Bayesian Continuum Robot Dynamics and State Estimation
यह शोध पत्र एक बेयसियन ढांचे (Bayesian framework) को प्रस्तुत करता है जो जड़त्वीय (inertial) और डैम्पिंग प्रभावों को तुल्य भार के रूप में पुनर्गठित करके कोसेराट रॉड गतिकी (Cosserat rod dynamics) का सन्निकटन करता है, जिससे उन गतिशील गतियों के दौरान निरंतर रोबोटों (continuum robots) के लिए सटीक जॉइंट स्टेट एस्टीमेशन और बाहरी भार अनुमान सक्षम होता है जहाँ पारंपरिक अर्ध-स्थैतिक (quasi-static) विधियाँ विफल हो जाती 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
कोमल, लचीले रोबोट जो जीवित ऊतकों की तरह मुड़ते और घूमते हैं, चिकित्सा के क्षेत्र में नए द्वार खोल रहे हैं, जो उन संकीर्ण रास्तों से गुजरने में सक्षम हैं जहाँ कठोर मशीनें नहीं जा सकतीं। ये "कंटीनम" (continuum) रोबोट, जो अक्सर लंबे, पतले ट्यूबों के आकार के होते हैं, मानव शरीर के भीतर नाजुक कार्यों के लिए आदर्श हैं, जैसे कि हृदय या श्वसन मार्ग के जटिल घुमावों के माध्यम से नेविगेट करना। वर्षों से, इंजीनियर इन रोबोटों की गति का अनुमान लगाने के लिए सरलीकृत मॉडलों पर भरोसा करते रहे हैं। ये मॉडल तब अच्छी तरह काम करते हैं जब रोबोट धीरे और स्थिर गति से चलता है, जिससे मशीन को ऐसा माना जाता है जैसे वह समय में जम गई हो, और एक ही क्षण में बलों (forces) को संतुलित किया जाता है। हालाँकि, वास्तविक दुनिया शायद ही कभी स्थिर होती है। जब ये रोबोट तेजी से चलते हैं, या जब ये इतने बड़े और हल्के होते हैं कि अपने स्वयं के संवेग (momentum) से आसानी से उछल सकते हैं, तो पुराने मॉडल विफल हो जाते हैं। वे गति के भौतिकी (physics of motion) को समझने में विफल रहते हैं—जिस तरह से जड़ता (inertia) एक चलती हुई वस्तु को आगे की ओर ले जाती है और डैम्पिंग (damping) उसे धीमा करती है। इन गतिशील बलों को समझे बिना, एक रोबोट अपने लक्ष्य से आगे निकल सकता है, अनियंत्रित रूप से कंपन कर सकता है, या रोगी पर लगाए जा रहे दबाव का गलत आकलन कर सकता है।
शोधकर्ताओं की एक टीम ने इन लचीली मशीनों की गति को ट्रैक करने और भविष्यवाणी करने का एक नया तरीका विकसित किया है, जो गति की अराजकता को अनदेखा करने के बजाय उसे स्वीकार करता है। रोबोट को हमेशा स्थिर मानने के बजाय, उनकी विधि रोबोट के आकार, गति और उस पर लगने वाले बलों को समय और स्थान में विकसित होने वाली एक निरंतर कहानी के रूप में देखती है। उन्होंने एक गणितीय ढांचा बनाया है जो एक उच्च-सटीकता वाले सिम्युलेटर के रूप में कार्य करता है जब कोई सेंसर देख नहीं रहा होता है, और डेटा उपलब्ध होने पर एक सटीक जासूस के रूप में कार्य करता है। रॉड्स के मुड़ने और घूमने के नियमों को आधुनिक प्रायिकता सिद्धांत (probability theory) के साथ जोड़कर, उन्होंने एक ऐसी प्रणाली बनाई है जो यह अनुमान लगा सकती है कि रोबोट वास्तव में कहाँ है, कितनी तेजी से चल रहा है, और कौन से बल उसे धकेल या खींच रहे हैं, भले ही रोबोट बेतहाशा झूल रहा हो।
इस नए दृष्टिकोण का मूल आधार दृष्टिकोण में बदलाव है। पिछले तरीके अक्सर रोबोट की गति को प्रत्येक क्षण को अलग से देखकर हल करने की कोशिश करते थे, यह मानकर कि यदि रोबोट तेजी से चल रहा है, तो बल केवल एक धीमी, स्थिर अवस्था के लिए एक मामूली सुधार मात्र हैं। शोधकर्ताओं ने पाया कि यह धारणा खतरनाक है। जब एक रोबोट त्वरित (accelerate) होता है, तो उसका अपना द्रव्यमान (mass) उस परिवर्तन का विरोध करने वाला एक बल पैदा करता है, ठीक वैसे ही जैसे एक भारी सूटकेस को तेजी से उठाने की कोशिश करने पर वह अधिक भारी महसूस होता है। अपने नए मॉडल में, वे इस प्रतिरोध को एक जटिलता के रूप में नहीं, बल्कि एक भार (load) के रूप में देखते हैं, ठीक वैसे ही जैसे गुरुत्वाकर्षण या किसी हाथ द्वारा रोबोट को धकेले जाने जैसा। गति के समीकरणों को इन जड़त्वीय प्रभावों (inertial effects) को मानक बलों के रूप में शामिल करने के लिए फिर से लिखकर, वे एक शक्तिशाली सांख्यिकीय उपकरण जिसे 'फैक्टर ग्राफ' (factor graph) कहा जाता है, का उपयोग कर सके। यह उपकरण रोबोट की पिछली, वर्तमान और भविष्य की अवस्थाओं को एक एकल, सुसंगत चित्र में जोड़ता है, जिससे सिस्टम को प्राप्त होने वाले डेटा के हर टुकड़े से सीखने की अनुमति मिलती है।
अपने विचार का परीक्षण करने के लिए, टीम ने पहले एक कंप्यूटर सिमुलेशन में अपने मॉडल को चलाया जिसमें कोई वास्तविक दुनिया का सेंसर डेटा नहीं था, जो अनिवार्य रूप से यह पूछ रहा था कि एक लचीली छड़ कैसा व्यवहार करेगी यदि उसे टकराया जाए और फिर उसे अपने आप कंपन करने के लिए छोड़ दिया जाए। परिणाम एक प्रसिद्ध, अत्यधिक विस्तृत भौतिक सिमुलेशन से लगभग पूरी तरह मेल खाते थे, लेकिन नया तरीका वहां तक पहुँचने के लिए बहुत कम गणना चरणों का उपयोग करता है। इससे भी महत्वपूर्ण बात यह है कि इसने प्रत्येक भविष्यवाणी के लिए विश्वास का एक स्तर (measure of confidence) प्रदान किया, जो उपयोगकर्ता को न केवल यह बताता है कि रोबोट कहाँ था, बल्कि यह भी बताता है कि सिस्टम उस स्थान के बारे में कितना आश्वस्त था। यह सुरक्षा के लिए अत्यंत महत्वपूर्ण है; एक रोबोट जो जानता है कि वह अनिश्चित है, वह धीमा हो सकता है या अधिक जानकारी मांग सकता है, जबकि एक रोबोट जो आत्मविश्वास के साथ गलत है, वह नुकसान पहुँचा सकता है।
शोधकर्ताओं ने फिर एक ऐसे रोबोट के विरुद्ध अपनी प्रणाली का परीक्षण किया जो वास्तव में चल रहा था। उन्होंने एक टेंडन-ड्रिवन (tendon-driven) रोबोट के डेटा का उपयोग किया, जो एक प्रकार की सॉफ्ट मशीन है जिसे केबलों द्वारा नियंत्रित किया जाता है जो उसके शरीर को खींचते हैं, ठीक वैसे ही जैसे मांसपेशियां हड्डियों को खींचती हैं। एक प्रयोग में, उन्होंने यह अनुमान लगाने की कोशिश की कि रोबक्ट अपने परिवेश पर कितना बल लगा रहा है, केवल यह देखकर कि उसके केबल कैसे खींचे जा रहे हैं और उसका सिरा (tip) कहाँ स्थित है। पुराने, धीमी गति वाले मॉडल यहाँ बुरी तरह विफल रहे। क्योंकि वे रोबोट के अपने संवेग (momentum) को ध्यान में नहीं रख सके, उन्होंने रोबोट की गति के कारण होने वाले कंपनों को बाहरी बलों के रूप में गलत समझा, जिससे त्रुटियां नए तरीके की तुलना में पांच गुना अधिक बड़ी थीं। हालांकि, नया मॉडल, रोबोट की अपनी गति को उसके द्वारा लगाए जा रहे बलों से सही ढंग से अलग करने में सफल रहा, जिससे रोबोट के झूलने और उछलने के बावजूद इसके अनुमान सटीक रहे।
दूसरे परीक्षण में, टीम ने सिस्टम से केवल नियंत्रण केबलों के तनाव का उपयोग करके रोबोट के आकार का पता लगाने के लिए कहा, बिना किसी कैमरे के शरीर को देखे। पुराना मॉडल, फिर से गतिशीलता (dynamics) को अनदेखा करते हुए, एक ऐसे आकार की भविष्यवाणी करता जो वास्तविकता से बहुत दूर भटक गया था, क्योंकि वह रोबोट के कंपन को समझाने में असमर्थ था। नया मॉडल, जो झूलने के भौतिकी को समझता था, ने रोबोट के वास्तविक आकार को बहुत अधिक सटीकता के साथ ट्रैक किया। जब उन्होंने एक विशेष फाइबर-ऑप्टिक सेंसर जोड़ा जो रोबोट की रीढ़ के मुड़ने को महसूस कर सकता था, तो सटीकता और भी बढ़ गई, जिससे सिद्ध हुआ कि यह प्रणाली विभिन्न प्रकार की सूचनाओं को सहजता से मिला सकती है। पूरी प्रक्रिया वास्तविक समय (real time) में चली, जो गति के हर अंश के लिए अपने अनुमान को अपडेट करने में लगभग 40 से 55 मिलीसेकंड का समय लेती थी।
यह कार्य प्रदर्शित करता है कि लचीले रोबोटों के लिए, विशेष रूप से जो बड़े या तेजी से चलते हैं, गति के भौतिकी को अनदेखा करना अब कोई विकल्प नहीं है। नई विधि इन मशीनों को सिम्युलेट करने और वास्तविक दुनिया में उन्हें ट्रैक करने का एक एकल, एकीकृत तरीका प्रदान करती है, जो सटीकता और आत्म-जागरूकता का एक ऐसा स्तर प्रदान करती है जो पहले पहुंच से बाहर था। हालांकि वर्तमान में यह प्रणाली पुराने, सरलीकृत मॉडलों की तुलना में गणना करने में थोड़ी धीमी है, लेकिन गतिशील वातावरण में सुरक्षा और सटीकता के लिए यह समझौता आवश्यक है। जैसे-जैसे ये रोबोट नियंत्रित प्रयोगशालाओं से जटिल, अप्रत्याशित कार्यों की ओर बढ़ेंगे, वास्तविक समय में उनकी गति को समझने और भविष्यवाणी करने की क्षमता ही एक सफल प्रक्रिया और विफलता के बीच का अंतर होगी।
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।