SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

रोबोट्स को, इंसानों की तरह, यह जानने की आवश्यकता होती है कि वे कहाँ हैं और वे कैसे चल रहे हैं ताकि वे काम कर सकें। यह क्षमता, जिसे ओडोमेट्री (odometry) कहा जाता है, स्थिति और ओरिएंटेशन की निरंतर आंतरिक गणना है जो किसी मशीन को बिंदु A से बिंदु B तक नेविगेट करने की अनुमति देती है। दशकों से, इंजीनियर दुनिया की यह तस्वीर बनाने के लिए बाहरी सेंसरों पर निर्भर रहे हैं। कैमरे आँखों के रूप में कार्य करते हैं, जो कोनों और बनावट जैसे दृश्य लक्षणों को कैप्चर करते हैं, जबकि लेजर स्कैनर दीवारों और बाधाओं की ज्यामिति का मानचित्रण करते हैं। ये उपकरण स्पष्ट, अच्छी रोशनी वाले और संरचित वातावरण में बहुत खूबसूरती से काम करते हैं। हालाँकि, वास्तविक दुनिया अक्सर अव्यवस्थित होती है। घना धुआं, अंधा कर देने वाली बर्फबारी, अंधेरी सुरंगें, या अचानक रोशनी का कम होना एक कैमरे को अंधा कर सकता है और लेजर बीम को बिखेर सकता है। जब ये बाहरी इंद्रियां विफल हो जाती हैं, तो एक रोबोट अपना रास्ता जल्दी ही भटक सकता है, या भटककर रुक सकता है। यह नाजुकता लंबे समय से स्वायत्त मशीनों को सबसे खतरनाक या अप्रत्याशित स्थानों, जैसे आपदा क्षेत्रों या गहरी भूमिगत खदानों में भेजने में एक बाधा रही है।

कार्नेगी मेलन यूनिवर्सिटी और यूनिवर्सिटी एट बफेलो के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए 'सुपर ओडोमेट्री' नामक एक नई प्रणाली विकसित की है। केवल उन बाहरी सेंसरों पर निर्भर रहने के बजाय जो वातावरण द्वारा आसानी से धोखा खा सकते हैं, उनकी प्रणाली एक रोबोट की गति की आंतरिक समझ पर भरोसा करना सीखती है, ठीक वैसे ही जैसे एक इंसान अंधेरे कमरे में अपने कदमों को महसूस करके रास्ता खोजता है। शोधकर्ताओं ने एक ऐसा ढांचा बनाया है जो केवल सेंसरों को चालू या बंद नहीं करता है, बल्कि स्थितियाँ कितनी खराब हैं इसके आधार पर अपनी पूरी रणनीति को गतिशील रूप से अनुकूलित करता है। उन्होंने इस प्रणाली का परीक्षण रोबोटों के एक बेड़े पर किया, जिसमें उड़ने वाले ड्रोन, पहिये वाले वाहन और पैरों वाले (legged) मशीन शामिल थे, जिन्हें चुनौतीपूर्ण इलाकों में 200 किलोमीटर से अधिक चलाया गया। परिणामों ने दिखाया कि यह प्रणाली घने धुएं या पूर्ण अंधकार जैसी स्थितियों में, जहाँ कैमरे और लेजर पूरी तरह से बेकार हो जाते हैं, एक आंतरिक मोशन सेंसर से प्राप्त डेटा पर भारी निर्भर होकर सटीक नेविगेशन बनाए रख सकती है।

इस नए दृष्टिकोण का मूल अनुकूलन का एक पदानुक्रम (hierarchy) है जो स्थितियाँ बिगड़ने पर सक्रिय हो जाता है। एक सामान्य वातावरण में, रोबोट अपने पथ को ट्रैक करने के लिए अपने कैमरों और लेजर स्कैनरों का उपयोग करता है। लेकिन जब हवा धुएं से भर जाती है या रोशनी कम हो जाती है, तो प्रणाली घबराती नहीं है; यह बस अपना ध्यान बदल लेती है। पहला कदम उन दृश्य विवरणों के प्रति अधिक चयनात्मक होना है जिन पर वह भरोसा करता है, यानी धुंधले या भ्रमित करने वाले हिस्सों को अनदेखा करना। यदि वातावरण ज्यामितीय रूप से भ्रमित करने वाला हो जाता है, जैसे कि एक लंबा, खाली गलियारा जहाँ दीवारें एक जैसी दिखती हैं, तो प्रणाली अपना ध्यान उन दिशाओं की ओर स्थानांतरित कर देती है जहाँ वह अभी भी विश्वसनीय जानकारी पा सकती है, और उन दिशाओं को अनदेखा कर देती है जहाँ वह खो गई है। यदि गिरावट मिश्रित है, जिसमें कुछ सेंसर विफल हो रहे हैं और अन्य संघर्ष कर रहे हैं, तो प्रणाली अपने विश्वास को गतिशील रूप से पुन: भारित (reweight) करती है, और उस सेंसर पर अधिक भरोसा करती है जो अभी भी अच्छी तरह से काम कर रहा है।

सबसे महत्वपूर्ण नवाचार तब होता है जब सभी बाहरी सेंसर पूरी तरह से विफल हो जाते हैं। धुएं से भरे कमरे या बर्फबारी जैसी स्थितियों में, जहाँ न आँखें देख सकती हैं और न ही लेजर देख सकते हैं, यह प्रणाली एक सीखी हुई आंतरिक मॉडल की ओर मुड़ती है। यह मॉडल एक इनर्शियल मेजरमेंट यूनिट (Inertial Measurement Unit) पर आधारित है, जो रोबोट के अंदर लगा एक छोटा चिप है जो त्वरण (acceleration) और घूर्णन (rotation) को मापता है। ऐतिहासिक रूप से, इन चिप्स को माध्यमिक उपकरणों के रूप में माना जाता था, जिनका उपयोग केवल कैमरों के डेटा को सुचारू बनाने के लिए किया जाता था। शोधकर्ताओं ने, हालांकि, विविध रोबोटों के 100 घंटों से अधिक के डेटा पर एक डीप लर्निंग नेटवर्क को प्रशिक्षित किया, जिससे इसे केवल आंतरिक गति डेटा से गति का अनुमान लगाना सिखाया गया। इसने रोबोट को अपनी स्थिति का अनुमान लगाने की अनुमति दी, भले ही वह एक भी चीज़ देख न पा रहा हो। प्रणाली को इस तरह डिज़ाइन किया गया है कि जब बाहरी सेंसर काम कर रहे होते हैं, तो वे लगातार इस आंतरिक मॉडल को सिखाते और परिष्कृत करते रहते हैं। लेकिन जब बाहरी दुनिया अदृश्य हो जाती है, तो आंतरिक मॉडल कमान संभाल लेता है, एक विश्वसनीय बैकअप प्रदान करता है जो रोबोट को चलते रहने में मदद करता है।

इस अवधारणा को सिद्ध करने के लिए, शोधकर्ताओं ने अपने सिस्टम को परीक्षणों की एक कठोर श्रृंखला से गुजारा। उन्होंने एक लेग्ड रोबोट को एक विश्वविद्यालय परिसर में एक निरंतर मार्ग पर चलाया जिसमें 13 से अधिक कठिन स्थितियाँ शामिल थीं। रोबोट ने अंधेरे, बिना किसी विशेषता वाले गलियारों, खड़ी सीढ़ियों और लेंस फ्लेयर एवं सफेद दीवारों जैसे तीव्र विजुअल नॉइज़ वाले क्षेत्रों के माध्यम से नेविगेट किया। अंत में, रोबोट एक ऐसे क्षेत्र में प्रवेश किया जो घने धुएं से भरा था जिसने उसकी दृष्टि और लेजर सेंसर को पूरी तरह से बाधित कर दिया। पूरे 2,966 मीटर के सफर के दौरान, प्रणाली कभी विफल नहीं हुई। इसने केवल 20 सेंटीमीटर की अंतिम स्थिति त्रुटि बनाए रखी, जो कि 0.006 प्रतिशत की अत्यंत कम ड्रिफ्ट दर है। यह प्रदर्शन बिना किसी जटिल बैकएंड ट्रिक्स या गलतियों को सुधारने के लिए प्रतीक्षा किए गए, वास्तविक समय में खुद को ठीक करते हुए हासिल किया गया।

टीम ने अचानक सेंसर विफलताओं को संभालने की क्षमता का भी परीक्षण किया। एक प्रयोग में, उन्होंने रोबोट के सेंसरों को कार्डबोर्ड से भौतिक रूप से अवरुद्ध किया, पहले किनारे से, फिर सामने से, और अंत में कैमरा और लेजर स्कैनर दोनों के सभी दृश्यों को ढक दिया। प्रणाली ने इन अवरोधों का तुरंत पता लगाया और शेष सेंसरों पर अपने भरोसे को समायोजित किया। जब कैमरा अवरुद्ध हुआ, तो प्रणाली लेजर स्कैनर पर निर्भर हो गई; जब लेजर अवरुद्ध हुआ, तो वह कैमरे पर निर्भर हो गई। जब दोनों अवरुद्ध हो गए, तो सीखा हुआ आंतरिक मोशन मॉडल नेतृत्व करने लगा। रोबोट ने अपने परिवेश का मानचित्रण करना और उच्च सटीकता के साथ अपने पथ को ट्रैक करना जारी रखा, जिससे यह प्रदर्शित हुआ कि सिस्टम बाहरी धारणा के पूर्ण नुकसान के बावजूद भी जीवित रह सकता है।

इस प्रणाली की पुष्टि विभिन्न प्रकार के रोबोटों, कारों से लेकर ड्रोन, क्वाड्रुपेड मशीनों और हैंडहेल्ड डिवाइस तक, पर परीक्षण करके की गई। शोधकर्ताओं ने पाया कि उनके द्वारा प्रशिक्षित आंतरिक मोशन मॉडल अत्यधिक सामान्यीकरण योग्य (generalizable) है। कई अलग-अलग प्रकार के रोबोटों के डेटा से प्रशिक्षित मॉडल, केवल एक प्रकार के रोबोट के लिए विशेष रूप से प्रशिक्षित मॉडलों की तुलना में बेहतर प्रदर्शन करता है। इसका मतलब है कि इस प्रणाली को बिना दोबारा प्रशिक्षित किए एक नए रोबोट पर तैनात किया जा सकता है। इससे भी अधिक प्रभावशाली बात यह है कि प्रणाली वास्तविक समय में एक पूरी तरह से नए रोबोट के अनुकूल हो सकती है। एक बड़े ऑल-टेरेन वाहन से जुड़े परीक्षण में, प्रणाली ने केवल 60 सेकंड के डेटा का उपयोग करके अपने आंतरिक मॉडल को समायोजित किया, वाहन के विशिष्ट मूवमेंट पैटर्न को सीखा और तुरंत अपनी सटीकता में सुधार किया।

शोधकर्ताओं ने अपने तरीके की तुलना क्षेत्र की सर्वश्रेष्ठ मौजूदा तकनीकों से की। ज्यामितीय और मिश्रित गिरावट वाले मानक परीक्षणों में, उनकी प्रणाली ने दूसरे सबसे अच्छे तरीके की तुलना में औसत त्रुटि दर 54 प्रतिशत कम प्राप्त की। इससे भी महत्वपूर्ण बात यह है कि जबकि अन्य प्रणालियाँ सबसे चरम स्थितियों में, जैसे कि घने धुएं के परीक्षणों में, पूरी तरह से विफल हो गईं, सुपर ओडोमेट्री ने कार्य करना जारी रखा। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि केवल अधिक सेंसर जोड़ने या उनके डेटा का औसत निकालने से इन समस्याओं को हल किया जा सकता है। इसके बजाय, उन्होंने दिखाया कि जब वातावरण बदलता है तो एक कठोर दृष्टिकोण विफल हो जाता है, और सुरक्षा तथा कार्यक्षमता बनाए रखने के लिए एक लचीली, पदानुक्रमित रणनीति की आवश्यकता होती है।

यह कार्य रोबोटों को वास्तविक दुनिया में वास्तव में स्वायत्त बनाने की दिशा में एक महत्वपूर्ण कदम है। आंतरिक मोशन सेंसर को प्राथमिक भूमिका देकर और एक ऐसी प्रणाली बनाकर जो विभिन्न रणनीतियों के बीच निर्बाध रूप से स्विच कर सकती है, शोधकर्ताओं ने ऐसे रोबोटों की नींव रखी है जो किसी भी स्थिति में सुरक्षित रूप से काम कर सकते हैं। चाहे वह धुएं से भरे भवन में उड़ता बचाव ड्रोन हो, अंधेरी गुफा की खोज करने वाला रोवर हो, या बर्फबारी में चलता वाहन हो, यह प्रणाली सुनिश्चित करती है कि रोबोट वास्तव में अपना रास्ता न भटके। छह वर्षों के विकास के दौरान 800 परिचालन घंटों में एकत्र किए गए परिणाम बताते हैं कि नाजुक, वातावरण-निर्भर रोबोटों का युग समाप्त होने वाला है, और उनकी जगह ऐसी मशीनें ले रही हैं जो जहाँ भी भेजी जाएँ, वहाँ अनुकूलित हो सकें और जीवित रह सकें।