Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
यह शोध पत्र श्रेणीबद्ध मॉड्यूल सॉफ्ट न्यूमैटिक रोबोटों के लिए एक मॉड्यूल संख्या अनुकूलन दृश्य आकार नियंत्रण विधि प्रस्तुत करता है जो स्थानीय इमेज पैच अपघटन और ज्यामितीय डेटा संवर्धन के माध्यम से एकल-मॉड्यूल-प्रशिक्षित नियंत्रक के पुन: उपयोग द्वारा विभिन्न मॉड्यूल संख्याओं और पर्यावरणीय स्थितियों में स्केलेबल होल-बॉडी कॉन्फ़िगरेशन नियंत्रण को सक्षम बनाता 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
सॉफ्ट रोबोट इंजीनियरिंग की एक विशिष्ट शाखा है जो कठोर धातु और प्लास्टिक के स्थान पर लचीले, रबर जैसे पदार्थों का उपयोग करती है। पारंपरिक मशीनों के विपरीत, जो सटीक, निश्चित जोड़ों के साथ चलती हैं, ये रोबोट जीवित ऊतकों की तरह मुड़ते और घूमते हैं, जिससे वे बिना किसी नुकसान के तंग जगहों से गुजर सकते हैं, नाजुक वस्तुओं को संभाल सकते हैं, या असमान धरातल पर नेविगेट कर सकते हैं। क्योंकि उनके शरीर नरम, लचीले घटकों से बने होते हैं, इसलिए उनका कोई एक निश्चित आकार नहीं होता; इसके बजाय, उनका पूरा रूप निरंतर बदल सकता है। यह लचीलापन उन्हें सीमित वातावरणों में कार्यों के लिए अविश्वसनीय रूप से उपयोगी बनाता है, जैसे कि चिकित्सा प्रक्रियाओं या खोज और बचाव मिशनों में, लेकिन यह उन्हें नियंत्रित करना भी बेहद कठिन बना देता है। पारंपरिक कंप्यूटर मॉडल ठीक-ठीक यह अनुमान लगाने में संघर्ष करते हैं कि एक सॉफ्ट रोबोट कैसे हिलेगा क्योंकि सामग्री जटिल, अप्रत्याशित तरीकों से मुड़ती है। इसे हल करने के लिए, शोधकर्ताओं ने विजन-आधारित नियंत्रण (vision-based control) की ओर रुख किया है, जहाँ एक कैमरा रोबोट को देखता है और वास्तविक समय में उसकी गतिविधियों को समायोजित करता है, ठीक वैसे ही जैसे एक इंसान अपने हाथ को निर्देशित करने के लिए खुद को देखते हुए करता है। हालाँकि, एक बड़ी बाधा बनी हुई थी: अधिकांश विजुअल कंट्रोल सिस्टम एक विशिष्ट रोबट आकार के लिए बनाए गए हैं। यदि एक रोबोट पांच जुड़े हुए खंडों (segments) से बना है, तो उस कंट्रोल सॉफ्टवेयर का उपयोग तीन या सात खंडों वाले रोबोट पर तब तक नहीं किया जा सकता जब तक कि उसे पूरी तरह से फिर से न लिखा जाए और फिर से प्रशिक्षित न किया जाए।
शोधकर्ताओं की एक टीम ने एक नई विधि विकसित की है जो एक ही नियंत्रण प्रणाली को प्रत्येक आकार के लिए नए प्रशिक्षण डेटा की आवश्यकता के बिना, विभिन्न लंबाई वाले सॉफ्ट रोबोटों को प्रबंधित करने की अनुमति देती है। उन्होंने एक प्रकार के रोबोट पर ध्यान केंद्रित किया जो एक रेखा में जुड़े समान, फुलाने योग्य (inflatable) खंडों द्वारा बनाया गया है। अपने प्रयोगों में, उन्होंने एक खंड से लेकर पांच खंडों को एक के बाद एक जोड़कर बनाए गए रोबोटों का निर्माण किया। उनकी खोज का मूल आधार एक तकनीक है जो रोबोट की पूरी शारीरिक छवि को छोटे, व्यक्तिगत टुकड़ों में विभाजित करती है, और प्रत्येक खंड को एक अलग इकाई मानती है। एक पांच-खंड वाले रोबोट के एक विशाल, जटिल वस्तु के रूप में चलने को सीखने के बजाय, सिस्टम यह सीखता है कि एक एकल खंड कैसे चलता है और फिर उसी ज्ञान को हर उस खंड पर लागू करता है जिसे वह देखता है, चाहे उसके पास कितने भी पड़ोसी क्यों न हों। इस दृष्टिकोण का अर्थ यह है कि एक बार जब शोधकर्ताओं ने कंप्यूटर को एक एकल खंड को नियंत्रित करना सिखा दिया, तो वही "मस्तिष्क" एक, तीन या पांच खंडों वाले रोबोट को नियंत्रित करने के लिए तुरंत पुन: उपयोग किया जा सकता था।
इसे सफल बनाने के लिए, शोधकर्ताओं को इस तथ्य से पार पाना था कि एक खंड अलग दिखता है, यह इस पर निर्भर करता है कि वह रेखा में कहाँ स्थित है। पांच खंडों वाले रोबोट के नीचे स्थित एक खंड, मेज पर अकेले रखे एक एकल खंड की तुलना में कैमरे के दृश्य में एक अलग भाग में और एक अलग कोण पर दिखाई देता है। कंप्यूटर को इन दृश्य अंतरों को अनदेखा करना सिखाने के लिए, उन्होंने प्रशिक्षण चरण के दौरान 'जियोमेट्रिक डेटा ऑग्मेंटेशन' नामक तकनीक का उपयोग किया। इसमें एक एकल खंड की छवियों को हजारों अलग-अलग तरीकों से कृत्रिम रूप से घुमाना और खिसकाना शामिल था, जो प्रभावी रूप से कंप्यूटर को यह दिखा रहा था कि वही रबर का टुकड़ा कई स्थितियों और ओरिएंटेशन में दिखाई दे सकता है। इन विविध दृश्यों पर सिस्टम को प्रशिक्षित करके, कंप्यूटर ने खंड के विशिष्ट स्थान के बजाय उसके आवश्यक आकार को पहचानना सीखा। जब सिस्टम को मल्टी-सेगमेंट रोबोट पर तैनात किया गया, तो इसने कैमरे के फीड में प्रत्येक खंड का पता लगाने, उसे क्रॉप करने और उसे उसी कंट्रोल मॉड्यूल को भेजने के लिए एक विशेष टूल का उपयोग किया। मॉड्यूल ने फिर वांछित लक्ष्य आकार से मेल खाने के लिए उस विशिष्ट खंड के लिए आवश्यक वायु दबाव समायोजन की गणना की।
शोधकर्ताओं ने प्रयोगशाला में लटके हुए भौतिक रोबोटों पर एक मानक वेबकैम का उपयोग करके इस प्रणाली का परीक्षण किया। उन्होंने रोबनों को विशिष्ट आकार में मुड़ने, जैसे कि घूमना या आगे की ओर झुकना, के लिए प्रोग्राम किया, और यह मापा कि वास्तविक रोबोट लक्ष्य छवि से कितनी निकटता से मेल खाता है। परिणामों ने दिखाया कि सिस्टम ने एक से पांच खंडों वाले रोबोटों को उनके लक्ष्य आकारों की ओर सफलतापूर्वक निर्देशित किया। जबकि अधिक खंडों वाले रोबोटों को स्थिर होने में थोड़ा अधिक समय लगा और उनमें छोटी रोबोटों की तुलना में थोड़ी अधिक त्रुटि देखी गई, नियंत्रण प्रणाली सभी कॉन्फ़िगरेशन में बिना किसी अतिरिक्त प्रशिक्षण के प्रभावी ढंग से काम करती रही। सिस्टम परिवेश में बदलाव के प्रति भी मजबूत साबित हुआ; इसने नियंत्रण बनाए रखा जब कमरे की रोशनी बदली, पृष्ठभूमि में वस्तुएं रखी गईं, या रोबोट के सिरे पर एक भारी वजन लगाया गया। एक परीक्षण में, पांच-खंड वाले रोबोट के अंत में 500 ग्राम का द्रव्यमान जोड़ा गया, जो एक वास्तविक दुनिया के रोबोट द्वारा उठाए जाने वाले अतिरिक्त भार का अनुकरण करता है, और सिस्टम फिर भी रोबोट को सही मुद्रा तक ले जाने में सक्षम रहा।
इस प्रणाली की विश्वसनीयता का एक महत्वपूर्ण हिस्सा लापता जानकारी को संभालने की इसकी क्षमता थी। एक वास्तविक दुनिया के परिदृश्य में, रोबोट के कुछ हिस्से उसके अपने शरीर, किसी व्यक्ति के हाथ, या अन्य वस्तुओं द्वारा छिपे हो सकते हैं, जिससे कैमरा किसी विशिष्ट मांसपेशी या खंड का पता लगाने में विफल हो सकता है। शोधकर्ताओं ने एक हल्का नेटवर्क बनाया जो आसपास के हिस्सों के आधार पर लापता दृश्य डेटा का अनुमान लगा सकता है। जब रोबोट के आकार का कोई हिस्सा बाधित होता था, तो इस नेटवर्क ने लापता छवि का पुनर्निर्माण किया, जिससे नियंत्रण प्रणाली सुचारू रूप से कार्य करना जारी रख सकती थी। इस पुनर्निर्माण के बिना, रोबोट को संघर्ष करना पड़ता या वह अपने लक्ष्य तक पहुँचने में विफल रहता। अध्ययन ने प्रदर्शित किया कि एक जटिल, पूर्ण-शरीर की समस्या को सरल, स्थानीय कार्यों में विघटित करके, एक एकल नियंत्रण मॉडल बड़े और अधिक जटिल मशीनों को संभालने के लिए स्केल अप हो सकता है। यह निष्कर्ष बताता है कि भविष्य के सॉफ्ट रोबोटों को विभिन्न संख्या में भागों के साथ असेंबल और पुन: असेंबल किया जा सकता है, और एक ही नियंत्रण सॉफ्टवेयर तुरंत काम करेगा, जिससे हर बार रोबोट के कॉन्फ़िगरेशन बदलने पर नया डेटा एकत्र करने या सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता समाप्त हो जाएगी।
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।