पहले, उन्होंने कंप्यूटर पर हजारों सिमुलेशन चलाए, जिसमें एक रोबोटिक हाथ द्वारा विभिन्न स्तर की कठोरता वाले क्यूब्स (cubes) को उठाने का मॉडल बनाया गया, जो फल का प्रतिनिधित्व करते थे, जिनकी रेंज बहुत नरम से लेकर बहुत सख्त तक थी। उन्होंने अपनी नई विधि की तुलना दो पुरानी, सरल रणनीतियों से की: एक जो वस्तु को छूते ही रुक जाती है, और दूसरी जो एक निश्चित, मजबूत पकड़ के साथ बंद होती है। परिणामों ने दिखाया कि पारंपरिक तरीके संघर्ष करते हैं। कोमल, स्पर्श-स्टॉप (touch-stop) रणनीति अक्सर सख्त वस्तुओं को पकड़ने में विफल रही, जबकि मजबूत, निश्चित-पकड़ वाली रणनीति ने नरम वस्तुओं को कुचल दिया। इसके विपरीत, नए तरीके ने मध्यम से सख्त वस्तुओं के लिए लगभग हर मामले में बिना किसी नुकसान के फल को सफलतापूर्वक पकड़ा। सबसे नरम वस्तुओं पर भी, जहाँ एक आदर्श संतुलन बनाना कठिन है, नए तरीके ने पुराने तरीकों की तुलना में काफी कम नुकसान पहुँचाया, जिससे कुचले गए सामानों की दर कुल विफलता से घटकर एक प्रबंधनीय स्तर तक आ गई।

यह साबित करने के लिए कि यह वास्तविक दुनिया में काम करता है, टीम ने मानक भागों का उपयोग करके एक भौतिक रोबोट बनाया और नरम, रबर जैसी सामग्री से बने 3D-प्रिंटेड क्यूब्स पर इसका परीक्षण किया। इन क्यूब्स को वास्तविक फल की बदलती कठोरता की नकल करने के लिए विभिन्न आंतरिक संरचनाओं के साथ प्रिंट किया गया था। परिणाम कंप्यूटर सिमुलेशन के समान ही रहे। नया कंट्रोलर क्यूब्स को बिना नुकसान पहुँचाए सुरक्षित रूप से पकड़ सका, जबकि पुराने तरीकों ने या तो सख्त क्यूब्स को गिरा दिया या नरम क्यूब्स को पूरी तरह से कुचल दिया। उल्लेखनीय रूप से, नए तरीके ने पारंपरिक मजबूत-पकड़ वाले दृष्टिकोण के मुकाबले लगभग आधे पकड़ बल (gripping force) का उपयोग करके यह सफलता प्राप्त की। रोबोट ठीक उसी समय रुकने में सक्षम था जब सामग्री सुरक्षित सीमा तक पहुँच गई, जबकि पुराने तरीके दबाते रहे, जिससे अत्यधिक संपीड़न और क्षति हुई।

इस सफलता की कुंजी एक अवधारणा है जिसे शोधकर्ता "सर्टिफाइड बाउंड" (certified bound) कहते हैं। क्योंकि सिस्टम यह मान लेता है कि फल अपनी सबसे नरम अवस्था में है, इसलिए यह एक ऐसा स्टॉपिंग पॉइंट (रुकने का बिंदु) निकालता है जो गारंटी देता है कि किसी भी फल के लिए सुरक्षित होगा जो उस धारणा से अधिक सख्त है। यदि फल वास्तव में सख्त है, तो रोबोट आवश्यकता से पहले ही रुक जाएगा, जो कि सुरक्षित है। यदि फल उस धारणा के समान ही नरम है, तो यह सीमा तक बिल्कुल सही रुकता है। यह एक सुरक्षा मार्जिन बनाता है जिसके लिए रोबोट को पहले से फल की सटीक कठोरता जानने की आवश्यकता नहीं होती है। इसके लिए केवल दो इनपुट चाहिए: फल का आकार और यह सीमा कि उसे कितना दबाया जा सकता है। शोधकर्ताओं ने यह भी पाया कि रोबोट की उंगलियां बंद करने की गति मायने रखती है। बहुत तेजी से चलने का मतलब है कि रोबोट स्पर्श महसूस करने और प्रतिक्रिया देने के बीच के एक छोटे से समय में थोड़ा सा समय उंगलियां बंद करने में बिता देता है, जो सुरक्षित संपीड़न बजट का उपयोग करता है। संचालन को समायोजित करके, एक ऑपरेटर यह तय कर सकता है कि रोबोट कितनी तेजी से काम करेगा और वह फल को कितनी कोमलता से संभालेगा।

यह कार्य सुझाव देता है कि नाजुक वस्तुओं को संभालने के लिए रोबकों को जटिल, महंगे सेंसर की आवश्यकता नहीं है। पहले से मौजूद डेटा का उपयोग करके और बल के बजाय विरूपण (deformation) को सीमित करने पर ध्यान केंद्रित करके, एक ऐसा ग्रैस्पिंग सिस्टम बनाना संभव है जो सुरक्षित और अनुकूलन योग्य दोनों हो। हालांकि वर्तमान परीक्षणों में सरल आकृतियों और कृत्रिम सामग्रियों का उपयोग किया गया था, लेकिन ये सिद्धांत भविष्य के रोबोटों के लिए एक आशाजनक आधार प्रदान करते हैं जो खेत में वास्तविक फल की कटाई कर सकें। यह विधि प्रकृति में पाई जाने वाली पकने की विविधता को बिना किसी पुन: प्रोग्रामिंग के संभाल सकती है, जो कृषि के स्वचालन में लंबे समय से बाधा बनी एक व्यावहारिक समस्या का समाधान प्रदान करती है।

तकनीकी सारांश: सेंसरलेस डैमेज-सेफ ग्रैस्पिंग (Sensorless Damage-Safe Grasping)

समस्या विवरण (Problem Statement)
रोबोटिक फल कटाई (harvesting) एक मौलिक संघर्ष का सामना करती है: ग्रैस्प सफलता (फल को सुरक्षित रूप से पकड़ना) बनाम फल का संरक्षण (कुचलने या निशान पड़ने से बचाना)। एक ही फल की प्रजाति की संपीड़न कठोरता (compression stiffness) पकने के स्तर के आधार पर कई गुना भिन्न हो सकती है (जैसे, टमाटर की कठोरता अत्यधिक पके हुए फल के लिए ~2,000 N/m से लेकर सख्त फल के लिए ~10,000 N/m तक हो सकती है)। फलस्वरूप, एक निश्चित ग्रिप फोर्स (fixed grip force) इस सीमा को कवर नहीं कर सकता: सख्त फल के लिए पर्याप्त बल नरम फल को कुचल देगा, जबकि नरम फल के लिए सुरक्षित बल सख्त फल को पकड़ने में विफल रहेगा। मौजूदा अनुकूलन समाधान अक्सर समर्पित टैक्टाइल स्किन (जैसे, GelSight) या विजन-टैक्टाइल फ्यूजन पर निर्भर करते हैं, जो लागत, नाजुकता और एकीकरण की जटिलता बढ़ाते हैं, जो फील्ड-डिप्लॉयड हार्वेस्टर्स के लिए उपयुक्त नहीं हैं। इसके अलावा, शुद्ध सेंसरलेस फोर्स एस्टीमेशन विधियाँ आमतौर पर बल या विरूपण (deformation) अनुमान तो प्राप्त कर लेती हैं, लेकिन उनमें एक प्रमाणित, उपयोगकर्ता-व्याख्या योग्य डैमेज बाउंड (damage bound) की कमी होती है जो अज्ञात कठोरता वाले वस्तुओं के लिए बिना कैलिब्रेशन के काम कर सके।

कार्यप्रणाली (Methodology)
लेखक एक प्रोपियोसेप्टिव डिफॉर्मेशन-बाउंडेड ग्रैस्प कंट्रोलर (proprioceptive deformation-bounded grasp controller) का प्रस्ताव करते हैं जो केवल एनकोडर पोजीशन और मोटर-एफर्ट सिग्नल (करंट या लोड-रजिस्टर रीडिंग) का उपयोग करके ग्रैस्प कम्प्रेशन को एक उपयोगकर्ता-निर्धारित स्ट्रेन लिमिट $\varepsilon$ तक नियंत्रित करता है। यह प्रणाली 50 Hz पर संचालित होती है और एक दो-चरणीय एस्टीमेशन पाइपलाइन का पालन करती है:

कॉन्टैक्ट डिटेक्शन (Contact Detection): कंट्रोलर मोटर-एफर्ट सिग्नल $I(t)$ की निगरानी करता है। कॉन्टैक्ट तब घोषित किया जाता है जब सिग्नल एक बेसलाइन $I_0$ से एक थ्रेशोल्ड $\Delta I_{th}$ (जो फ्री-क्लोजिंग नॉइज़ के 3–4 $\sigma$ पर सेट है) से अधिक हो जाता है और एक पर्सिस्टेंस विंडो ( $N_{persist}=3$ टिक्स) के लिए बना रहता है। यह एम्प्लिट्यूड-आधारित डिटेक्शन सॉफ्ट ऑब्जेक्ट्स पर रेट-आधारित डिटेक्शन की अविश्वसनीयता से बचता है।
स्ट्रेन एस्टीमेशन (Strain Estimation): कॉन्टैक्ट होने पर, कंट्रोलर एक लीनियर फोर्स-करंट रिलेशनशिप का उपयोग करके कॉन्टैक्ट फोर्स $\hat{F}$ का अनुमान लगाता है। व्यक्तिगत फल की विशिष्ट कठोरता (stiffness) का अनुमान लगाने के बजाय, कंट्रोलर इस फोर्स प्रॉक्सी को एक ज्ञात लोअर बाउंड ऑन ऑब्जेक्ट स्टिफनेस ( $k_{min}$ ) से विभाजित करता है, जो लक्षित पकने की सीमा में सबसे नरम उत्पाद का प्रतिनिधित्व करता है। कम्प्रेशन स्ट्रेन $\hat{r}$ की गणना इस प्रकार की जाती है:
$\hat{r}(t) = \frac{\hat{F}(t)}{k_{min} D}$
जहाँ $D$ वस्तु का व्यास (एक प्रति-ऑब्जेक्ट-क्लास प्रायर) है।

कंट्रोल लॉजिक (Control Logic)
एक सिंगल प्रोपोर्शनल कंट्रोल लॉव अनुमानित स्ट्रेन $\hat{r}$ और उपयोगकर्ता-निर्दिष्ट बाउंड $\varepsilon$ के बीच के एरर के आधार पर ग्रिपर वेलोसिटी $a(t)$ को संचालित करता है:
$a(t) = \text{clip}(k_p(\varepsilon - \hat{r}(t)), -v_{release}, v_{close})$
ग्रिपर पूरी वेलोसिटी से बंद होता है जब तक कि $\hat{r}$ , $\varepsilon$ के करीब न पहुँच जाए, फिर वह होल्ड करने के लिए धीमा हो जाता है। महत्वपूर्ण बात यह है कि यदि स्ट्रेन कम हो जाता है (उदाहरण के लिए, उठाने के दौरान आर्म जॉइंट के झुकने के कारण), तो कंट्रोलर रिलीज नहीं होता है; यह स्ट्रेन को $\varepsilon$ पर बनाए रखने के लिए पुनः बंद होता है।

सैद्धांतिक गारंटी (Certified Bound)
यह विधि एक प्रमाणित रूप से कंजर्वेटिव (provably conservative) गारंटी प्रदान करती है। चूंकि वास्तविक कठोरता $k_{true} \ge k_{min}$ है, इसलिए अनुमानित स्ट्रेन $\hat{r}$ वास्तविक स्ट्रेन $r_{true}$ को ओवर-बाउंड करता है:
$r_{true} = \frac{F}{k_{true} D} \le \frac{F}{k_{min} D} = \hat{r}$
इसलिए, जब $\hat{r} = \varepsilon$ होता है, तब रुकना यह सुनिश्चित करता है कि वास्तविक कम्प्रेशन $r_{true} \le \varepsilon$ है। यह बाउंड बिना किसी प्रति-फल कैलिब्रेशन के बना रहता है और मोटर-एफर्ट कोएफिशिएंट की त्रुटियों के प्रति भी मजबूत है, बशर्ते कि स्टिफनेस मार्जिन पर्याप्त हो।

प्रमुख योगदान (Key Contributions)

प्रोपियोसेप्टिव कंट्रोलर: एक ग्रैस्प कंट्रोलर जो केवल एनकोडर और मोटर-एफर्ट सिग्नल का उपयोग करके एडेप्टिव और डैमेज-सेफ ग्रैस्पिंग प्राप्त करता है, जिससे टैक्टाइल या फोर्स-टॉर्क सेंसर की आवश्यकता समाप्त हो जाती है।
सर्टिफाइड कंजर्वेटिव गारंटी: एक गणितीय प्रमाण कि वास्तविक कम्प्रेशन स्ट्रेन किसी भी ऐसे ऑब्जेक्ट के लिए $\varepsilon$ के बराबर या उससे कम रहेगा जिसकी कठोरता $k \ge k_{min}$ है, बिना किसी प्रति-ऑब्जेक्ट कैलिब्रेशन के।
क्वांटिफाइड डिटेक्शन फ्लोर: एक "कॉन्टैक्ट-डिटेक्शन स्ट्रेन फ्लोर" की पहचान। मजबूत कॉन्टैक्ट डिटेक्शन के लिए नॉइज़ थ्रेशोल्ड को पार करने और बने रहने के लिए एक निश्चित मात्रा में कम्प्रेशन की आवश्यकता होती है। यह फ्लोर, जो क्लोजिंग स्पीड के साथ रैखिक रूप से स्केल करता है, न्यूनतम प्राप्त होने योग्य $\varepsilon$ को परिभाषित करता है और क्लोजिंग स्पीड को एक स्पष्ट थ्रूपुट-जेंटलनेस ट्रेड-ऑफ नॉब के रूप में स्थापित करता है।
वैलिडेशन: विभिन्न कठोरताओं में प्रदर्शन प्रदर्शित करने के लिए व्यापक सिमुलेशन और हार्डवेयर वैलिडेशन।

परिणाम (Results)

सिमुलेशन (MuJoCo): रियल हार्डवेयर के लिए कैलिब्रेटेड सेंसर-नॉइज़ मॉडल का उपयोग करते हुए, प्रस्तावित विधि ने पूरे प्रमाणित $\varepsilon$ रेंज ( $0.7\% - 2.0\%$ ) के लिए सभी मीडियम-टू-फर्म स्टिफनेस ( $k \ge 4000$ N/m) के लिए $\ge$ 98% ग्रैस्प सफलता और 0% डैमेज प्राप्त किया। फिक्स्ड-फोर्स बेसलाइन (जेन्टल या अग्रेसिव) इस "क्लीन कॉर्नर" प्रदर्शन को प्राप्त नहीं कर सकी।
हार्डवेयर (3D-प्रिंटेड TPU क्यूब्स): सॉफ्ट क्यूब्स पर, प्रस्तावित विधि ने डैमेज को 100% (दोनों बेसलाइन्स) से घटाकर 40% ( $\varepsilon=0.7\%$ पर) कर दिया, जबकि ग्रैस्प सफलता बनाए रखी। मीडियम और स्टिफ क्यूब्स पर, इसने बेसलाइन ग्रैस्प सफलता (100%) के बराबर प्रदर्शन किया, जबकि लगभग आधे ग्रिप फोर्स का उपयोग किया।
फिक्स्ड-फोर्स बेसलाइन्स: बेसलाइन्स सॉफ्ट ऑब्जेक्ट्स पर विफल रहीं (100% डैमेज या टाइमआउट) और वे पूरे स्टिफनेस रेंज के लिए या तो बहुत कमजोर (जेंटल) थीं या बहुत विनाशकारी (अग्रेसिव) थीं।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि यह दृष्टिकोण डिज़ाइन स्पेस में एक खाली क्षेत्र को भरता है: एक सर्टिफाइड डिफॉर्मेशन बाउंड जो केवल प्रोपियोसेप्टिव सिग्नल्स से प्राप्त होता है। हैंड-ट्यून्ड फोर्स थ्रेशोल्ड के विपरीत, पैरामीटर $\varepsilon$ है:

ऑपरेटर-इंटरप्रिटेबल: यह एक डाइमेंशनलेस स्ट्रेन लिमिट है जो विभिन्न फलों के आकार और रोबोट स्केल के लिए लागू होती है।
साइज़-स्केलिंग: प्रभावी फोर्स थ्रेशोल्ड वस्तु के व्यास ( $D$ ) के साथ स्वतः स्केल होता है।
लर्निंग के लिए सुरक्षित: यह सीखे गए ग्रैस्पिंग पॉलिसीज के लिए एक पूर्व-प्रमाणित सुरक्षित एक्शन स्पेस प्रदान करता है, जिससे फल को नुकसान पहुँचाए बिना $\varepsilon$ पर प्रयोग करना संभव होता है।

लेखक सीमाओं को स्वीकार करते हैं, विशेष रूप से वेरी-सॉफ्ट रिजीम (जहाँ एक स्थिर लिफ्ट के लिए डैमेज लाइन के पास कम्प्रेशन की आवश्यकता होती है) में, जहाँ रिजिड-पैड अप्रोच को ग्रैस्प सफलता और डैमेज अवॉयडेंस के बीच ट्रेड-ऑफ करना पड़ता है। उन्होंने उल्लेख किया है कि वास्तविक फल वैलिडेशन (एनिसोट्रॉपी और अनियमित ज्यामिति को संबोधित करना) और ऑनलाइन स्टिफनेस एस्टीमेशन (फर्म फल पर बाउंड को टाइट करने के लिए) भविष्य के आवश्यक कदम हैं।

इसी तरह के और पेपर