रोबोटों को लंबे समय से एक एकल, कठोर नियम के साथ सिखाया गया है: अपने शरीर के हिस्से के अलावा किसी भी चीज़ को कभी न छुएं। रोबोटिक्स की दुनिया में, एक टक्कर (collision) को आमतौर पर एक बाइनरी विफलता माना जाता है, एक ऐसी रेखा जिसे मशीन को पार नहीं करना चाहिए। यह दृष्टिकोण उन साफ, खाली कारखानों में अच्छी तरह काम करता है जहाँ हर वस्तु अपनी जगह पर स्थिर होती है, लेकिन यह एक मानव घर की अव्यवस्थपूर्ण, बिखरी हुई वास्तविकता में विफल हो जाता है। एक रोबोट की कल्पना करें जो एक भीड़भाड़ वाली मेज पर रखे कप तक पहुँचने की कोशिश कर रहा है। पास के बॉक्स को छूने से बचने के लिए, रोबोट को एक लंबा, घुमावदार रास्ता लेना पड़ सकता है, या उसे रुककर सावधानी से बॉक्स को उठाना और उसे एक तरफ हटाने की आवश्यकता हो सकती है। दोनों ही विकल्प धीमे हैं और अक्सर अनावश्यक होते हैं। एक अधिक व्यावहारिक दृष्टिकोण यह होगा कि यदि बॉक्स मजबूत है और उसके धक्के से कोई नुकसान नहीं होता है, तो रोबोट को उसे धीरे से रास्ते से हटाने की अनुमति मिले। चुनौती यह जानने में निहित है कि कौन सी वस्तुएं छूने के लिए सुरक्षित हैं और कौन सी नहीं, और यह समझना कि एक वस्तु को धकेलने से वह दूसरी, संभावित रूप से नाजुक वस्तु से टकरा सकती है।

नान्यांग टेक्नोलॉजिकल यूनिवर्सिटी के शोधकर्ताओं ने एक नई प्लानिंग प्रणाली विकसित की है जिसे CaSCo कहा जाता है, जो रोबोटों को ये सूक्ष्म निर्णय लेना सिखाती है। दुनिया को कठिन बाधाओं के मानचित्र के रूप में देखने के बजाय जिन्हें टाला जाना चाहिए, CaSCo वातावरण को अलग-अलग जोखिम स्तरों वाली वस्तुओं के संग्रह के रूप में देखता है। एक कार्डबोर्ड बॉक्स कम-जोखिम वाला हो सकता है, जबकि कांच की बोतल या लैपटॉप उच्च-जोखिम वाला। यह प्रणाली इन जोखिम मूल्यों को असाइन करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करती है और फिर दृश्य में रोबोट के हिलने पर क्या होगा, इसका अनुमान लगाने के लिए भौतिकी सिमुलेशन (physics simulations) चलाती है। यह केवल यह जाँच नहीं करता कि रोबोट किसी वस्तु से टकराता है या नहीं; यह गणना करता है कि क्या उस टक्कर से एक चेन रिएक्शन (श्रृंखला प्रतिक्रिया) शुरू होगी, जहाँ पहली वस्तु दूसरी, अधिक मूल्यवान वस्तु से टकरा जाएगी। हर संभावित आंदोलन के परिणामों को तौलकर, रोबलेट एक ऐसा रास्ता खोज सकता है जो दृश्य को कुल खतरे से न्यूनतम करे, भले ही उस रास्ते में कई कम-जोखिम वाली वस्तुओं को छूना शामिल हो।

इस कार्य का मूल "क्या मैं किसी चीज़ से टकराऊंगा?" के बजाय "यदि मैं टकराता हूँ तो क्या होगा?" पूछने में बदलाव है। पारंपरिक प्लानिंग में, एक रोबोट ऐसा रास्ता चुन सकता है जो सभी संपर्कों से बचता है, भले ही वह रास्ता बहुत लंबा हो, या वह किसी बाधा को हटाने का प्रयास कर सकता है। CaSCo एक मध्य मार्ग अपनाता है। यह रोबोट को हल्के वजन की वस्तु से टकराने की अनुमति देता है यदि ऐसा करना विकल्प की तुलना में सुरक्षित हो। उदाहरण के लिए, एक परीक्षण परिदृश्य में, एक रोबोट को विभिन्न वस्तुओं से भरी मेज पर एक लक्ष्य तक पहुँचना था। एक पथ में रोबोट को एक संकीर्ण अंतराल से गुजरना था, जिससे सभी संपर्क्स से बचा जा सके लेकिन इसमें लंबा रास्ता लगेगा। दूसरे पथ में एक कार्डबोर्ड बॉक्स और चिप्स के पैकेट को धीरे से धकेलना शामिल था। तीसरा पथ, जो छोटा दिखता था, में एक कांच की बोतल और सोडा कैन के पास से गुजरना शामिल होता। प्रणाली ने गणना की कि कार्डबोर्ड और चिप्स वाला पथ समग्र रूप से सबसे सुरक्षित था, क्योंकि कांच की बोतल टूटने या तरल गिरने का उच्च जोखिम रखती थी, और सोडा कैन लुढ़ककर किसी और चीज़ से टकरा सकता था। रोबोट ने उस पथ को चुना जिसमें अधिक वस्तुओं को छुआ गया लेकिन जिससे संभावित नुकसान की मात्रा कम हुई।

इन निर्णयों को लेने के लिए, प्रणाली एक दृश्य का मानसिक मॉडल बनाती है जो रोबोट के हिलने के साथ अपडेट होता रहता है। जब रोबोट किसी वस्तु को धकेलता है, तो प्रणाली उस धक्के के भौतिकी का सिमुलेशन करती है ताकि यह देखा जा सके कि वह वस्तु कहाँ रुकती है। यदि वह वस्तु दूसरी वस्तु से टकराती है, तो प्रणाली उस माध्यमिक टक्कर को भी रिकॉर्ड करती है। यह महत्वपूर्ण है क्योंकि किसी भी गति का जोखिम कमरे की वर्तमान व्यवस्था पर निर्भर करता है। एक बॉक्स को खाली स्थान में धकेलना हानिरहित है, लेकिन उसी बॉक्स को नाजुक बर्तनों के ढेर में धकेलना खतरनाक है। शोधकर्ताओं ने पाया कि माध्यमिक प्रभावों को अनदेखा करने से गलत चुनाव होते हैं। उनके प्रयोगों में, एक नियोजन पद्धति जो केवल रोबोट और वस्तुओं के बीच सीधे संपर्क को देखती थी, अक्सर इन चेन रिएक्शन को रोकने में विफल रही, जिसके परिणामस्वरूप उच्च समग्र जोखिम हुआ। सभी इंटरैक्शन के पूरे कैस्केड (cascade) को ध्यान में रखकर, CaSCo ने लगातार ऐसे पथ खोजे जो उन तरीकों की तुलना में सुरक्षित थे जो चेन रिएक्शन को अनदेखा करते थे या सभी वस्तुओं को समान रूप से खतरनाक मानते थे।

टीम ने एक सिम्युलेटेड वातावरण में एक रोबोटिक आर्म का उपयोग करके अपने सिस्टम का परीक्षण किया, जो अनुसंधान प्रयोगशालाओं में उपयोग किए जाने वाले रोबोटों के समान है, इसे दो प्रकार के बिखरे हुए दृश्यों में रखा गया: एक शेल्फ तक पहुँचने का कार्य और एक टेबलटॉप मैनिपुलेशन कार्य। उन्होंने प्रत्येक दृश्य के बीस अलग-अलग संस्करण बनाए, जिसमें वस्तुएं विभिन्न तरीकों से व्यवस्थित थीं, और रोबोट को लक्ष्य तक पहुँचने का सबसे अच्छा रास्ता खोजने के लिए कहा। परिणाम दर्शाते हैं कि CaS-Co इन सभी समस्याओं को हल करने में सक्षम था, जबकि एक पारंपरिक प्रणाली जो किसी भी चीज़ को छूने से इनकार करती थी, इन भीड़भाड़ वाले सेटिंग्स में पूरी तरह विफल रही। उन तरीकों की तुलना में जो संपर्क की अनुमति देते थे, CaSCo ने इंटरैक्शन के कुल जोखिम को काफी अंतर से कम किया। टेबलटॉप परीक्षणों में, उदाहरण के लिए, नए सिस्टम ने 25.0 का जोखिम स्कोर प्राप्त किया, जबकि एक पद्धति जिसने जोखिम मानों का उपयोग किया लेकिन टक्कर समाप्त होने के बाद वस्तुओं की गति को अनदेखा किया, उसका स्कोर 42.0 रहा। यह अंतर इस बात को उजागर करता है कि किसी वस्तु के नाजुक होने को जानना पर्याप्त नहीं है; प्लानर को यह भी समझना चाहिए कि उस वस्तु को हिलाने से बाकी दृश्य कैसे बदल जाता है।

दक्षता भी इस अध्ययन का एक प्रमुख केंद्र थी। चूंकि प्रणाली को हर संभावित चाल के लिए दृश्य के भविष्य का सिमुलेशन करना होता है, इसलिए गणनाएँ बहुत भारी और धीमी हो सकती हैं। शोधकर्ताओं ने एक चतुर शॉर्टकट विकसित किया जिसने प्रणाली को अंतिम पथ की गुणवत्ता से समझौता किए बिना अनावश्यक गणनाओं को छोड़ने की अनुमति दी। हर एक संभावना का सिमुलेशन करने के बजाय, प्रणाली ने अपनी कंप्यूटिंग शक्ति को सबसे आशाजनक मार्गों पर केंद्रित किया और केवल तभी विवरणों का सिमुलेशन किया जब कोई पथ एक मजबूत उम्मीदवार के रूप में दिखा। इस दृष्टिकोण ने टेबलटॉप परीक्षणों में पथ नियोजन के समय को लगभग 79 प्रतिशत कम कर दिया, जिससे नियोजन का समय दो मिनट से घटकर लगभग छब्बीस सेकंड हो गया। इस गति वृद्धि के बावजूद, प्रणाली ने अभी भी एक धीमी, अधिक व्यापक पद्धति के समान सटीक इष्टतम पथ खोजा, जिससे सिद्ध हुआ कि शॉर्टकट ने समाधान की सुरक्षा से समझौता नहीं किया।

अंत में, शोधकर्ताओं ने अपने सिस्टम को कंप्यूटर सिमुलेशन से वास्तविक भौतिक रोबोट पर स्थानांतरित किया ताकि वे देख सकें कि यह वास्तविक दुनिया में कैसा प्रदर्शन करता है। उन्होंने वास्तविक वस्तुओं के साथ एक कार्यक्षेत्र तैयार किया, जिसमें बॉक्स, बोतलें और कैन शामिल थे, और रोबोट को अपनी गतिविधियों की योजना बनाने और उन्हें निष्पादित करने दिया। रोबोट ने भीड़भाड़ वाले स्थानों में सफलतापूर्वक रास्ता बनाया, उच्च-जोखिम वाली वस्तुओं से बचते हुए कम-जोखिम वाली वस्तुओं को धीरे से धकेला। वास्तविक दुनिया के परीक्षणों ने पुष्टि की कि सिस्टम भौतिक वस्तुओं की अनिश्चितता, जैसे कि एक बॉक्स के फिसलने या एक कैन के लुढ़कने के मामूली बदलावों को संभाल सकता है। हालांकि सिमुलेशन ने डेटा का बड़ा हिस्सा प्रदान किया, लेकिन इन वास्तविक दुनिया के प्रदर्शनों ने दिखाया कि तर्क तब भी काम करता है जब रोबोट वास्तव में दुनिया को छू रहा होता है। यह कार्य यह दावा नहीं करता है कि इसने रोबोट नेविगेशन की हर समस्या को हल कर लिया है, और शोधकर्ता नोट करते हैं कि भविष्य के कार्यों को अनिश्चितता और अधिक जटिल इंटरैक्शन को संबोधित करने की आवश्यकता होगी, लेकिन यह रोबोट के सोचने के बारे में एक स्पष्ट नया तरीका स्थापित करता है।

इस कार्य का महत्व मानव वातावरण में रोबोटों को अधिक अनुकूल और कुशल बनाने की इसकी क्षमता में निहित है। टक्कर को विफलता के बजाय एक गणना किए गए जोखिम के रूप में मानकर, रोबोट भीड़भाड़ वाले स्थानों में अधिक स्वाभाविक रूप से और तेजी से चल सकते हैं। उन्हें अब किसी वस्तु को हटाने के लिए रुकने और अनुमति मांगने की आवश्यकता नहीं है, न ही उन्हें उससे बचने के लिए लंबे, घुमावदार रास्ते लेने की आवश्यकता है। इसके बजाय, वे अपने आस-पास की वस्तुओं की प्रकृति के आधार पर पलक झपकते ही निर्णय ले सकते हैं, एक ऐसा रास्ता चुन सकते हैं जिसमें कांच के फूलदान के विनाशकारी टूटने से बचने के लिए कार्डबोर्ड बॉक्स को धीरे से धकेलना शामिल हो सकता है। यह दृष्टिकोण औद्योगिक रोबोटों की कठोर सुरक्षा और मनुष्यों की सहज, सहज गति के बीच के अंतर को पाटता है, जो एक ऐसे भविष्य का सुझाव देता है जहाँ रोबोट हमारे घरों और कार्यालयों में हमारे साथ काम कर सकते हैं, बिना उस बिखराव से बाधित हुए जो उन स्थानों को परिभाषित करता है।