Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments
यह शोध पत्र एक ओपन-एंडेड कॉग्निटिव इवोल्यूशन फ्रेमवर्क प्रस्तावित करता है जो स्वायत्त रोबोटों को अनदेखी स्थितियों और पर्यावरणीय परिवर्तनों के जवाब में अपनी सोचने, सीखने और बातचीत करने की प्रक्रियाओं को गतिशील रूप से अनुकूलित करने में सक्षम बनाता है, जो कार्य सफलता, सुरक्षा और दक्षता में निश्चित-संरचना वाले दृष्टिकोणों से काफी बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (https://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 रोबोट की कल्पना करें जिसे गोदाम (वेयरहाउस) में काम करने के लिए डिज़ाइन किया गया है। एक आदर्श, अपरिवर्तनीय दुनिया में, इंजीनियर इसे हर उस नियम के साथ प्रोग्राम कर सकते हैं जिसकी इसे आवश्यकता होगी: एक बॉक्स को कैसे उठाना है, उसे कहाँ रखना है, और यदि कोई लाइट झपके तो क्या करना है। लेकिन वास्तविक दुनिया आदर्श नहीं होती। यह बदलती रहती है। एक नए प्रकार का बॉक्स आ सकता है, एक सेंसर अपने संरेखण (अलाइनमेंट) से भटक सकता है, या कोई रास्ता अचानक अवरुद्ध हो सकता है। एक रोबोट के जीवित रहने के लिए, वह केवल तथ्यों की सूची याद नहीं कर सकता। उसे यह भी सीखना होगा कि कैसे अपने सोचने के तरीके को बदला जाए, अपनी गलतियों से कैसे सीखा जाए, और अपने परिवेश के साथ कैसे संवाद किया जाए। यह 'ओपन एनवायरनमेंट' (खुले वातावरण) की चुनौती है: रोबोट को न केवल नई वस्तुओं के प्रति, बल्कि समस्याओं को हल करने के नए तरीकों के प्रति भी अनुकूल होना चाहिए।
वर्षों से, शोधकर्ता मशीनों को नए तथ्य सीखने या उनके आंतरिक मानचित्रों (मैप्स) को अपडेट करने के लिए सिखाने पर ध्यान केंद्रित कर रहे हैं। यह एक छात्र द्वारा इतिहास की तारीखों को याद करने जैसा है। हालाँकि, एक नया अध्ययन बताता है कि एक वास्तव में स्वायत्त रोबोट के लिए, तथ्य याद करना पर्याप्त नहीं है। रोबोट को अपनी स्वयं की पाठ्यपुस्तकों को फिर से लिखने में भी सक्षम होना चाहिए। यदि सोचने का पुराना तरीका विफल हो जाता है, तो रोबोट के पास सोचने का एक नया तरीका खोजने, उसका परीक्षण करने और यदि वह काम करता है तो उसे रखने की क्षमता होनी चाहिए। यह "ओपन-एंडेड कॉग्निटिव इवोल्यूशन" (मुक्त-अंत संज्ञानात्मक विकास) के लिए एक नए ढांचे के पीछे का मूल विचार है, जो एक ऐसा सिस्टम है जो रोबोट को समय के साथ अपने मस्तिष्क को विकसित करने की अनुमति देता है।
शोधकर्ताओं ने, जिसका नेतृत्व चेनडू यूनिवर्सिटी ऑफ इंफॉर्मेशन टेक्नोलॉजी के सु होंग ने किया, एक ऐसा सिस्टम बनाया जहाँ एक रोबोट केवल बुनियादी मानसिक उपकरणों के एक बहुत छोटे सेट के साथ शुरू करता है। ये उपकरण सामान्य हैं: देखने की क्षमता, सोचने की क्षमता, सीखने की क्षमता, संवाद करने की क्षमता और यह जाँचने की क्षमता कि चीजें सही दिशा में जा रही हैं या नहीं। इन उपकरणों का उपयोग करने के विशिष्ट तरीके निश्चित नहीं हैं। इसके बजाय, रोबोट के पास उन तरीकों का एक "रिपर्टोइर" (संग्रह) होता है जिन्हें वह चुन सकता है। यदि रोबोट ऐसी स्थिति का सामना करता है जिसे वह संभाल नहीं सकता, तो वह केवल पुराने तरीकों के साथ अधिक प्रयास नहीं करता। वह एक बिल्कुल नया तरीका बना सकता है, वास्तविकता के विरुद्ध उसका परीक्षण कर सकता है, और भविष्य में उपयोग के लिए उसे अपने संग्रह में जोड़ सकता है।
यह विचार काम करता है या नहीं, यह देखने के लिए टीम ने एक नियंत्रित गोदाम सेटिंग में सिमुलेशन की एक श्रृंखला चलाई। उन्होंने रोबोट को एक सरल काम दिया: भ्रमित करने वाली या विरोधाभासी जानकारी से जूझते हुए वस्तुओं को इधर-उधर ले जाना। पहले परीक्षण में, उन्होंने ऐसी स्थितियाँ पेश कीं जहाँ विभिन्न सेंसरों ने रोबोट को विरोधाभासी उत्तर दिए। उदाहरण के लिए, एक कैमरा कह सकता है कि बॉक्स लाल है, जबकि एक वजन सेंसर सुझाव दे सकता है कि यह हल्का है, जिससे एक ऐसा संघर्ष पैदा हुआ जिसे रोबोट का प्रारंभिक प्रोग्रामिंग हल नहीं कर सका। शोधकर्ताओं ने अपने नए सिस्टम की तुलना पुराने तरीकों से की जो सोचने के निश्चित नियमों में फंसे हुए थे। परिणाम चौंकाने वाले थे। जब रोबोट को एक पूरी तरह से नए प्रकार के संघर्ष का सामना करना पड़ा जिसे उसने पहले कभी नहीं देखा था, तो नया सिस्टम लगभग 95% बार समस्या को हल करने में सफल रहा। इसके विपरीत, पुराने सिस्टम, जो पहले से देखे गए संघर्षों के लिए नियमों को याद रखने तक सीमित थे, केवल लगभग 60% बार सफल हुए। इससे भी महत्वपूर्ण बात यह है कि नए सिस्टम ने विरोधाधानों की जाँच करने का एक सामान्य तरीका सीखा और उस नए कौशल का लगभग हर भविष्य के संघर्ष में पुन: उपयोग किया, जिससे यह सिद्ध हुआ कि इसने केवल एक उत्तर को याद करने के बजाय वास्तव में सोचने का एक नया तरीका विकसित किया था।
दूसरा परीक्षण यह देखने के लिए था कि रोबोट कैसे सीखता है। वास्तविक दुनिया में, एक रोबोट को प्राप्त होने वाले डेटा की मात्रा बहुत अधिक बदल सकती है। कभी-कभी वह एक नए ऑब्जेक्ट के कुछ ही उदाहरण देखता है; कभी-कभी, वह सैकड़ों उदाहरण देखता है। शोधकर्ताओं ने पाया कि एक एकल शिक्षण विधि सभी स्थितियों को संभालने में सक्षम नहीं हो सकती है। एक विधि जो डेटा की कमी होने पर अच्छी तरह काम करती है, वह डेटा प्रचुर मात्रा में होने पर विफल हो सकती है, और इसके विपरीत भी। नए ढांचे ने रोब "को स्थिति के आधार पर विभिन्न शिक्षण रणनीतियों के बीच स्विच करने की अनुमति दी। जब डेटा कम था, तो वह स्मृति (मेमोरी) पर निर्भर रहा। जब डेटा प्रचुर मात्रा में था, तो वह एक भविष्य कहने वाला मॉडल (प्रेडिक्टिव मॉडल) प्रशिक्षित करने की ओर स्विच हो गया। जब वातावरण तेजी से बदलने लगा, तो उसने केवल हाल की जानकारी पर ध्यान केंद्रित करने वाली रणनीति अपनाई। रोबोट को अपनी सीखने की शैली खुद चुनने देकर, सिस्टम ने इसकी समग्र सफलता दर को लगभग 69% तक सुधार दिया, जो कि सबसे अच्छे निश्चित शिक्षण पद्धति (जो केवल लगभग 56% तक पहुँच पाई थी) से काफी बेहतर था। रोबोट ने केवल कार्य को नहीं सीखा; उसने सीखना भी सीख लिया।
अंतिम परीक्षण ने पुराने ज्ञान के खतरे को संबोधित किया। एक बदलती दुनिया में, एक नियम जो कल सत्य था, आज असत्य हो सकता है। यदि रोबोट एक बदलते परिवेश के बाद भी पुराने नियम का उपयोग जारी रखता है, तो वह खतरनाक गलतियाँ कर सकता है। शोधकर्ताओं ने सिमुलेशन में अचानक, बिना सूचना के परिवर्तन पेश किए, जैसे कि एक सेंसर का भटकना या एक रास्ता अवरुद्ध होना। उन्होंने इसकी तुलना एक ऐसे सिस्टम से की जो एक निश्चित समय सारणी (जैसे घड़ी) पर परिवर्तनों की जाँच करता है। नया सिस्टम एक संकेत का इंतजार करता था कि कुछ गलत है—एक विसंगति जो उसकी अपेक्षा और वास्तविकता के बीच थी। जब वह संकेत दिखाई दिया, तो वह तुरंत रुक गया, जांच की, और अपने ज्ञान को अपडेट किया। यह दृष्टिकोण बहुत अधिक कुशल था। इसने घड़ी-आधारित प्रणाली की तुलना में अनावश्यक जाँचों को लगभग आधा कम कर दिया, जबकि खतरनाक त्रुटियों की दर को भी काफी कम कर दिया। रोबोट ने कम गलतियाँ कीं और सुरक्षित रहने के लिए कम ऊर्जा का उपयोग किया।
यह अध्ययन प्रदर्शित करता है कि एक गतिशील दुनिया में स्वतंत्र रूप से काम करने के लिए, एक रोबोट को अपनी क्षमताओं को विकसित करने में सक्षम होना चाहिए। केवल एक डेटाबेस में नए तथ्य जोड़ना पर्याप्त नहीं है। रोबोट को तर्क करने के नए तरीके खोजने, परिस्थितियों के बदलने पर अपनी सीखने की रणनीतियों को बदलने और दुनिया के बदलने पर अपने तरीकों को अपडेट करने में सक्षम होना चाहिए। प्रयोग दर्शाते हैं कि यह दृष्टिकोण काम करता है, जिससे रोबोट अनदेखे संघर्षों को संभालने, विभिन्न डेटा वातावरणों के अनुकूल होने और दुनिया के अप्रत्याशित रूप से बदलने पर सुरक्षित रहने में सक्षम होता है। निष्कर्ष बताते हैं कि स्वायत्त रोबोटों का भविष्य ऐसी मशीनें बनाने में नहीं है जो शुरुआत में सब कुछ जानती हों, बल्कि ऐसी मशीनें बनाने में है जो चलते-चलते खुद को सोचना, सीखना और कार्य करना सिखा सकें।
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।