Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
यह शोध पत्र टेन्सेग्रिटी रोबोटों के लिए एक सुदृढ़ नेविगेशन फ्रेमवर्क प्रस्तुत करता है जो मौजूदा बेसलाइनों की तुलना में जटिल, संपर्क-युक्त वातावरण में बेहतर प्रदर्शन प्राप्त करने के लिए एक कॉन्टैक्ट-अवेयर ग्राफ न्यूरल नेटवर्क डायनेमिक्स मॉडल को हाइब्रिड मॉडल प्रिडिक्टिव पाथ इंटीग्रल कंट्रोलर के साथ जोड़ता 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
दुनिया में घूमने वाले रोबोट अक्सर एक मौलिक दुविधा का सामना करते हैं: उन्हें अपना वजन उठाने और बाधाओं को धकेलने के लिए पर्याप्त मजबूत होना चाहिए, फिर भी उन्हें तब अनुकूल होने के लिए पर्याप्त लचीला होना चाहिए जब उनके नीचे की जमीन बदल जाए। पारंपरिक रोबोट, जो कठोर धातु के फ्रेम से बने होते हैं, असमान, पथरीले या बिखरे हुए इलाकों में संघर्ष करते हैं, क्योंकि वे अक्सर फंस जाते हैं या पलट जाते हैं। एक अलग दृष्टिकोण लचीली केबलों के एक नेटवर्क द्वारा जुड़े कठोर छड़ों (rods) से बनी संरचनाओं का उपयोग करता है। ये "टेन्सेग्रिटी" (tensegrity) रोबोट हल्के और अविश्वसनीय रूप से टिकाऊ होते हैं; यदि वे गिरते हैं, तो वे टूटने के बजाय उछलते हैं। हालांकि, उन्हें नियंत्रित करना बेहद कठिन है। क्योंकि उनकी गति केबल में तनाव और छड़ों के जमीन को छूने के तरीके के बीच जटिल परस्पर क्रिया पर निर्भर करती है, इसलिए यह अनुमान लगाना कि वे ठीक से कैसे लुढ़केंगे या उछलेंगे, अधूरे डेटा के साथ मौसम का पूर्वानुमान लगाने जैसा है। रोबोट अक्सर अपने पूरे आकार या उस जमीन के सटीक कोण को नहीं देख पाते जिसे वे छू रहे होते हैं, जिससे कंप्यूटर के लिए सुरक्षित रास्ता तय करना मुश्किल हो जाता है।
रटगर्स यूनिवर्सिटी और येल यूनिवर्सिटी के शोधकर्ताओं ने इन उछलने वाले रोबोटों को खड़ी ढलानों, संकीर्ण गलियारों और नीचे लटकती बाधाओं सहित जटिल वातावरणों के माध्यम से मार्गदर्शन करने का एक नया तरीका विकसित किया है। एक आदर्श गणितीय सूत्र पर निर्भर रहने के बजाय, उन्होंने एक कंप्यूटर मॉडल को अनुभव से सीखना सिखाया। यह मॉडल एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जिसे ग्राफ न्यूरल नेटवर्क कहा जाता है, जो विशेष रूप से यह समझने में सक्षम है कि एक प्रणाली के विभिन्न हिस्से एक-दूसरे से कैसे जुड़ते हैं। इस मामले में, सिस्टम स्वयं रोबोट है, साथ ही वे दीवारें और जमीन भी जिनसे वह टकरा सकता है। शोधकर्ताओं ने इस सीखने की प्रणाली में एक विशेष विशेषता जोड़ी है जो रोबलेट को यह "महसूस" करने की अनुमति देती है कि वह किसी सतह को कब छूता है, चाहे वह सतह एक सपाट फर्श हो, एक ढलान वाली ढाल हो, या रोबोट का अपना कोई हिस्सा हो। संपर्क महसूस करने की यह क्षमता महत्वपूर्ण है, क्योंकि रोबोट को आगे बढ़ने के लिए अक्सर दीवार के सहारे झुकने या किसी अवरोध के नीचे से निकलने की आवश्यकता होती है।
इस लर्निंग मॉडल को काम पर लगाने के लिए, टीम ने एक नियंत्रण प्रणाली बनाई जो एक निरंतर, तीव्र-प्रहार योजनाकार (planner) की तरह कार्य करती है। कल्पना कीजिए कि रोबोट अगले कुछ सेकंड में कई अलग-अलग तरीकों से चलने की कल्पना करने के लिए एक सेकंड के सौवें हिस्से के लिए रुकता है। वह प्रत्येक संभावना का अपने मन में अनुकरण (simulate) करता है, यह जांचता है कि कौन सा रास्ता बिना टकराए लक्ष्य तक ले जाता है। सिस्टम फिर सबसे अच्छे विकल्प को चुनता है और उसे निष्पादित करता है, और तुरंत अगले कदमों की योजना बनाना शुरू कर देता है। यह प्रक्रिया, जिसे मॉडल प्रेडिक्टिव कंट्रोल (model predictive control) कहा जाता है, रोबोट को वास्तविक समय में बदलावों पर प्रतिक्रिया करने की अनुमति देती है। हालांकि, शोधकर्ताओं ने पाया कि रोबोट प्रभावी ढंग से मुड़ने में संघर्ष करता है। इसे हल करने के लिए, उन्होंने स्मार्ट प्लानिंग सिस्टम को सरल, पूर्व-निर्धारित टर्निंग मूव्स के सेट के साथ जोड़ा। जब रोबोट को दिशा बदलने की आवश्यकता होती है, तो वह सही दिशा में आने के लिए इन विश्वसनीय मोड़ों का उपयोग करता है, और फिर बाकी रास्ते पर नेविगेट करने के लिए स्मार्ट प्लानर को काम करने देता है।
टीम ने एक उच्च-सटीकता वाले कंप्यूटर सिमुलेशन में इस दृष्टिकोण का परीक्षण किया जो वास्तविक दुनिया के भौतिकी (physics) की नकल करता है। उन्होंने रोबोट के लिए पांच अलग-अलग चुनौतियां तैयार कीं, जिनमें दीवारों वाले साधारण सपाट कोर्स से लेकर ढलान और तंग जगहों वाले कठिन त्रि-आयामी बाधा कोर्स तक शामिल थे। सबसे कठिन परीक्षण में, रोबोट को एक ऐसे कोर्स से गुजरना था जिसे उसने पहले कभी नहीं देखा था, जिसमें पिछले सभी चुनौतियों को एक साथ मिला दिया गया था। परिणामों ने दिखाया कि नया लर्निंग सिस्टम और हाइब्रिड टर्निंग रणनीति का उपयोग करने वाला रोबोट पुराने तरीकों की तुलना में कहीं अधिक सफल रहा। जबकि अन्य दृष्टिकोण ढलानों पर चढ़ने में विफल रहे या संकीर्ण रास्तों में फंस गए, नए सिस्टम ने अधिकांश प्रयासों में अपने लक्ष्य तक पहुँचने में सफलता प्राप्त की, यहाँ तक कि अनदेखे वातावरण में भी। जैसे-जैसे रोबोट ने अधिक डेटा एकत्र किया, वह बेहतर होता गया, और प्रत्येक परीक्षण दौर के साथ अधिक तेज़ और सटीक होता गया।
यह कार्य यह सुझाव देता है कि रोबोटों को यह समझने के लिए सिखाकर कि वे अपने आस-पास की दुनिया को कैसे छूते हैं, और उन्हें सरल, विश्वसनीय चालों के साथ बुद्धि का मिश्रण देकर, हम ऐसी मशीनें बनाने में सक्षम हो सकते हैं जो वास्तविक दुनिया के अव्यवस्थित, अप्रत्याशित इलाकों में नेविगेट कर सकें। शोधकर्ताओं ने प्रदर्शित किया कि यह तरीका सिमुलेशन में अच्छा काम करता है, जो भविष्य में भौतिक रोबोटों के परीक्षण का मार्ग प्रशस्त करता है। हालांकि वर्तमान प्रणाली सपाट सतहों तक सीमित है और पूरी तरह से असंरचित वातावरण को संभालने के लिए और विकास की आवश्यकता है, इस दृष्टिकोण की सफलता आपदा क्षेत्रों, मलबे में जीवित बचे लोगों की तलाश करने वाले क्षेत्रों, या अन्य ग्रहों के ऊबड़-खाबड़ परिदृश्यों को पार करने वाले रोबोटों के लिए एक आशाजनक मार्ग प्रदान करती 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।