Graph-Based Design of Soft Grippers with Multi-Objective Quality-Diversity Optimisation
यह शोध पत्र एक ग्राफ-आधारित डिज़ाइन स्पेस के साथ एक बहु-उद्देश्यीय, विविधता-संचालित जेनेटिक ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तावित करता है ताकि ऐसे सॉफ्ट ग्रिपर्स उत्पन्न किए जा सकें जो विविध, अनदेखे ग्रैस्पिंग परिदृश्यों में उभरते सामान्यीकरण (emergent generalization) और बेहतर मजबूती प्रदर्शित करते हैं।
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
एक ऐसी दुनिया की कल्पना करें जहाँ रोबोट बिना किसी स्ट्रॉबेरी को कुचले उसे उठा सकते हैं, और फिर तुरंत एक भारी, अनियमित आकार के पत्थर को उठाने के लिए स्विच कर सकते हैं, वह भी बिना किसी नए निर्देश या सटीक कैमरा दृश्य के। यह रोबोटिक्स का 'होली ग्रेल' (परम लक्ष्य) है: एक ऐसी मशीन जो वास्तविक दुनिया की अव्यवहारक और अप्रत्याशित विविधता को संभाल सके। दशकों से, इंजीनियरों ने जटिल सॉफ़्टवेयर का उपयोग करके हर गति की गणना करने वाले अधिक बुद्धिमान रोबोट बनाकर इसे हल करने की कोशिश की है। लेकिन एक अन्य मार्ग भी है, जो स्वयं रोबोट के भौतिक शरीर पर निर्भर करता है। सॉफ्ट रोबोट, जो रबर या सिलिकॉन जैसे लचीले पदार्थों से बने होते हैं, स्वाभाविक रूप से वस्तुओं के चारों ओर मुड़ते और आकार लेते हैं। उनके पास एक प्रकार की 'मैकेनिकल इंटेलिजेंस' (यांत्रिक बुद्धिमत्ता) होती है, जहाँ रोबोट का आकार उसे काम करने में मदद करता है। हालाँकि, इन सॉफ्ट हाथों को डिजाइन करना अविश्वसनीय रूप से कठिन है। क्योंकि वे कई तरह से मुड़ सकते हैं, इसलिए उन्हें बनाने के अनगिनत तरीके हैं, और एक ऐसा तरीका खोजना जो हर चीज़ के लिए सबसे अच्छा काम करे, एक ऐसे बदलते हुए आकार के घास के ढेर में सुई खोजने जैसा है।
ऑस्ट्रेलिया में CSIRO रोबोटिक्स के शोधकर्ताओं की एक टीम ने इस समस्या के प्रति एक नया दृष्टिकोण अपनाया है। किसी विशिष्ट कार्य के लिए एक एकल पूर्ण ग्रिपर (पकड़ने वाला यंत्र) डिजाइन करने के बजाय, उन्होंने एक ही बार में विविध सॉफ्ट ग्रिपर्स का एक पूरा परिवार डिजाइन करने वाली एक प्रणाली बनाई। उन्होंने इन रोबots के डिजाइन को जुड़े हुए बिंदुओं और रेखाओं से बनी एक पहेली की तरह माना, जो एक विधि है जो उन्हें केवल एक समाधान पर अटकने के बिना बड़ी संख्या में आकारों को तलाशने की अनुमति देती है। विभिन्न परिदृश्यों के विरुद्ध इन डिजाइनों का परीक्षण करके—जैसे छोटी कठोर वस्तुओं, बड़ी नरम वस्तुओं और उनके बीच की हर चीज़ को पकड़ना—उन्होंने कुछ आश्चर्यजनक खोजा। जब उन्होंने अपने कंप्यूटर को ऐसे समाधान खोजने के लिए मजबूर किया जो इन सभी अलग-अलग स्थितियों में अच्छी तरह काम करते थे, तो परिणामी रोबोट न केवल एक चीज़ में अच्छे बने, बल्कि वे उन वस्तुओं को संभालने में भी आश्चर्यजनक रूप से सक्षम हो गए जिन्हें उन्होंने पहले कभी नहीं देखा था।
शोधकर्ताओं ने इन सॉफ्ट रोबोट्स का वर्णन करने के लिए एक डिजिटल भाषा का निर्माण करके शुरुआत की। एक ठोस आकार बनाने के बजाय, उन्होंने रोबोट को बिंदुओं और रेखाओं के एक नेटवर्क के रूप में दर्शाया। बिंदु स्थान में बिंदुओं का प्रतिनिधित्व करते हैं, और रेखाएं उन्हें जोड़ने वाली सामग्री का प्रतिनिधित्व करती हैं। यह नेटवर्क लचीला है; कंप्यूटर बिंदु जोड़ या हटा सकता है, उन्हें इधर-उधर ले जा सकता है, या जोड़ने वाली रेखाओं की मोटाई बदल सकता है। यह दृष्टिकोण शक्तिशाली है क्योंकि यह कंप्यूटर को ऐसे आकार आविष्कार करने की अनुमति देता है जो एक मानव डिजाइनर शायद कभी न सोच पाए, जिससे जटिल वक्र और संरचनाएं बनती हैं जो फिर भी कंप्यूटर द्वारा तेजी से परीक्षण करने के लिए सरल हैं। यह सुनिश्चित करने के लिए कि ये डिजिटल डिजाइन वास्तविक हों, टीम ने उन्नत भौतिक सिमुलेशन का उपयोग किया जो यह गणना करते हैं कि कैसे नरम सामग्रियां खिंचती, मुड़ती और वापस आती हैं। उन्होंने यह भी सिम्युलेट किया कि रोबलेट वस्तु को कैसे छूता है, यह सुनिश्चित करते हुए कि वर्चुअल रबर वर्चुअल सेब या चट्टान के आर-पार न निकल जाए।
हालाँकि, वास्तविक नवाचार इस बात में था कि वे सर्वोत्तम डिजाइनों की खोज कैसे कर रहे थे। आमतौर पर, जब कंप्यूटर किसी समस्या को हल करने की कोशिश करते हैं, तो वे एक विशिष्ट कार्य के लिए एकल सर्वोत्तम उत्तर खोजने पर ध्यान केंद्रित करते हैं। यदि आप कंप्यूटर से टेनिस बॉल के लिए ग्रिपर डिजाइन करने को कहते हैं, तो वह टेनिस बॉल के लिए एकदम सही आकार बनाएगा लेकिन किसी और चीज़ के लिए बेकार होगा। इसे 'ओवरफिटिंग' कहा जाता है, और यह रोबोटिक्स में एक बड़ी बाधा है। CSIRO टीम ने विविधता को महत्व देने वाली रणनीति का उपयोग करके इससे लड़ने का निर्णय लिया। उन्होंने अपने कंप्यूटर से ऐसे डिजाइन खोजने के लिए कहा जो न केवल पकड़ने में अच्छे हों, बल्कि एक-दूसरे से भिन्न भी हों। उन्होंने एक प्रतियोगिता स्थापित की जहाँ कंप्यूटर को एक साथ चार अलग-अलग लक्ष्यों को संतुलित करना था: एक छोटी कठोर वस्तु, एक बड़ी कठोर वस्तु, एक छोटी नरम वस्तु और एक बड़ी नरम वस्तु को पकड़ना। कंप्यूटर को समाधानों की एक विस्तृत श्रृंखला बनाए रखने के लिए कहा गया था, यह सुनिश्चित करते हुए कि कोई भी एक प्रकार का ग्रिपर परिणामों पर हावी न हो।
जैसे-जैसे कंप्यूटर हजारों सिमुलेशन चला रहा था, और सैकड़ों पीढ़ियों के माध्यम से इन डिजाइनों को विकसित कर रहा था, एक स्पष्ट पैटर्न उभर कर आया। जिन्हें विविधता के लिए मजबूर किया गया था, वे डिजाइन केवल औसत दर्जे के समाधानों का एक अस्त-व्यस्त मिश्रण नहीं बन गए। इसके बजाय, उनमें वह मजबूती विकसित हुई जो एकल-कार्य वाले डिजाइनों में नहीं थी। जब शोधकर्ताओं ने इन विविध डिजाइनों का परीक्षण उन वस्तुओं पर किया जिन्हें उन्होंने प्रशिक्षण चरण के दौरान कंप्यूटर को नहीं दिखाया था, तो परिणाम चौंकाने वाले थे। एकल कार्य के लिए डिज़ाइन किए गए ग्रिपर नए आकार के सामने विफल हो गए। लेकिन वे ग्रिपर जिन्हें विविधता के लिए अनुकूलित किया गया था, उन्होंने इन नई चुनौतियों को आसानी से संभाला। वे एक अवतल स्तंभ या मूंगे जैसी संरचना के अनुकूल हो सके जो प्रशिक्षण वस्तुओं से बिल्कुल अलग दिखती थी। यह साबित हुआ कि कंप्यूटर को लचीला सोचने के लिए सिखाकर, भौतिक रोबोटों ने अपने शरीर में लचीलापन सीखा।
यह सिद्ध करने के लिए कि यह केवल एक कंप्यूटर आर्टिफैक्ट (कृत्रिम प्रभाव) नहीं है, टीम ने वास्तविक रबर से इन अनुकूलित ग्रिपर्स में से दो को बनाया। उन्होंने उन्हें एक मोटर पर लगाया और एक गोले, एक पिन और एक नाजुक मूंगे जैसी संरचना सहित विभिन्न वस्तुओं पर खींचकर परीक्षण किया। भौतिक रोबोट लगभग वैसा ही व्यवहार कर रहे थे जैसा उनके सिमुलेशन ने भविष्यवाणी की थी। उन्होंने वस्तुओं के आकार के अनुरूप होने के लिए अपनी कोमलता का उपयोग किया, जिससे उन्हें कुचले बिना पकड़ने के लिए पर्याप्त बल उत्पन्न हुआ। इसने पुष्टि की कि डिजिटल डिजाइनों ने वास्तविक भौतिक सिद्धांतों को पकड़ लिया था कि कैसे नरम सामग्रियां दुनिया के साथ परस्पर क्रिया करती हैं। प्रयोग ने दिखाया कि रोबोट की 'मैकेनिकल इंटेलिजेंस' भारी काम कर रही थी, जिससे उसे बिना पुन: प्रोग्राम किए नई स्थितियों में अपने कौशल को सामान्य बनाने की अनुमति मिली।
यह अध्ययन सुझाव देता है कि वास्तव में अनुकूलन योग्य रोबोट बनाने की कुंजी उन्हें अधिक स्मार्ट बनाने में नहीं, बल्कि उनकी डिजाइन प्रक्रिया को अधिक विविध बनाने में है। एक एकल पूर्ण समाधान के लिए समझौता करने के बजाय और संभावनाओं की एक विस्तृत श्रृंखला को अपनाने के माध्यम से, इंजीनियर ऐसी मशीनें बना सकते हैं जो अप्रत्याशित स्थितियों के प्रति स्वाभाविक रूप से मजबूत हों। यह दृष्टिकोण उन रोबोटों के लिए एक आशाजनक मार्ग प्रदान करता जिन्हें अप्रत्याशित वातावरण में काम करने की आवश्यकता होती है, जैसे कि खेत में फल की कटाई करना या प्रयोगशाला में सहायता करना। यह दिखाता है कि कभी-कभी, अज्ञात के लिए तैयार होने का सबसे अच्छा तरीका थोड़ा सा सब कुछ लेकर अभ्यास करना 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।