Orientation Control of Soft Robots via Adiabatic Spectral Submanifolds
यह शोध पत्र सॉफ्ट रोबोट्स के लिए एक उन्नत डेटा-ड्रिवन मॉडल प्रेडिक्टिव कंट्रोल स्कीम प्रस्तुत करता है जो अनंत-आयामी (infinite-dimensional) गैररेखीय गतिकी को सटीक रूप से पकड़ने के लिए एडियाबेटिक स्पेक्ट्रल सबमैनिफोल्ड्स का उपयोग करता है, जिससे मौजूदा बेसलाइनों की तुलना में स्थिति और ओरिएंटेशन ट्रैकिंग त्रुटियों में 60% से अधिक की कमी आती 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 दुनिया के सौम्य दिग्गज हैं, जिन्हें ऐसे पदार्थों से बनाया गया है जो पारंपरिक धातु मशीनों की तरह टूटने या रगड़ने के बजाय मुड़ते, खिंचते और दबते हैं। क्योंकि वे लचीले और निरंतर विकृत होने वाले पदार्थों से बने होते हैं, इसलिए वे उन नाजुक वातावरणों में नेविगेट करने के लिए आदर्श हैं जहाँ एक मानव हाथ बहुत अनाड़ी हो सकता है या एक धातु का ग्रिपर बहुत खतरनाक हो सकता है। उन्हें एक ऑक्टोपस या हाथी की सूंड के रोबोटिक समकक्ष के रूप में देखें, जो तंग जगहों में घुसने और नाजुक वस्तुओं के साथ सुरक्षित रूप से इंटरैक्ट करने में सक्षम हैं। हालाँकि, यही लचीलापन उन्हें अविश्वसनीय रूप से कठिन बनाता है। एक कठोर रोबोटिक हाथ के विपरीत जो अनुमानित, सीधी रेखाओं में चलता है, एक सॉफ्ट रोबोट के पास हिलने-डुलने और विकृत होने के अनंत तरीके होते हैं। इसे सटीक रूप से नियंत्रित करने के लिए, एक कंप्यूटर को इसके आंतरिक भौतिकी (फिजिक्स) का एक सटीक मानचित्र की आवश्यकता होती है, लेकिन ये मानचित्र अक्सर वास्तविक समय में गणना करने के लिए बहुत जटिल होते हैं, और सामग्री के व्यवहार को नियंत्रित करने वाले सटीक नियम अक्सर अज्ञात होते हैं।
वर्षों तक, इंजीनियरों ने इसे या तो रोबोट के भौतिकी को मोटे अनुमानों में सरल बनाकर या कंप्यूटर को परीक्षण और त्रुटि (ट्रायल एंड एरर) के माध्यम से सही चालों का अनुमान लगाना सिखाकर हल करने की कोशिश की है। पहला दृष्टिकोण अक्सर विफल हो जाता है क्योंकि यह सॉफ्ट सामग्रियों के सूक्ष्म, गैर-रेखीय व्यवहारों को अनदेखा करता है, जबकि दूसरे के लिए भारी मात्रा में डेटा और शक्तिशाली सिम्युलेटर की आवश्यकता होती है जो हमेशा वास्तविक दुनिया में सटीक रूप से लागू नहीं होते। चुनौती एक मध्य मार्ग खोजने की रही है: एक ऐसा तरीका जिससे सॉफ्ट रोबोट की गति का एक सरल, तेज़ और सटीक मॉडल बनाया जा सके जिसे कंप्यूटर मिलीसेकंड के निर्णयों के लिए उपयोग कर सके, बिना रोबोट की आंतरिक संरचना के हर एक विवरण को जाने।
शोधकर्ताओं की एक टीम ने अब इस अंतर को पाटने के लिए एक नई विधि विकसित की है, जो उन्हें एक सॉफ्ट रोबोटिक आर्म की स्थिति और ओरिएंटेशन (दिशा) दोनों को अभूतपूर्व सटीकता के साथ नियंत्रित करने की अनुमति देती है। उनका दृष्टिकोण एक गणितीय अवधारणा पर आधारित है जिसे 'एडियाबेटिक स्पेक्ट्रल सबमैनिफोल्ड' कहा जाता है, जिसे एक छिपे हुए, निम्न-आयामी "कंकाल" के रूप में सोचा जा सकता है जो रोबोट की सबसे महत्वपूर्ण गतिविधियों को पकड़ता है जबकि अराजक शोर (नॉइज़) को अनदेखा करता है। भौतिक दुनिया में, सॉफ्ट रोबोट अत्यधिक विसरणात्मक (डिसिपेटिव) होते हैं, जिसका अर्थ है कि वे ऊर्जा जल्दी खो देते हैं और विक्षोभ के बाद तेजी से स्थिर हो जाते हैं। शोधकर्ताओं ने महसूस किया कि जबकि रोबोट के आंतरिक कंपन तेजी से होते हैं, वे कार्य जिन्हें हम करना चाहते हैं—जैसे किसी उपकरण को एक विशिष्ट स्थान पर ले जाना—बहुत धीरे-धीरे होते हैं। इन दो गतियों को अलग करके, वे एक सरलीकृत सतह की पहचान कर सके जिसका रोबोट का संचलन स्वाभाविक रूप से अनुसरण करता है, प्रभावी रूप से सॉफ्ट आर्म की अनंत जटिलता को नियमों के एक प्रबंधनीय सेट में बदल दिया।
इस विचार का परीक्षण करने के लिए, टीम ने एक सॉफ्ट आर्म का उच्च-सटीकता वाला सिमुलेशन बनाया है जिसका नाम SoPrA है, जो अट्ठाईस सेंटीमीटर लंबा है और छह आंतरिक वायु कक्षों द्वारा संचालित है। उन्होंने पूरे आर्म को घुमाने के लिए आधार पर एक मोटर भी जोड़ा, जिससे वे न केवल यह नियंत्रित कर सके कि आर्म का सिरा कहाँ है, बल्कि यह भी कि वह किस दिशा में इशारा कर रहा है। यह ओरिएंटेशन नियंत्रण किसी उपकरण को डालने या सतह का निरीक्षण करने जैसे कार्यों के लिए महत्वपूर्ण है, फिर भी यह पिछले डेटा-संचालित तरीकों के साथ हासिल करना कठिन साबित हुआ था। शोधकर्ताओं ने डेटासेट बनाने के लिए सिमुलेशन में हजारों यादृच्छिक (रैंडम) गतिविधियों को डाला, और फिर अपने नए एल्गोरिदम का उपयोग करके सीधे डेटा से रोबोट के अंतर्निहित "कंकाल" को सीखा, बिना सामग्री की विशिष्ट कठोरता या वजन को जाने।
परिणामस्वरूप एक नया नियंत्रण प्रणाली प्राप्त हुआ जो रोबोट के भविष्य के पथ की उल्लेखनीय सटीकता के साथ भविष्यवाणी कर सकता था। पुराने तरीकों के विपरीत, जो यह मान लेते थे कि रोबोट सूक्ष्म समायोजन करते समय एक निश्चित, स्थिर स्थिति में रहेगा, इस नई प्रणाली ने रोबोट को उसके प्राकृतिक पथ पर स्वतंत्र रूप से चलने और साथ ही छोटी त्रुटियों के लिए समायोजन करने की अनुमति दी। अपने परीक्षणों में, नए नियंत्रक ने मौजूदा डेटा-संचालित तकनीकों की तुलना में स्थिति और ओरिएंटेशन दोनों के ट्रैकिंग में त्रुटि को साठ प्रतिशत से अधिक कम कर दिया। इसने रैखिक मॉडलों (लीनियर मॉडल्स) की तुलना में काफी बेहतर प्रदर्शन किया, जो रोबोट के जटिल घुमावों को पकड़ने में विफल रहे, और यहाँ तक कि उनके अपने पिछले संस्करणों को भी पीछे छोड़ दिया जो स्थिर अनुमानों पर निर्भर थे। यह प्रणाली इतनी तेज़ थी कि एक मानक लैपटॉप पर पांच मिलीसेकंड से भी कम समय में आवश्यक समायोजनों की गणना कर सकती थी।
शायद सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने पाया कि उनकी विधि तब भी अच्छी तरह काम करती है जब रोबमा एक ऐसी गति से चल रहा था जिसकी सिद्धांततः भविष्यवाणी की जानी चाहिए थी। यह सुझाव देता है कि यह दृष्टिकोण व्यावहारिक उपयोग के लिए पर्याप्त मजबूत है, भले ही स्थितियाँ पूरी तरह से आदर्श न हों। रोबोट की प्राकृतिक गतिशीलता की गहरी समझ को एक लचीली, डेटा-संचालित सीखने की प्रक्रिया के साथ जोड़कर, टीम ने एक ऐसा उपकरण बनाया है जो अंततः सॉफ्ट रोबोट्स को वास्तविक दुनिया में, जैसे कि सर्जिकल प्रक्रियाओं से लेकर खोज और बचाव कार्यों तक, उस स्तर की सहजता और सटीकता के साथ जटिल कार्य करने में सक्षम बना सकता है जो पहले पहुंच से बाहर था।
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।