रोबोटिक हाथों को लंबे समय से आकर्षण का विषय माना जाता रहा है, जिन्हें अक्सर एक ऐसे भविष्य के लिए परम उपकरण के रूप में कल्पित किया जाता है जहाँ मशीनें दैनिक जीवन के नाजुक कार्यों को करने में सक्षम हों। वर्षों से, शोधकर्ताओं ने रोबोट को कठोर वस्तुओं—ब्लॉक, गेंद, या निश्चित आकार के औजारों—को पकड़ना और घुमाना सिखाया है। ये मशीनें किसी ठोस वस्तु को अपनी पकड़ के भीतर पुनर्गठित करने में काफी कुशल हो गई हैं, ठीक वैसे ही जैसे कोई इंसान चाबी घुमाता है या सिक्का उछालता है। हालाँकि, वास्तविक दुनिया शायद ही कभी ठोस, अपरिवमानशील ब्लॉकों से बनी होती है। हमारे द्वारा उपयोग किए जाने वाले कई उपकरण, जैसे कैंची से लेकर स्टेपलर तक, उनमें चलते हुए पुर्जे होते हैं जिन्हें हाथ में पकड़े हुए ही संचालित करना पड़ता है। यह एक अनूठी और कठिन समस्या पैदा करता है: रोबोट को पूरी वस्तु को स्थिर भी रखना होगा और साथ ही उसके एक विशिष्ट आंतरिक भाग को चलाने के लिए उसे धकेलना या खींचना भी होगा। यदि रोबोट चलते हुए भाग पर बहुत अधिक जोर लगाता है, तो पूरा उपकरण उसकी पकड़ से फिसल सकता है; यदि वह इसे बहुत कसकर पकड़ता है, तो चलता हुआ भाग कार्य नहीं कर पाएगा। इसे हल करने के लिए मशीन को न केवल एक वस्तु के आकार को, बल्कि उसके आंतरिक जोड़ों के काम करने के तरीके को और बिना नियंत्रण खोए उनके साथ कैसे संवाद करना है, इसे समझने की आवश्यकता होती है।

शोधकर्ताओं की एक टीम ने अब ARTMANIP नामक एक नई प्रणाली के साथ इस समस्या को हल करने की दिशा में एक महत्वपूर्ण कदम उठाया है। एक विशिष्ट उपकरण को संभालने के बजाय, उन्होंने एक ऐसी विधि विकसित की है जो रोबमाटिक हाथ को पूरे श्रेणी के उपकरणों पर लागू होने वाला एक सामान्य कौशल सीखने की अनुमति देती है। यह प्रणाली एक नए, अनदेखे ऑब्जेक्ट—जैसे कि लाइटर या चिमटा जिसे उसने पहले कभी नहीं देखा—को ले सकती है और यह पता लगा सकती है कि उसे कैसे पकड़ना है और उसके चलते हुए भागों को कैसे चलाना है। शोधकर्ताओं ने प्रदर्शित किया कि उनका दृष्टिकोण न केवल कंप्यूटर सिमुलेशन में, बल्कि वास्तविक भौतिक वस्तुओं पर भी काम करता है, जो प्रत्येक विशिष्ट वस्तु के लिए पुन: प्रोग्राम किए बिना विभिन्न उपकरणों को सफलतापूर्वक खोलना और बंद करना प्रदर्शित करता है। यह रोबोट को विशिष्ट गतिविधियों को याद रखने के बजाय उन्हें एक लचीली रणनीति सिखाने की ओर एक बदलाव है जो नई आकृतियों और वस्तु को पकड़ने के विभिन्न तरीकों के अनुकूल होती है।

मुख्य कठिनाई जिसे टीम ने संबोधित किया है वह यह है कि चलते हुए पुर्जों वाले उपकरण का संचालन करना मौलिक रूप से एक ठोस ब्लॉक को हिलाने से भिन्न है। जब एक इंसान कैंची पकड़ता है, तो वह केवल हैंडल को नहीं पकड़ता; वह अपनी उंगलियों को इस तरह रखता है कि एक हिस्से को दबाने से ब्लेड हिलें, और साथ ही कैंची को गिरने से भी बचाता है। एक रोबोट को इसी तरह की चुनौती का सामना करना पड़ता है लेकिन बहुत कम सहजता के साथ। यदि रोबोट चिमटे को खोलने की कोशिश करता है, तो वह हैंडल पर जो बल लगाता है, उससे पूरा उपकरण उसकी पकड़ से मुड़ सकता है या फिसल सकता है। इसके अलावा, कार्य की सफलता इस बात पर बहुत निर्भर करती है कि रोबोट ने पहले वस्तु को कैसे पकड़ा है। एक प्रकार के लाइटर के लिए जो पकड़ पूरी तरह से काम करती है, वह दूसरे के लिए पूरी तरह विफल हो सकती है, भले ही वे दिखने में समान हों। रोबोट को यह कौशल सिखाने के पिछले प्रयास अक्सर एक ही वस्तु और एक पूर्व-निर्धारित शुरुआती पकड़ पर केंद्रित थे। इसका अर्थ था कि यदि रोबोट को उपकरण का थोड़ा अलग संस्करण मिला या यदि उसने इसे थोड़ा अलग तरीके से पकड़ा, तो सीखा गया कौशल विफल हो जाएगा। नया कार्य इस सीमा को तोड़ने का लक्ष्य रखता है ताकि एक ही "मस्तिष्क" बनाया जा सके जो उपकरण के कई संस्करणों और पकड़ की कई अलग-अलग स्थितियों को संभाल सके।

इसे प्राप्त करने के लिए, शोधकर्ताओं को सबसे पहले प्रशिक्षण डेटा का एक विशाल पुस्तकालय बनाना पड़ा। वे हर संभावित उपकरण का मैन्युअल रूप से मॉडल बनाने पर भरोसा नहीं कर सकते थे, क्योंकि इसमें बहुत अधिक समय और प्रयास लगता। इसके बजाय, उन्होंने चार सामान्य टूल श्रेणियों: चाकू, लाइters, स्टेपलर और चिमटे के हजारों विविधताओं को स्वचालित रूप से उत्पन्न करने वाली एक प्रणाली विकसित की। ये उपकरण सरल ज्यामितीय आकृतियों से बने हैं, लेकिन प्रणाली उनके आकार, उनके चलते हुए जोड़ों की सीमाओं और उन्हें पकड़ने के तरीकों को बदल देती है। महत्वपूर्ण रूप से, प्रणाली यह भी स्वचालित रूप से पता लगाती है कि एक रोबोटिक हाथ को प्रत्येक उत्पन्न किए गए उपकरण को कैसे पकड़ना चाहिए ताकि वे काम कर सकें। यह पहचानता है कि उपकरण के कौन से हिस्से छूने के लिए सुरक्षित हैं और किन हिस्सों से बचना चाहिए ताकि उपकरण वास्तव में खुल और बंद हो सके। यह प्रक्रिया रोबोट के अभ्यास के लिए शुरुआती स्थितियों, या "ग्रैस्प्स" का एक विविध सेट बनाती है। इन विविध आकृतियों और पकड़ की स्थितियों पर प्रशिक्षण प्राप्त करके, रोबोट इन उपकरणों के हेरफेर के अंतर्निहित सिद्धांतों को सीखता है, न कि केवल एक विशिष्ट गति को किसी विशिष्ट वस्तु के लिए याद करता है।

प्रशिक्षण प्रक्रिया स्वयं भौतिक दुनिया की अव्यवस्था के प्रति मजबूत बनाने के लिए डिज़ाइन की गई है। शोधकर्ताओं ने दो-चरणीय शिक्षण रणनीति का उपयोग किया। पहले, उन्होंने एक "शिक्षक" रोबट को एक सिमुलेशन में प्रशिक्षित किया जिसके पास वस्तु के बारे में सटीक जानकारी थी, जैसे कि उसका सटीक वजन, घर्षण और आंतरिक जोड़ की यांत्रिकी। इस शिक्षक ने वस्तु को स्थिर करने और उसके भागों को प्रभावी ढंग से चलाने का तरीका सीखा। हालाँकि, एक वास्तविक रोबोट के पास पूर्ण जानकारी नहीं होती है; वह केवल अपने जोड़ों को महसूस कर सकता है और देख सकता है कि उसकी उंगलियां कहां हैं। इस अंतर को पाटने के लिए, शोधकर्ताओं ने एक "छात्र" रोबोट को शिक्षक के आंतरिक तर्क की नकल करने के लिए प्रशिक्षित किया, जिसमें केवल उपलब्ध सीमित जानकारी का उपयोग किया गया। छात्र ने यह अनुमान लगाने के लिए सीखा कि शिक्षक क्या करेगा, जो उसकी अपनी गतिविधियों के इतिहास और वस्तु के प्रारंभिक दृश्य पर आधारित था। इसने अंतिम प्रणाली को वास्तविक दुनिया में संचालित करने की अनुमति दी, बिना यह जाने कि उसके हाथ में मौजूद उपकरण के सटीक भौतिक गुण क्या हैं।

इस दृष्टिकोण के परिणामों का व्यापक परीक्षण किया गया। कंप्यूटर सिमुलेशन में, सिस्टम को उन उपकरणों के नए संस्करण दिए गए जिन्हें उसने पहले कभी नहीं देखा था, साथ ही उन्हें पकड़ने के नए तरीके भी दिए गए। इसने सभी चार श्रेणियों में इन उपकरणों को खोलने और बंद करने को सफलतापूर्वक सीखा। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने प्रशिक्षित प्रणाली को बिना किसी और ट्यूनिंग या समायोजन के वास्तविक दुनिया की वस्तुओं पर लागू किया। उन्होंने बारह अलग-अलग भौतिक वस्तुओं का परीक्षण किया, जिनमें वास्तविक लाइटर, स्टेपलर और चिमटे शामिल थे, जिनमें से प्रत्येक का अद्वितीय आकार और यांत्रिक व्यवहार था। इन वास्तविक दुनिया के परीक्षणों में, रोबोट ने 85.7% प्रयासों में कम से कम एक पूर्ण 'खुलने और बंद होने' के चक्र को सफलतापूर्वक पूरा किया। यह सफलता दर तब भी बनी रही जब वास्तविक वस्तुएं प्रशिक्षण में उपयोग किए गए सरल आकारों की तुलना में अधिक जटिल और अप्रत्याशित थीं। सिस्टम ने डिजिटल मॉडल और भौतिक वास्तविकता के बीच के अंतर को संभालने में सफलता प्राप्त की, जिससे सिद्ध हुआ कि सीखा गया कौशल अनदेखी वस्तुओं पर काम करने के लिए पर्याप्त सामान्य था।

अध्ययन ने यह भी पता लगाया कि प्रशिक्षण डेटा की विविधता ने रोबole के प्रदर्शन को कैसे प्रभावित किया। जब रोबोट को केवल एक प्रकार के उपकरण पर प्रशिक्षित किया गया, तो वह उस विशिष्ट उपकरण को अच्छी तरह से संभाल सका लेकिन एक नए उपकरण के सामने विफल हो गया। हालाँकि, जैसे-जैसे शोधकर्ताओं ने प्रशिक्षण वस्तुओं की विविधता बढ़ाई, नए, अनदेखे उपकरणों को संभालने की रोबोट की क्षमता में नाटकीय रूप से सुधार हुआ। इसने पुष्टि की कि सामान्यीकरण की कुंजी केवल एक विशिष्ट गति सीखना नहीं था, बल्कि परस्पर क्रियाओं की एक विस्तृत श्रृंखला सीखना था। सिस्टम ने दिखाया कि यह गतिविधियों के लंबे अनुक्रमों को भी संभाल सकता है, यानी कई बार लगातार उपकरणों को खोल और बंद कर सकता है। यह सुझाव देता है कि रोबोट ने वस्तु के साथ बातचीत करने का एक स्थिर तरीका सीखा है जिसे समय के साथ बनाए रखा जा सकता है, न कि केवल एक त्वरित, एक बार की क्रिया।

इन सफलताओं के बावजूद, शोधकर्ता स्वीकार करते हैं कि उनका सिस्टम अभी भी पूर्ण नहीं है। वर्तमान विधि यह मानती है कि रोबोट के पास पहले से ही एक कार्यात्मक पकड़ (ग्रिप) में है; इसमें अभी तक शून्य से वस्तु को पकड़ने का निर्णय लेने की क्षमता नहीं है। इसके अतिरिक्त, सिस्टम वस्तु को देखने के लिए कैमरों के बजाय रोबोट के अपने आंदोलनों को महसूस करने पर निर्भर करता है, जिसका अर्थ है कि यदि वह वस्तु की स्थिति में बड़े त्रुटियों को महसूस नहीं कर पाता है, तो वह सुधार नहीं कर सकता। शोध का ध्यान एकल चलते हुए जोड़ वाले सरल उपकरणों पर था, और कई चलते हुए हिस्सों वाले अधिक जटिल तंत्र भविष्य के लिए एक चुनौती बने हुए हैं। फिर भी, यह कार्य प्रदर्शित करता है कि वस्तुओं के सरलीकृत मॉडल हेरफेर के लिए आवश्यक गतिशीलता को कैप्चर कर सकते हैं, जिससे रोबोट को ऐसे कौशल सीखने में मदद मिलती है जो डिजिटल दुनिया से भौतिक दुनिया में स्थानांतरित होते हैं।

इस कार्य के निहितार्थ केवल रोबोट को बेहतर उपकरण उपयोग करने के लिए बनाने तक ही सीमित नहीं हैं। यह ऐसी मशीनें बनाने की दिशा में एक मार्ग सुझाता है जो बिना किसी विशेष प्रोग्राम के वास्तविक दुनिया में मिलने वाली वस्तुओं की विविधता के अनुकूल हो सकें। रोबोट को यह समझाने के बजाय कि हर संभव परिदृश्य को कैसे याद रखा जाए, कि चलते हुए पुर्जों के साथ हाथ की परस्पर क्रिया के सामान्य नियम क्या हैं, शोधकर्ता मशीनों को दैनिक कार्यों की एक विस्तृत श्रृंखला में सहायता करने के योग्य बनाने के करीब पहुंच रहे हैं। विभिन्न आकृतियों और शुरुआती स्थितियों के बीच सामान्यीकरण करने की क्षमता, रोबोटिक हाथों को वास्तव में कुशल और अनस्ट्रक्चर्ड वातावरण में उपयोगी बनाने की दिशा में एक महत्वपूर्ण कदम है। सिमुलेशन और वास्तविक दुनिया दोनों में इस दृष्टिकोण की सफलता इस बात का पुख्ता प्रमाण है कि इन विधियों को भविष्य में और भी जटिल चुनौतियों को संभालने के लिए बढ़ाया जा सकता है।