One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

कल्पना कीजिए कि एक रोबोट को एक जंगल में खुद चलने के लिए डिज़ाइन किया गया है, पक्की सड़क पर नहीं, बल्कि सुदूर उत्तर के कच्चे, बदलते जंगलों के बीच। इन मशीनों के काम करने के लिए, उन्हें हर सेकंड यह जानने की जरूरत होती है कि वे कहाँ हैं। आमतौर पर, वे ऊपर आकाश में घूम रहे उपग्रहों (सेटेलाइट्स) से मिलने वाले संकेतों पर निर्भर करते हैं, ठीक वैसे ही जैसे एक स्मार्टफोन कॉफी शॉप खोजने के लिए जीपीएस का उपयोग करता है। लेकिन कनाडा के गहरे, उप-आर्कटिक जंगलों में, आसमान अक्सर पेड़ों की घनी परतों से ढका रहता है, और हवा खुद संकेतों को निगल सकती है। जब उपग्रह का संकेत विफल हो जाता है, तो रोबोट को नेविगेट करने के लिए अपनी आँखों और सेंसरों पर निर्भर रहना पड़ता है, जिसे ओडोमेट्री (odometry) कहा जाता है। यह कुछ वैसा ही है जैसे अपनी आँखें बंद करके एक अंधेरे कमरे में चलना, और यह जानने के लिए अपने कदमों को गिनना कि आप कितनी दूर तक गए हैं। समस्या यह है कि कमरा बदल जाता है। गर्मियों में, जंगल हरा-भरा और पत्तों से भरा होता है; सर्दियों में, यह बर्फ की कई मीटर परतों के नीचे दबा होता है, और पेड़ नग्न और बेरंग होते हैं। एक मशीन के लिए, यह मौसमी बदलाव ऐसा है जैसे आप चलते समय अचानक कमरे के फर्नीचर को फिर से व्यवस्थित होते हुए देख रहे हों।

यही वह चुनौती थी जिसे क्यूबेक में लावल यूनिवर्सिटी के शोधकर्ताओं के एक दल ने हल करने का प्रयास किया। वे जानना चाहते थे कि आज उपलब्ध सबसे स्मार्ट नेविगेशन सॉफ्टवेयर में से क्या एक पूरे वर्ष उप-आर्कटिक बोरियल वन (boreal forest) में जीवित रह सकता है। उन्होंने इसे केवल कंप्यूटर पर सिम्युलेट नहीं किया; उन्होंने एक वास्तविक रोबोट बनाया, एक ट्रैक वाला वाहन जो एक छोटी कार के आकार का था, और उसे जंगल में भेज दिया। उन्होंने गर्मी, पतझड़ के क्षय और सर्दियों की गहरी ठंड के दौरान 64 किलोमीटर से अधिक के वन मार्गों और ऑफ-ट्रेल इलाकों में इसे चलाया। तापमान में भारी उतार-चढ़ाव आया, जो सबसे गर्म दिनों से सबसे ठंडी रातों के बीच 60 डिग्री सेल्सियस से अधिक था। लक्ष्य नौ अलग-अलग नेविगेशन सिस्टम का परीक्षण करना था, जो साधारण पहिया-गिनती विधियों से लेकर जटिल आर्टिफिशियल इंटेलिजेंस तक थे, जो वास्तविक समय में दुनिया का 3D मानचित्र बनाने की कोशिश करते हैं। वे देखना चाहते थे कि कौन से सिस्टम काम करते रहेंगे जब उनके आसपास की दुनिया पूरी तरह बदल जाएगी, और कौन से सिस्टम बस हार मान लेंगे।

परिणाम आश्चर्यजनक थे। शोधकर्ताओं ने पाया कि सबसे परिष्कृत सिस्टम, जो दुनिया को "देखने" के लिए कैमरों का उपयोग करते हैं या विस्तृत मानचित्र बनाने के लिए जटिल एल्गोरिदम का उपयोग करते हैं, अक्सर सबसे नाजुक थे। जब मौसम बदला, तो इन उन्नत सिस्टमों को एक ही स्थान को पहचानने में संघर्ष करना पड़ा। गर्मियों में पत्तियों और छनकर आती धूप को देखने वाला कैमरा, सर्दियों में उसी जंगल को सफेद बर्फ और गहरे तनों की एक सुरंग के रूप में देखता है। सॉफ्टवेयर, जिसे शहरों या मध्यम जलवायु के डेटा पर प्रशिक्षित किया गया था, वह संबंध नहीं बना सका। वह भ्रमित हो गया, अपना स्थान खो दिया, और रास्ते से भटक गया। कई मामलों में, ये हाई-टेक सिस्टम एक बहुत ही सरल विधि से भी बदतर प्रदर्शन करते थे, जो केवल यह गिनता था कि पहिए कितनी बार घूमे और दिशा का अनुमान लगाने के लिए एक बुनियादी सेंसर का उपयोग करता था। यह सरल विधि, जिसे प्रोप्रियोसेप्टिव ओडोमेट्री (proprioceptive odometry) कहा जाता है, इस बात की परवाह नहीं करती थी कि जंगल कैसा दिखता है। इसे केवल रोबोट की अपनी गति की परवाह थी। हालांकि यह पूर्ण नहीं था, लेकिन यह उल्लेखनीय रूप से स्थिर साबित हुआ, और बर्फ जमा होने या पेड़ों पर बर्फ जमने पर इसके जटिल समकक्षों की तुलना में बहुत कम विफल हुआ।

अध्ययन ने यह भी खुलासा किया कि सिस्टम में अधिक जटिलता जोड़ने से उसके टूटने की संभावना बढ़ जाती है। कुछ उन्नत सॉफ्टवेयर उन स्थानों को खोजकर अपनी गलतियों को सुधारने की कोशिश करते थे जहाँ वे पहले जा चुके थे, जिसे 'लूप क्लोजर' (loop closure) कहा जाता है। एक शहर में, यह अच्छी तरह काम करता है क्योंकि इमारतें साल भर एक जैसी दिखती हैं। हालाँकि, उप-आर्कटिक जंगल में, "लैंडमार्क" अविश्वसनीय थे। सर्दियों में बर्फ का एक ढेर गर्मियों में एक झाड़ी जैसा दिख सकता है, या एक पेड़ बर्फ के ढेर के पीछे छिप सकता है। सॉफ्टवेयर इन विशेषताओं को मिलाने की कोशिश करेगा, गलत करेगा, और फिर उसकी स्थिति में एक बड़ी त्रुटि पैदा कर देगा। शोधकर्ताओं ने पाया कि ये जटिल सिस्टम परिवेश के प्रति इतने संवेदनशील थे कि वे अक्सर पूरी तरह विफल हो जाते थे, जिससे रोबोट अपने स्थान पर रुक जाता था। इसके विपरीत, सरल सिस्टम, जो दुनिया का सटीक मानचित्र बनाने की कोशिश नहीं करते थे, आगे बढ़ते रहे, भले ही वे थोड़े रास्ते से भटक गए हों।

सबसे महत्वपूर्ण निष्कर्षों में से एक सेंसरों के बीच का अंतर था। कैमरे, जो शहरों में विवरण देखने के लिए बेहतरीन होते हैं, मौसमों से सबसे अधिक प्रभावित हुए। गर्मियों में, कैमरा ट्रैक करने के लिए पर्याप्त विशेषताएं देख सकता था, लेकिन सर्दियों में, बर्फ ने एक सपाट, बिना किसी विशेषता वाली सफेद सतह बना दी जिसने सॉफ्टवेयर को भ्रमित कर दिया। रोबोट बर्फ के ऊपर से चला, और कैमरे ने सफेद रंग के अलावा कुछ नहीं देखा, जिससे नेविगेशन सिस्टम ने अपनी दिशा का बोध खो दिया। रडार और लिडार (lidar), जो दूरी मापने के लिए रेडियो तरंगों और लेजर पल्स का उपयोग करते हैं, बहुत अधिक लचीले थे। वे बर्फ और अंधेरे के पार देख सकते थे, और वे पेड़ों के दृश्य स्वरूप पर निर्भर नहीं थे। हालाँकि, इन सेंसरों को भी तब समस्या हुई जब जमीन खुद आकार बदलने लगी। जब एक रोबोट बर्फ के ढेर के ऊपर से गुजरा, तो वाहन का कोण झुक गया, जिससे सेंसर के जमीन को देखने का तरीका बदल गया। इस भौतिक बदलाव ने, बदलते परिदृश्य के साथ मिलकर, रडार सिस्टम को भी संघर्ष करने पर मजबूर कर दिया जब वे एक नई यात्रा को पुराने मानचित्र से मिलाने की कोशिश कर रहे थे।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या एक रोबोट एक मौसम में रास्ता सीख सकता है और दूसरे मौसम में उसे दोहरा सकता है, जिसे "टीच एंड रिपीट" (Teach and Repeat) कहा जाता है। उन्होंने रोबोट को गर्मियों में एक मार्ग सिखाया और सर्दियों में उसी पथ पर चलाने के लिए कहा। परिणाम मिले-जुले रहे। लिडार-आधारित सिस्टम, जो 3D मानचित्र बनाने के लिए लेजर का उपयोग करते हैं, कई मामलों में कार्य पूरा करने में सफल रहे, मुख्य रूप से इसलिए क्योंकि वे ऊंचे पेड़ों को देख सकते थे जो जमीन के दब जाने के बावजूद स्थिर रहते हैं। रडार सिस्टम, जो दुनिया के एक सपाट हिस्से को देखते हैं, और कैमरा सिस्टम, जो दृश्य पैटर्न पर निर्भर हैं, बहुत अधिक बार विफल हुए। रडार, विशेष रूप से, बर्फ के ढेरों पर चढ़ते समय जमीन के बदलते कोण से भ्रमित हो गया, जिससे महीनों पहले सीखे गए मानचित्र के साथ संरेखण (alignment) खो गया। कैमरा सिस्टम पर्याप्त दृश्य सुराग नहीं ढूंढ सके कि वे कहाँ हैं, खासकर जब रोबोट बिना साफ किए गए सड़कों पर चल रहा था जहाँ बर्फ गहरी और एकसमान थी।

सॉफ्टवेयर के अलावा, उप-आर्कटिक वातावरण की भौतिक वास्तविकता ने अपनी स्वयं की चुनौतियाँ पेश कीं, जिन्हें शोधकर्ताओं को प्रयोग को जारी रखने के लिए पार करना पड़ा। ठंड एक निरंतर दुश्मन थी। अत्यधिक ठंडे तापमान में बैटरी अपनी शक्ति बहुत तेजी से खो देती थी, और रोबoret के ट्रैक, जो उसे बर्फ पर चलने में मदद करने के लिए बनाए गए थे, उन्हें गर्मियों में पहियों की तुलना में दोगुना ऊर्जा की आवश्यकता होती थी। टीम को रोबोट के बर्फ में फंसने का सामना करना पड़ा, न केवल गहराई के कारण, बल्कि बर्फ के प्रकार के कारण। नवंबर में ताजी, सूखी बर्फ रोबोट को पकड़ बनाने और आगे बढ़ने की अनुमति देती थी, लेकिन अप्रैल में गीली, भारी बर्फ वाहन को आगे बढ़ाए बिना ट्रैक को घुमा देती थी। सेंसरों को बर्फ और बर्फ से साफ रखना पड़ता था, अन्यथा वे पूरी तरह से काम करना बंद कर देते। यहाँ तक कि 'ग्राउंड ट्रुथ' (ground truth), यानी रोबोट के सही होने की जाँच करने के लिए उपयोग किया जाने वाला संदर्भ डेटा प्राप्त करना भी कठिन था। टीम को अपने सेंसरों को कैलिब्रेट करने के लिए रोबोट को एक विशेष क्रेन से उठाने और उसे अलग-अलग दिशाओं में हिलाने की आवश्यकता पड़ी, क्योंकि अत्यधिक ठंड और ऊबड़-खाबड़ इलाके ने मानक अंशांकन (calibration) को असंभव बना दिया था।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि हमने रोबोट नेविगेशन में बड़ी प्रगति की है, उप-आर्कटिक वन स्वायत्त मशीनों के लिए एक शत्रुतापूर्ण सीमा बना हुआ है। सबसे उन्नत एल्गोरिदम, जो शहरों या नियंत्रित प्रयोगशालाओं में खूबसूरती से काम करते हैं, अभी भी जंगली, बदलते संसार के लिए तैयार नहीं हैं। वे बहुत नाजुक हैं, और इस बात पर बहुत अधिक निर्भर हैं कि दुनिया वैसी ही दिखे जैसी उसे सिखाया गया था। सरल विधियाँ, जो रोबोट की अपनी गति पर निर्भर करती हैं, सबसे विश्वसनीय साबित हुईं, जो यह सुझाव देती हैं कि फिलहाल, उत्तर के गहरे क्षेत्रों में एक रोबोट के लिए दृश्यों को पहचानने के बजाय अपने कदमों पर भरोसा करना बेहतर है। शोधकर्ता इस बात पर जोर देते हैं कि आगे बढ़ने के लिए, क्षेत्र को केवल सिमुलेशन में ही नहीं, बल्कि वास्तविक दुनिया की स्थितियों में भी इन प्रणालियों का परीक्षण करने के बेहतर तरीकों की आवश्यकता है। वे सुझाव देते हैं कि भविष्य के परीक्षणों में यह स्पष्ट रूप से रिपोर्ट किया जाना चाहिए कि सिस्टम कितनी बार विफल होते हैं, न कि केवल यह कि वे काम करते समय कितने सटीक हैं। तब तक, उप-आर्कटिक वन में साल भर घूमने, गहरे बर्फ और बदलते मौसमों के बीच खुद रास्ता खोजने वाले रोबोट का सपना अभी भी पहुंच से बाहर है। जंगल बदल रहा है, और मशीनें अभी तक इसके साथ तालमेल बिठाने के लिए तैयार नहीं हैं।