तकनीकी सारांश: गतिशील वातावरण में रोबोटों के लिए इश्यू-सेंट्रिक ऑटोनॉमस थिंकिंग शेड्यूलिंग (ICATS)

1. समस्या विवरण

खुले, परिवर्तनशील और आंशिक रूप से अवलोकन योग्य (partially observable) वातावरणों में काम करने वाले स्वायत्त रोबोट मौजूदा शेड्यूलिंग प्रतिमानों (paradigms) में एक गंभीर सीमा का सामना करते हैं। पारंपरिक तरीके आमतौर पर कार्य-केंद्रित (task-centric) या क्रिया-केंद्रित (action-centric) होते हैं, जो पूर्व-निर्धारित लक्ष्यों, निश्चित अवस्था चरों (state variables) और स्पष्ट क्रिया अनुक्रमों पर निर्भर करते हैं। ये दृष्टिकोण तब संघर्ष करते हैं जब:

• महत्वपूर्ण मुद्दे (issues) पूरी तरह से पूर्व-निर्धारित नहीं होते, बल्कि नए अवलोकनों से गतिशील रूप से उत्पन्न होते हैं।
• मुद्दे अस्थायी रूप से निष्पादन योग्य (unexecutable) नहीं होते, लेकिन नई जानकारी आने पर समाधान योग्य हो जाते हैं।
• बिना आगे के तर्क (reasoning) के अवलोकनों के प्रति प्रत्यक्ष प्रतिक्रियाएँ गलत हो सकती हैं (जैसे, सेंसर विफलता और पर्यावरणीय हस्तक्षेप के बीच अंतर करना)।
• रोबलों को बाधित कार्यों को याद रखने, अपनी आंतरिक समझ को अपडेट करने और पूर्व-निर्धारित सूचियों को निष्पादित करने के बजाय अनसुलझे मुद्दों को प्राथमिकता देने की आवश्यकता होती है।

मुख्य चुनौती एक आंतरिक विचार तंत्र (internal thinking mechanism) विकसित करना है जो केवल कार्यों की एक स्थिर सूची को निष्पादित करने के बजाय, महत्व और बदलते संदर्भ के आधार पर संज्ञानात्मक मुद्दों (cognitive issues) को बनाए रख सके, याद कर सके और शेड्यूल कर सके।

2. कार्यप्रणाली: ICATS ढांचा

यह शोध पत्र ICATS (इश्यू-सेंट्रिक ऑटोनॉमस थिंकिंग शेड्यूलिंग) प्रस्तावित करता है, जो एक ऐसा ढांचा है जो संज्ञानात्मक मुद्दों को आंतरिक विचार और शेड्यूलिंग की मौलिक इकाइयों के रूप में मानता है।

A. संज्ञानात्मक मुद्दा प्रतिनिधित्व (Cognitive Issue Representation)

एक संज्ञानात्मक मुद्दे को एक घटना, अवलोकन, कार्य की स्थिति, पर्यावरणीय परिवर्तन, आंतरिक संदेह, या बाद में स्मरण या तर्क की आवश्यकता वाली अनसुलझी समस्या के रूप में परिभाषित किया गया है। इसे एक टुपल (tuple) के रूप में दर्शाया गया है:
$$M^t_i = \langle I^t_i, o^t_i, \hat{o}^t_i, \Delta^t_i, R^t_i, s^t_i, l^t_i, T^t_i \rangle$$
जहाँ:

• $I^t_i$: स्वयं मुद्दा।
• $o^t_i$: कथित परिणाम (perceived result)।
• $\hat{o}^t_i$: अपेक्षित परिणाम (expected result)।
• $\Delta^t_i$: धारणा-अपेक्षा अंतर (perception–expectation difference)।
• $R^t_i$: संबंधित मुद्दे या अनुभव।
• $s^t_i$: समाधान स्थिति (unsolved, partially solved, familiar, आदि)।
• $l^t_i$: सीखने की स्थिति (learning status)।
• $T^t_i$: विचार महत्व (thinking importance)।

B. गतिशील स्थिति रखरखाव (Dynamic Status Maintenance)

ICATS एक गतिशील रूप से विस्तार योग्य आंतरिक स्थिति ($\hat{S}^t$) का उपयोग करता है, न कि एक निश्चित अवस्था वेक्टर का। इस स्थिति में शामिल हैं:

• पर्यावरणीय कारक ($\hat{E}^t$)।
• रोबोट की स्व-स्थिति ($\hat{B}^t$)।
• अन्य एजेंटों/वस्तुओं की स्थिति ($\hat{O}^t$)।
• कारकों के बीच संबंध ($\hat{R}^t$)।
• योजनाएं, भविष्यवाणियां और तर्क के परिणाम ($\hat{P}^t$)।

संचालन के दौरान देखे गए या अनुमानित नए कारकों, वस्तुओं, संबंधों या भविष्यवाणियों को इस स्थिति में जोड़ा जाता है। रोबोट इस विकसित होती स्थिति के आधार पर अद्यतित अपेक्षाएं (up-to-date expectations) उत्पन्न करता है, जिससे यह न केवल असामान्य मानों को बल्कि नए उभरते कारकों, बदले हुए संबंधों और संभावित जोखिमों का भी पता लगाने में सक्षम होता है।

C. विचार महत्व और शेड्यूलिंग (Thinking Importance and Scheduling)

विचार महत्व ($T^t_i$) एक मुद्दे की प्राथमिकता निर्धारित करता है। इसकी गणना निम्नलिखित के आधार पर की जाती है:

1. धारणा-अपेक्षा अंतर ($\Delta^t_i$): वर्तमान धारणा और अद्यतित अपेक्षा के बीच का अंतर।
2. अनसुलझा स्तर ($u^t_i$): मुद्दा समाधान से कितनी दूर है।
3. नवीनता ($n^t_i$): क्या मुद्दा अपरिचित है।
4. सीखने का मूल्य ($q^t_i$): भविष्य के ज्ञान प्राप्ति की क्षमता।
5. अपेक्षित भविष्य का प्रभाव ($e^t_i$): महत्वपूर्ण परिणाम (जैसे, सुरक्षा जोखिम, कार्य विफलता) उत्पन्न करने की क्षमता।

एक विचार मॉड्यूल (जैसे, एक LLM या रीजनिंग मॉडल) इन कारकों का निर्णय लेने के लिए उपयोग किया जा सकता है, विशेष रूप से उन मुद्दों के लिए जो घातक परिणामों की ओर ले जा सकते हैं।

शेड्यूलिंग तंत्र:
मुद्दों को एक स्कोर $S^t_j = T^t_j + \lambda_u u^t_j + \lambda_q q^t_j - \lambda_c c^t_j$ के माध्यम से शेड्यूल किया जाता है। शेड्यूलिंग दो मोड में होती है:

• फ्री-टाइम शेड्यूलिंग (Free-Time Scheduling): संसाधनों के उपलब्ध होने पर अनसुलझे या उच्च-मूल्य वाले मुद्दों का स्वायत्त स्मरण।
• ट्रिगर शेड्यूलिंग (Triggered Scheduling): किसी अप्रत्याशित स्थिति (जैसे, पथ काटते हुए पैदल यात्री) के होने पर तत्काल प्रसंस्करण जब अपेक्षाओं से विचलन होता है।

D. प्रसंस्करण और सीखना (Processing and Learning)

एक बार शेड्यूल होने के बाद, मुद्दे को हल करने, उससे सीखने या आंतरिक मॉडलों को अपडेट करने के लिए संसाधित किया जाता है।

• समाधान (Solving): रोबोट महत्व-निर्देशित पिछले अनुभवों को प्राप्त करके संभावित समाधान उत्पन्न करता है।
• सीखना (Learning):
  • सिमेंटिक मेमोरी (Semantic Memory): दुर्लभ या एक बार होने वाले मुद्दों के लिए, रोबोट एक सार्थक सारांश संग्रहीत करता है।
  • न्यूरल मॉडल (Neural Models): बार-बार होने वाले मुद्दों के लिए, डेटा का उपयोग अनुक्रम मॉडल (जैसे, LSTMs, Transformers) को प्रशिक्षित करने के लिए किया जाता है।
• फीडबैक लूप (Feedback Loop): प्रसंस्करण के बाद, विचार महत्व को अपडेट किया जाता है। यदि कोई मुद्दा परिचित या हल हो जाता है, तो इसका महत्व कम हो जाता है; यदि यह अनसुलझा रहता है, तो यह भविष्य के शेड्यूलिंग के लिए उच्च प्राथमिकता बनाए रखता है।

3. प्रमुख योगदान

1. इश्यू-सेंट्रिक शेड्यूलिंग: शेड्यूलिंग की इकाई को पूर्व-निर्धारित कार्यों/कार्यों से बदलकर संज्ञानात्मक मुद्दों में परिवर्तित करता है, जिससे अधूरे, अपरिचित, बदले हुए या उच्च-प्रभाव वाले मुद्दों का स्वायत्त स्मरण और प्रसंस्करण संभव होता है।
2. बहु-कारक विचार महत्व (Multi-Factor Thinking Importance): धारणा-अपेक्षा अंतर, अनसुलझे स्तर, नवीनता, सीखने के मूल्य और भविष्य के प्रभाव के आधार पर महत्व को सूत्रबद्ध करता है। यह महत्वपूर्ण मुद्दों के लिए महत्व का निर्णय लेने हेतु LLM के उपयोग की स्पष्ट अनुमति देता है।
3. गतिशील रूप से विस्तार योग्य स्थिति रखरखाव: एक ऐसी प्रणाली पेश करता है जहाँ आंतरिक स्थिति निश्चित नहीं है, बल्कि संचालन के दौरान नए कारकों, वस्तुओं, संबंधों और भविष्यवाणियों को शामिल करने के लिए विस्तारित होती है, जिससे अद्यतित अपेक्षा पीढ़ी सुगम होती है।

4. प्रयोगात्मक परिणाम

शोध पत्र दो नियंत्रित सत्यापन प्रयोग प्रस्तुत करता है:

प्रयोग 1: समय-बाधित गतिशील मुद्दा शेड्यूलिंग

• सेटअप: ICATS की तुलना क्रोनोलॉजिकल (chronological), डेडलाइन-फर्स्ट, एक्जीक्यूटेबल-फर्स्ट, शॉर्टेस्ट-ड्यूरेशन और रैंडम शेड्यूलिंग बेसलाइन्स से की गई।
• परिणाम:
  • ICATS ने उच्चतम भारित पुरस्कार (weighted reward) (18.395) प्राप्त किया, जो सर्वश्रेष्ठ फिक्स्ड बेसलाइन (रैंडम, 15.967) से ~15.2% अधिक था।
  • इसने डायनेमिक-इश्यू कंप्लीशन रेट 0.583 प्राप्त किया, जो सभी फिक्स्ड बेसलाइन्स (अधिकतम 0.533) से अधिक है।
  • इसने सीखने की क्षमता प्रदर्शित की, सफलतापूर्वक सीखे गए नियमों (जैसे, संकीर्ण-विंडो वाले मुद्दों को प्राथमिकता देना) को मूल्यांकन एपिसोड में स्थानांतरित किया, जबकि फिक्स्ड बेसलाइन्स की सफलता शून्य थी।

प्रयोग 2: गतिशील स्थिति रखरखाव और अंतर का पता लगाना

• सेटअप: विभिन्न स्तरों के स्थिति रखरखाव (केवल अवलोकन-मात्र, पर्यावरण-मात्र, पर्यावरण+स्वयं+वस्तुएं, और ICATS-पूर्ण-स्थिति) का उपयोग करके अंतर (जैसे, तापमान विसंगतियां, पैदल यात्री जोखिम) का पता लगाने की क्षमता का मूल्यांकन किया गया।
• परिणाम:
  • ICATS-पूर्ण-स्थिति ने 1.000 का पूर्ण F1-स्कोर प्राप्त किया, जो सर्वश्रेष्ठ आंशिक-स्थिति बेसलाइन (0.618) से काफी बेहतर था।
  • इसने फॉल्स नेगेटिव रेट को 0.000 (आंशिक बेसलाइन्स में 0.483 से) और फॉल्स पॉजिटिव रेट को 0.000 तक कम कर दिया।
  • इसने अनुमानित संबंधों के आधार पर जोखिमों का शीघ्र पता लगाने (3.235 टाइम यूनिट पहले) में सक्षम बनाया, जो अन्य विधियों में अनुपस्थित एक क्षमता है।
  • परिणाम दर्शाते हैं कि गतिशील परिदृश्यों में सटीक अंतर का पता लगाने के लिए संबंधों और भविष्यवाणियों को बनाए रखना महत्वपूर्ण है।

5. महत्व और दावे

शोध पत्र का दावा है कि ICATS खुले वातावरण में स्वायत्त रोबोटों के लिए एक आवश्यक विकास प्रदान करता है क्योंकि यह:

• संज्ञानात्मक आवश्यकताओं को प्राथमिकता देता है: सरल कार्य निष्पादन से आगे बढ़कर रोबोट की आंतरिक संज्ञानात्मक स्थिति को प्रबंधित करने की ओर बढ़ता है, यह सुनिश्चित करता है कि अनसुलझे, नवीन या उच्च-जोखिम वाले मुद्दों को संबोधित किया जाए, भले वे मूल कार्य सूची का हिस्सा न हों।
• अनुकूलनशीलता (Adaptability): गतिशील रूप से विस्तार योग्य स्थिति रोबोट को मिशन की शुरुआत में पूर्व-निर्धारित न किए गए कारकों, जैसे कि नई वस्तुओं या बदले हुए संबंधों को संभालने में सक्षम बनाती है।
• बेहतर सुरक्षा और दक्षता: संबंधों/भविदों के रखरखाव के माध्यम से जोखिमों का जल्दी पता लगाकर और उच्च-प्रभाव वाले मुद्दों को प्राथमिकता देकर, यह ढांचा सुरक्षा और संसाधन आवंटन में सुधार करता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि सत्यापन परिणाम नियंत्रित प्रयोगों से हैं। हालांकि ICATS ने परीक्षण किए गए विशिष्ट परिदृश्यों में पूर्ण वर्गीकरण प्राप्त किया, लेखक स्वीकार करते हैं कि भविष्य के कार्यों को शोर वाले अवलोकनों (noisy observations), अपूर्ण भविष्यवाणियों और अधिक जटिल वास्तविक दुनिया के वातावरण के विरुद्ध मजबूती का मूल्यांकन करना होगा। शोध पत्र ICATS को क्रिया नियोजन (action planning) के विकल्प के रूप में नहीं, बल्कि एक पूरक थिंकिंग शेड्यूलर के रूप में प्रस्तुत करता है जो यह सुनिश्चित करने के लिए एक्शन प्लानिंग से पहले, दौरान या बाद में कार्य करता है कि रोबोट सही समय पर सही चीजों के बारे में सोच रहा है।