Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets
यह शोधपत्र RECAL को प्रस्तुत करता है, जो एक रोबोट-एनवायरनमेंट क्रॉस-अटेंशन लेयर है, जो अपूर्ण ट्रैकिंग स्थितियों के तहत कार्य करने वाले ह्यूमनॉइड्स के लिए लक्ष्य ट्रैकिंग और टकराव बचाव के बीच गतिशील रूप से संतुलन बनाने हेतु बाहरी दृश्य ज्यामिति (external scene geometry) को एकीकृत करके मौजूदा होल-बॉडी कंट्रोलर्स को उन्नत करता 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
मानव सदृश रोबोट (ह्यूमनॉइड रोबोट) को दुनिया में बिल्कुल इंसानों की तरह चलने के लिए डिज़ाइन किया गया है, जैसे कि बिखरे हुए कमरों में रास्ता बनाना, बाधाओं के ऊपर से कदम रखना और शेल्फ पर रखी वस्तुओं तक पहुँचना। इसे संभव बनाने के लिए, इंजीनियर एक केंद्रीय नियंत्रण प्रणाली का उपयोग करते हैं जो रोबोट के आंतरिक संतुलन और समन्वय केंद्र के रूप में कार्य करती है। यह प्रणाली उच्च-स्तरीय निर्देशों—जैसे कि "आगे बढ़ो" या "उस कप तक पहुँचो"—को रोबट के जोड़ों के विशिष्ट मांसपेशियों के आंदोलनों में अनुवादित करती है। हालाँकि, इन रोबोटों के परिवेश को समझने के तरीके में एक बड़ा अंतर मौजूद है। जबकि नियंत्रण प्रणाली संतुलन बनाए रखने और एक पथ का अनुसरण करने में उत्कृष्ट है, यह अक्सर पर्यावरण की भौतिक ज्यामिति (geometry) के प्रति "अंधी" होती है। वह जानती है कि उसे कहाँ जाना है, लेकिन उसे स्वाभाविक रूप से यह नहीं पता होता कि रास्ते में क्या है। यदि कोई मानव ऑपरेटर या नियोजन एल्गोरिदम (planning algorithm) ऐसा आदेश देता है जो रोबोट को सीधे दीवार से टकराने की ओर ले जाता है, तो रोबोट अक्सर उस आदेश का शाब्दिक रूप से पालन करने की कोशिश करता है, जिसके परिणामस्वरूप टक्कर हो जाती है। यह सीमा इन मशीनों को उन अव्यवस्थित, वास्तविक दुनिया के स्थानों में तैनात करना कठिन बनाती है जहाँ पूर्ण निर्देशों की गारंटी देना असंभव है।
ओरेगन स्टेट यूनिवर्सिटी के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक सुरक्षा परत (safety layer) तैयार की गई है जो रोबोट के मस्तिष्क और उसकी मांसपेशियों के बीच स्थित है। वे इस प्रणाली को RECAL कहते हैं, जिसका अर्थ है 'रोबोट-एनवायरनमेंट क्रॉस-अटेंशन लेयर'। पूरी रोबोट नियंत्रक को शून्य से फिर से बनाने के बजाय, टीम ने अपनी नई प्रणाली को एक मौजूदा, सिद्ध नियंत्रक के चारों ओर लपेटा है जो संतुलन बनाने में तो अच्छा है लेकिन बाधाओं के प्रति अंधा है। यह नई परत एक वास्तविक समय के फिल्टर के रूप में कार्य करती है। यह रोबोट के इच्छित पथ और रोबोट के कैमरों से प्राप्त कच्चे डेटा (raw data) को लेती है, जो दुनिया को दीवारों, फर्नीचर और रोबोट के अपने शरीर को दर्शाने वाले बिंदुओं के एक क्लाउड (cloud of points) के रूप में देखते हैं। रोबोट की स्थिति और उसके द्वारा पकड़ी गई वस्तुओं की तुलना आसपास की ज्यामिति से करके, यह प्रणाली पहचान सकती है कि कब एक नियोजित चाल दुर्घटना का कारण बन सकती है। यदि टक्कर निकट है, तो सिस्टम कमांड को मांसपेशियों तक पहुँचने से पहले सूक्ष्म रूप से समायोजित करता है, जिससे रोबोट को खतरे से थोड़ा दूर ले जाया जाता है, जबकि वह मूल लक्ष्य तक पहुँचने का प्रयास भी जारी रखता है।
इस नवाचार का मूल आधार 'अटेंशन' (ध्यान) की एक विधि है जो रोबोट को वातावरण के उन विशिष्ट हिस्सों पर ध्यान केंद्रित करने की अनुमति देती है जो किसी भी दिए गए क्षण में सबसे महत्वपूर्ण होते हैं। कल्पना कीजिए कि रोबोट के पास अपने घुटनों, कोहनियों और उसके द्वारा ले जाए जा रहे किसी बॉक्स के कोनों पर आभासी सेंसर लगे हैं। ये सेंसर लगातार आसपास के वातावरण से पूछते हैं, "मेरे पास क्या है?" फिर सिस्टम एक गणितीय प्रक्रिया का उपयोग करके आसपास की बाधाओं के महत्व को रोबोट के इच्छित पथ के विरुद्ध तौलता है। यदि रोबोट किसी दरवाजे से गुजर रहा है, तो उसके कंधों पर लगे सेंसर एक ऐसी दीवार को नोटिस कर सकते हैं जो बस पहुँच से बाहर है और नियंत्रक को अपने संतुलन को थोड़ा बाईं ओर स्थानांतरित करने के लिए कह सकते हैं। यदि रोबोट एक बड़ा बॉक्स पकड़े हुए है, तो सिस्टम उस बॉक्स के आयतन (volume) को शामिल करने के लिए अपनी जागरूकता का विस्तार करता है, यह सुनिश्चित करता है कि पूरा भार बाधा को पार कर जाए, न कि केवल रोबोट का शरीर। यह काम एक सेकंड के बहुत छोटे हिस्से में होता है, जिससे रोबोट को रुकने और पुनर्गणना करने के बजाय सहज, निरंतर समायोजन करने की अनुमति मिलती है।
इस प्रणाली को यह सिखाने के लिए कि वह कैसे ऐसे सेकंड के सौवें हिस्से में निर्णय ले, शोधकर्ताओं ने 'टीचर-स्टूडेंट डिस्टिलेशन' नामक तकनीक का उपयोग किया। उन्होंने पहले एक "टीचर" संस्करण वाला नियंत्रक बनाया जिसके पास वातावरण के बारे में पूर्ण, विशेषाधिकार प्राप्त जानकारी थी, जैसे कि एक सिम्युलेटेड दुनिया में प्रत्येक बाधा का सटीक स्थान। यह 'टीचर' भविष्य देख सकता था और जानता था कि टक्कर से बचने के लिए कमांड को कैसे संशोधित किया जाए। शोधकर्ताओं ने फिर एक "स्टूडेंट" संस्करण वाले सिस्टम को प्रशिक्षित किया, जिसके पास केवल वही सीमित कैमरा और सेंसर डेटा था जो एक वास्तविक रोबोट के पास होता है, ताकि वह 'टीचर' के व्यवहार की नकल कर सके। छात्र ने यह अनुमान लगाने में महारत हासिल की कि 'टीचर' क्या सुरक्षित समायोजन करेगा, प्रभावी रूप से बिना 'टीचर' के पूर्ण डेटा के, 'टीचर' की आँखों से दुनिया को देखना सीख लिया। इसने सिस्टम को एक सिम्युलेटेड वातावरण में जटिल बचाव रणनीतियों को सीखने और फिर उस ज्ञान को एक भौतिक रोबोट में स्थानांतरित करने की अनुमति दी।
टीम ने अपने नए सिस्टम का विविध चुनौतीपूर्ण परिदृश्यों में परीक्षण किया, जिसमें भीड़भाड़ वाले कमरों में चलना, बॉक्स ले जाना और स्थिर खड़े होकर शेल्फ से वस्तुओं तक पहुँचना शामिल है। उन्होंने अपने नए सिस्टम के प्रदर्शन की तुलना मूल "अंधे" नियंत्रक और अन्य विधियों से की जो विभिन्न तकनीकों का उपयोग करके वातावरण को समझने का प्रयास करती हैं। परिणामों ने दिखाया कि नया सिस्टम टक्करों से बचने में कहीं अधिक सफल रहा। कठिन परीक्षणों में जहाँ मूल नियंत्रक आधे से अधिक प्रयासों में क्रैश हो गया था, वहीं नए सिस्टम ने 90 प्रतिशत से अधिक मामलों में टक्करों से बचने में सफलता प्राप्त की। महत्वपूर्ण रूप से, इसने इच्छित पथ का अनुसरण करने की रोबोट की क्षमता से समझौता किए बिना यह उपलब्धि हासिल की। जब रास्ता साफ था, तो रोबोट ने ठीक वैसा ही किया जैसा कमांड दिया गया था। जब रास्ता बाधित था, तो वह सुरक्षित रहने के लिए पर्याप्त विचलित हुआ, और बाधा पार होने के बाद मूल मार्ग पर वापस आ गया।
शोधकर्ताओं ने इन टक्करों के भौतिक प्रभाव को भी मापा। जब मूल नियंत्रक क्रैश हुआ, तो यह अक्सर काफी बल के साथ टकराता था, विशेष रूप से रोबोट के धड़ और कूल्हों पर। इसके विपरीत, नया सिस्टम इन प्रभावों को नाटकीय रूप रूप से कम करता है। सबसे कठिन परीक्षणों में, नए सिस्टम ने रोबोट के मुख्य शरीर के साथ भारी टक्करों को लगभग समाप्त कर दिया, जिससे केवल हल्की, हानिरहित रगड़ ही बची। यह सुझाव देता है कि सिस्टम न केवल दुर्घटनाओं से बच रहा है, बल्कि यह ऐसा करने में भी सहज और नियंत्रित महसूस होता है, न कि झटकेदार या घबराया हुआ। टीम ने 'Digit V3' नामक एक वास्तविक, भौतिक मानव सदृश रोबलेट पर अपने निष्कर्षों को सत्यापित किया। डेप्थ कैमरों से लैस होकर, रोबोट ने वास्तविक दुनिया की बाधाओं के बीच सफलतापूर्वक रास्ता बनाया, वस्तुएं ले गया और तंग जगहों में वस्तुओं तक पहुँचा, जिससे यह प्रदर्शित हुआ कि सिमुलेशन में सीखे गए सबक वास्तविक दुनिया में लागू किए जा सकते हैं।
हालाँकि यह प्रणाली एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करती है, शोधकर्ता नोट करते हैं कि यह हर स्थिति के लिए एक पूर्ण समाधान नहीं है। वर्तमान संस्करण यह मान लेता है कि जमीन समतल है और बाधाएं स्थिर हैं, जिसका अर्थ है कि इसे चलते हुए लोगों या ऊबड़-खाबड़ इलाके के साथ संघर्ष करना पड़ सकता है। यह भी सभी बाधाओं को बचने वाली चीज़ मानता है, बिना यह समझे कि कुछ सतहों को छूने के लिए बनाया गया है या कुछ वस्तुओं को हटाया जा सकता है। इसके अलावा, सिस्टम कैमरा डेटा की गुणवत्ता पर निर्भर करता; यदि रोबोट किसी बाधा को नहीं देख पाता क्योंकि वह उसके पीछे है या ब्लाइंड स्पॉट में है, तो सिस्टम टक्कर को रोक नहीं सकता। इसके बावजूद, यह कार्य मानव सदृश रोबोटों को अधिक सुरक्षित और अनुकूल बनाने का एक शक्तिशाली नया तरीका प्रदर्शित करता है। मौजूदा नियंत्रकों में ज्यामितीय जागरूकता की एक परत जोड़कर, शोधकर्ताओं ने दिखाया है कि रोबोटों को पूरी तरह से पुनर्गठित किए बिना, वे मानव वातावरण की अव्यवस्थित और अप्रत्याशित दुनिया में नेविगेट करना सीख सकते हैं।
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।