Neuro Inspired Robotics: What Robot Learning Can Borrow from the Sensorimotor Brain
यह सर्वेक्षण तर्क देता है कि रोबोट लर्निंग की वर्तमान सीमाएं डेटा की कमी के बजाय डिज़ाइन संबंधी खामियों से उत्पन्न होती हैं, और एक न्यूरो-प्रेरित ढांचे का प्रस्ताव करता है जो अनुपालन (compliance), समानांतर तीव्र दृष्टि (parallel fast vision), सेरिबैलम भविष्यवाणी (cerebellar prediction) और मोटर कॉर्टेक्स संरचना के सिद्धांतों को एकीकृत करता है ताकि रोबोट स्वायत्त रूप से कार्य कर सकें और पुनरावर्ती रूप से सुधार कर सकें।
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 लेखक ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि एक बच्चा पहली बार दराज खोलने का हुनर सीख रहा है। उसे किसी मैनुअल, लाखों अभ्यास प्रयासों, या अपनी मांसपेशियों को कैलिब्रेट करने के लिए इंजीनियरों की एक टीम की आवश्यकता नहीं होती। वह बस हाथ बढ़ाता है, हैंडल को महसूस करता है और खींचता है, और यदि वस्तु फिसलती है या कोण गलत होता है, तो वह तुरंत अपनी पकड़ को समायोजित कर लेता है। कुछ ही वर्षों में एक ही शरीर के माध्यम से जटिल शारीरिक कौशल सीखने की यह क्षमता आधुनिक रोबोटिक्स के बिल्कुल विपरीत है। यहाँ तक कि सबसे उन्नत मशीनें भी, जिन्हें दर्जनों अलग-अलग रोबोटों के लाखों रिकॉर्ड किए गए आंदोलनों के विशाल पुस्तकालयों पर प्रशिक्षित किया गया है, अक्सर इन सरल कार्यों में विफल हो जाती हैं। वे उन वस्तुओं के साथ संघर्ष करती हैं जिन्हें उन्होंने कभी पकड़ा नहीं है, दृश्य में बदलाव होने पर रुक जाती हैं, और तैनात होने के बाद अपने आप में सुधार नहीं कर पातीं। मानव निपुणता और रोबिक प्रदर्शन के बीच का अंतर डेटा की मात्रा का मामला नहीं है; यह डिज़ाइन का मामला है। मानव तंत्रिका तंत्र सैकड़ों लाखों वर्षों में इन समस्याओं को हल करने के लिए विकसित हुआ है, और एक नया सर्वेक्षण सुझाव देता है कि अगली पीढ़ी के रोबोटों को इसके ब्लूप्रिंट (खाके) को उधार लेना चाहिए।
"न्यूरो इंस्पायर्ड रोबोटिक्स" नामक यह शोध पत्र तर्क देता है कि वर्तमान रोबोट इसलिए विफल होते हैं क्योंकि वे मानव मस्तिष्क की तुलना में मौलिक रूप से भिन्न आर्किटेक्चर पर बने हैं। आज के रोबोट आमतौर पर एक केंद्रीय कंप्यूटर पर निर्भर करते हैं जो दृश्य जानकारी को प्रोसेस करता है और फिर मोटरों को निर्देशांकों (कोऑर्डिनेट्स) की एक सटीक सूची भेजता है, जो उन्हें बताता है कि उन्हें ठीक कहाँ जाना है। यह दृष्टिकोण पूर्ण सटीकता की मांग करता है और रोबोट को उन भौतिक बलों के प्रति अंधा छोड़ देता है जिनका सामना वह करता है, जब तक कि बहुत देर न हो जाए। इसके विपरीत, मानव शरीर अनुपालन (compliance) और भविष्यवाणी के सिद्धांतों पर कार्य करता है। एक कठोर स्थिति का आदेश देने के बजाय, मस्तिष्क प्रयास और कठोरता (stiffness) का आदेश देता है, जिससे शरीर आवश्यकता पड़ने पर वातावरण के अनुरूप ढल जाता है और केवल तभी जोर लगाता है जब आवश्यक हो। इसके अलावा, मस्तिष्क फिसलन भरी पकड़ को ठीक करने के लिए धीमी दृश्य प्रक्रिया का इंतजार नहीं करता है; यह एक तेज़, रिफ्लेक्सिव सिस्टम और एक प्रेडिक्टिव मॉडल का उपयोग करता है ताकि त्रुटि पूरी तरह से महसूस होने से पहले ही क्रियाओं को समायोजित किया जा सके। लेखक प्रस्ताव देते हैं कि इन जैविक रणनीतियों की नकल करके—विशेष रूप से यह कि मस्तिष्क स्पर्श, दृष्टि और भविष्यवाणी को कैसे संभालता है—रोबोटिक्स भंगुर, पूर्व-निर्धारित मशीनों से अनुकूल और आत्म-सुधार करने वाले एजेंटों में बदल सकता है।
यह सर्वेक्षण गति के सबसे बुनियादी तत्व की जांच से शुरू होता है: मांसपेशियों को भेजा जाने वाला कमांड। एक मानक रोबोट में, एक 'पॉलिसी' लक्ष्य स्थिति आउटपुट करती है, और एक अलग, स्थिर नियंत्रक (कंट्रोलर) मोटर को उस स्थान पर पहुँचाने के लिए मजबूर करने का प्रयास करता है। यदि रोबोट किसी अप्रत्याशित बाधा का सामना करता है, तो कठोर नियंत्रक बाधा से लड़ता है, जिससे अक्सर क्षति या विफलता होती है। मानव मोटर प्रणाली अलग तरह से काम करती है। यह एक संकेत भेजती है जो वांछित स्थिति और अंग की कठोरता दोनों को नियंत्रित करता है। यह शरीर को एक स्मार्ट स्प्रिंग की तरह कार्य करने की अनुमति देता है। जब एक इंसान एक घुमावदार स्लॉट में रॉड डालता है, तो उसे स्लॉट के सटीक वक्र की गणना करने की आवश्यकता नहीं होती। इसके बजाय, वह स्लॉट की दिशा में उच्च कठोरता और उसके आर-पार कम कठोरता के साथ धक्का देता है। स्लॉट की दीवारें रॉड को स्वाभाविक रूप से सही जगह पर ले जाती हैं, और हाथ संपर्क बलों के अनुरूप ढल जाता है। शोध पत्र सुझाव देता है कि रोबोटों को इसी रणनीति को अपनाना चाहिए। मुख्य नियंत्रण नीति के नीचे अनुपालन (compliance) की एक परत जोड़कर, एक रोबोट भौतिक दुनिया को उन विवरणों को प्रदान करने दे सकता है जिन्हें उसे अन्यथा कंप्यूट करना पड़ता, जिससे वह अप्रत्याशित परिवर्तनों के प्रति कहीं अधिक मजबूत बन जाएगा।
स्पर्श एक अन्य क्षेत्र है जहाँ जीव विज्ञान एक बेहतर डिज़ाइन प्रदान करता है। वर्तमान रोबोट अक्सर दृष्टि पर बहुत अधिक निर्भर रहते हैं, स्पर्श को एक माध्यमिक या वैकल्पिक इनपुट के रूप में देखते हैं। हालाँकि, एक इंसान अंधेरे में भी दरवाज़े का हैंडल ढूंढ सकता है और बिना एक नज़र देखे उसे खोल सकता है। शोध पत्र इस बात पर प्रकाश डालता है कि दृष्टि केवल गति और आकार देखती है, जबकि स्पर्श सीधे शामिल बलों को मापता है। जब कोई इंसान किसी वस्तु को पकड़ता है, तो त्वचा में विशेष सेंसर लगभग 75 मिलीसेकंड के भीतर फिसलन का पता लगा लेते हैं, जो वस्तु के हिलने के बारे में मस्तिष्क को सचेत रूप से पता चलने से बहुत पहले ही पकड़ को कसने के लिए एक स्वचालित रिफ्लेक्स (प्रतिवर्त) को ट्रिगर कर देते हैं। यह रिफ्लेक्स लूप किसी भी दृश्य सुधार की तुलना में बहुत तेज़ है। लेखक प्रस्तावित करते हैं कि रोबोटों को स्पर्श को एक प्राथमिक इनपुट के रूप में मानना चाहिए, जो एक बल क्षेत्र (force field) का प्रतिनिधित्व करता है जो अनुपालन नियंत्रण को संचालित करता है। अपनी क्रियाओं के स्पर्श संबंधी परिणामों की भविष्यवाणी करने के लिए मॉडलों को प्रशिक्षित करके, रोबोट दृश्य रूप से दृश्य का पुनर्मूल्यांकन करने के लिए रुके बिना, वस्तु के फिसलने पर तुरंत अपनी पकड़ को समायोजित करना सीख सकते हैं, ठीक वैसे ही जैसे एक इंसान करता है।
दृष्टि को भी एक नए दृष्टिकोण की आवश्यकता है। वर्तमान रोबसनीय दृष्टि प्रणालियाँ अक्सर धीमी होती हैं और वस्तुओं को पहचानने के लिए अनुकूलित होती हैं, ठीक वैसे ही जैसे एक इंसान चेहरे को पहचानता है। हालाँकि, एक चलते हुए हाथ को नियंत्रित करने के लिए एक अलग प्रकार की दृष्टि की आवश्यकता होती है: जो उच्च गति पर गति और स्थिति को ट्रैक करे। मानव मस्तिष्क इसे दो धाराओं में विभाजित करके हल करता है। एक धारा, "वेंट्रल" (ventral) स्ट्रीम, धीमी है और यह पहचानने के लिए समर्पित है कि कोई वस्तु क्या है। दूसरी धारा, "डॉर्सल" (dorsal) स्ट्रीम, तेज़ है और क्रिया के मार्गदर्शन के लिए समर्पित है, जो हाथ के सापेक्ष वस्तुओं की स्थिति को लगातार अपडेट करती है। शोध पत्र का तर्क है कि रोबोटों को एक समान दोहरी प्रणाली बनानी चाहिए। एक एकल, धीमी विजन एनकोडर पर निर्भर रहने के बजाय, उनके पास एक समर्पित, तेज़ एनकोडर होना चाहिए जो कैमरे के फ्रेम रेट पर चलता है, जो गति और संपर्क के बारे में तत्काल डेटा के साथ एक रिएक्टिव पॉलिसी हेड को फीड करता है। यह रोबोट को दृश्य के विस्तृत विश्लेषण की प्रतीक्षा करने के बजाय, वास्तविक समय में फिसलती हुई वस्तु या चलते हुए लक्ष्य के प्रति प्रतिक्रिया करने की अनुमति देगा।
शायद सबसे गहन अंतर्दृष्टि सेरेबेलम (cerebellum) से आती है, जिसे अक्सर एक 'भविष्यवक्ता' (predictor) के रूप में वर्णित किया जाता है। सेरेबेलम प्रत्येक मोटर कमांड की एक प्रति लेता है और पूर्वानुमान लगाता है कि इसके परिणामस्वरूप शरीर क्या महसूस करेगा और क्या देखेगा, और यह काम कुछ ही मिलीसेकंड में करता है। यदि वास्तविक संवेदना भविष्यवाणी से भिन्न होती है, तो सेरेबेलम तुरंत गति को पुनर्गठित करता है। यह मनुष्यों को गेंद को पकड़ने या भारी वस्तु पर अपनी पकड़ को समायोजित करने में सक्षम बनाता है, इससे पहले कि संवेदी फीडबैक लूप सामान्य रूप से काम कर पाता। शोध पत्र सुझाव देता है कि रोबोटों को एक समान "वर्ल्ड मॉडल" या प्रेडिक्टर को शामिल करना चाहिए जो मुख्य पॉलिसी के साथ चलता है। यह प्रेडिक्टर हर कमांड के परिणाम का पूर्वानुमान लगाएगा और वास्तविकता और भविष्यवाणी के बीच के अंतर का उपयोग करके तुरंत रोबोट के व्यवहार को समायोजित करेगा। वर्तमान मॉडलों के विपरीत जो सीखने में सेकंडों का समय लेते हैं, यह प्रेडिक्टर उथला (shallow) और तेज़ होगा, जो एक ही प्रयास के भीतर नए उपकरणों या भारी वस्तुओं के अनुकूल होने में सक्षम होगा, जिससे प्रभावी रूप से रोबोट को वास्तविक समय में सीखने और सुधार करने की अनुमति मिलेगी।
अंत में, शोध पत्र इस दृष्टि को रेखांकित करता है कि ये रोबोट समय के साथ कैसे सीखेंगे और सुधार करेंगे, जो मानव अभ्यास और सुदृढ़ीकरण (consolidation) की प्रक्रिया को दर्शाता है। वर्तमान में, एक रोबोट का कौशल तैनात होने के बाद जम जाता है; वह मानवीय हस्तक्षेप के बिना अपनी गलतियों से नहीं सीख सकता। प्रस्तावित डिज़ाइन में एक ऐसी प्रणाली शामिल है जहाँ एक रोबोट एक जटिल कार्य को छोटे, सत्यापन योग्य इकाइयों में तोड़ता है, जैसे कि पहुँचना, उन्मुखीकरण (orienting), और पकड़ना। वह इन इकाइयों का अभ्यास करता है, और एक "कंसोलिडेशन एजेंट" सफल प्रयासों की समीक्षा करता है ताकि स्पष्ट, धीमी कोडिंग को रोबोट के न्यूरल वेट्स में संग्रहीत तेज़, अंतर्निहित कौशलों में बदला जा सके। समय के साथ, रोबोट हर कोण और बल को सावधानीपूर्वक मापने के बजाय, कार्य को केवल "देखकर" (eyeballing) कार्य करने लगेगा, ठीक वैसे ही जैसे एक इंसान जिसने किसी कौशल में महारत हासिल कर ली हो। कमजोर बिंदुओं का अभ्यास करने, सफलता का निर्णय लेने और ज्ञान को सुदृढ़ करने का यह चक्र निरंतर स्व-सुधार को सक्षम करेगा, जिससे रोबोट प्रत्येक कार्य के साथ अधिक सक्षम और निपुण बनता जाएगा।
लेखक सावधानी बरतते हैं कि ये विचार परीक्षण किए जाने वाले परिकल्पनाएँ हैं, सिद्ध समाधान नहीं। वे जिस तंत्रिका विज्ञान (neuroscience) का उपयोग कर रहे हैं वह जटिल है और कभी-कभी विवादास्पद भी है, और एक जैविक मस्तिष्क और सिलिकॉन मशीन के बीच की समानता की अपनी सीमाएँ हैं। हालाँकि, शोध पत्र एक सम्मोहक मामला प्रस्तुत करता है कि रोबोटिक्स का मार्ग केवल डेटा या कंप्यूटिंग शक्ति को बढ़ाने में नहीं, बल्कि मशीन के मौलिक आर्किटेक्चर को फिर से सोचने में निहित है। तंत्रिका तंत्र से अनुपालन, तेज़ संवेदी लूप, भविष्य कहनेवाला मॉडलिंग और सक्रिय अभ्यास के सिद्धांतों को उधार लेकर, अगली पीढ़ी के रोबोट अंततः उस तरल, अनुकूलन योग्य बुद्धिमत्ता को प्राप्त कर सकते हैं जो लंबे समय से उनसे दूर रही 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।