Decentralized Coordination and Acoustic Source Localization in Autonomous Drone Swarms

कल्पना कीजिए कि एक ड्रोन किसी गोदाम, गुफा या घने शहरी इलाके के भीतर उड़ रहा है जहाँ आकाश छिपा हुआ है। इन स्थानों पर, वे उपग्रह संकेत जो आमतौर पर विमानों को निर्देशित करते हैं, अवरुद्ध, बाधित या पूरी तरह अनुपस्थित होते हैं। उन संकेतों के बिना, ड्रोन को यह पता नहीं चल सकता कि वह कहाँ है। जीवित रहने के लिए, इसे अपनी आँखों और संतुलन की भावना पर भरोसा करना होगा। यह दुनिया को अपने पास से गुजरते हुए देखने के लिए एक कैमरे का उपयोग करता है और यह महसूस करने के लिए कि यह कैसे झुकता और त्वरित होता है, एक छोटे मोशन सेंसर का उपयोग करता है। इन दोनों सूचनाओं के प्रवाह को जोड़कर, ड्रोन अपने पथ का एक मानसिक मानचित्र बनाने की कोशिश करता है। यह एक कठिन कार्य है क्योंकि कैमरा धुंधलेपन या अंधेरे से भ्रमित हो सकता है, और मोशन सेंसर समय के साथ धीरे-धीरे अपने पथ से भटक सकता है। इंजीनियरों के लिए चुनौती केवल ड्रोन को चलाना बनाना नहीं है, बल्कि यह सुनिश्चित करना है कि उसका आंतरिक गणनात्मक "मैं कहाँ हूँ" का बोध ईमानदार बना रहे, भले ही उसे प्राप्त डेटा अव्यवस्थित या भ्रामक हो।

शोधकर्ताओं की एक टीम ने इस तरह के स्व-निर्देशित ड्रोन को संचालित करने वाले गणितीय इंजन का गहराई से अध्ययन किया है। उन्होंने कोई नया उड़ने वाला यंत्र नहीं बनाया या आकाश में इसका परीक्षण नहीं किया; इसके बजाय, उन्होंने ड्रोन के मस्तिष्क को चलाने वाले सॉफ़्टवेयर कोड का कठोर ऑडिट किया। उनका लक्ष्य यह सत्यापित करना था कि ड्रोन के नेविगेशन के पीछे का गणित सुदृढ़ है और क्या सिस्टम में ऐसे सुरक्षा उपाय शामिल हैं जो इसे खुद से झूठ बोलने से रोक सकें। उन्होंने पाया कि हालांकि सॉफ़्टवेयर परिष्कृत है, लेकिन इसमें एक विशिष्ट भेद्यता (vulnerability) है: सिस्टम कभी-कभी यह सोचने के लिए मूर्ख बन सकता है कि उसके पास अपने स्थान की एक सटीक तस्वीर है, जबकि वास्तव में, दृश्य की ज्यामिति (geometry) निश्चित होने के लिए बहुत कमजोर होती है।

शोधकर्ताओं ने विजुअल-इनर्शियल ओडोमेट्री (visual-inertial odometry) नामक एक विधि पर ध्यान केंद्रित किया, जो कैमरा छवियों को मोशन डेटा के साथ जोड़ती है। इस प्रणाली में, ड्रोन दीवार के कोने जैसे किसी लैंडमार्क का स्नैपशॉट लेता है और कई फ्रेमों में उसे ट्रैक करता है। फिर यह लैंडमार्क की स्थिति में परिवर्तन का उपयोग करके यह गणना करता है कि ड्रोन कितनी दूर तक चला है। सॉफ़्टवेयर यह तय करने के लिए नियमों का एक जटिल सेट का उपयोग करता है कि क्या कोई नया माप भरोसेमंद है। शोधकर्ताओं ने पाया कि वर्तमान नियम इस बात पर बहुत अधिक निर्भर करते हैं कि लैंडमार्क छवि में कितनी अच्छी तरह फिट बैठता है। यदि ड्रोन का कैमरा ऐसी विशेषता देखता है जो उसके पूर्वानुमान के साथ पूरी तरह से मेल खाती है, तो सिस्टम उसे सत्य के रूप में स्वीकार कर लेता है। हालाँकि, टीम ने कंप्यूटर सिमुलेशन के माध्यम से दिखाया कि एक आदर्श इमेज मैच सही दूरी की गारंटी नहीं देता है।

इसे समझाने के लिए, शोधकर्ताओं ने हजारों सिम्युलेटेड उड़ानें चलाईं जहाँ ड्रोन ने तीन थोड़े अलग कोणों से एक ही बिंदु को देखा। उन्होंने कैमरों को एक-दूसरे के बहुत करीब रखा, जिससे एक संकीर्ण दृश्य (narrow view) बना। इन सिमुलेशन में, सॉफ़्टवेयर ने मापों को स्वीकार कर लिया क्योंकि इमेज एरर बहुत कम था, फिर भी गणना की गई दूरी अक्सर एक मीटर से अधिक गलत थी। ड्रोन को लगा कि वह बिल्कुल जानता था कि वह कहाँ है, लेकिन उसके दृश्य के संकीर्ण कोण का अर्थ था कि वह यह नहीं बता सकता था कि वस्तु पास है या दूर। यह एक आँख बंद करके और अपना सिर मुश्किल से घुमाकर पहाड़ की दूरी मापने की कोशिश करने जैसा है; छवि स्पष्ट है, लेकिन गहराई एक अनुमान है। शोधकर्ताओं ने पाया कि सिस्टम का आत्मविश्वास गलत था क्योंकि इसने दृश्य के आकार (shape of the view) को अनदेखा कर दिया था।

इसे ठीक करने के लिए, लेखकों ने डेटा पर भरोसा करने से पहले ज्यामिति की जांच करने का एक नया तरीका प्रस्तावित किया। उन्होंने एक नैदानिक उपकरण (diagnostic tool) पेश किया जो कैमरे के दृश्य के "फैलाव" (spread) को मापता है। यदि कैमरे एक बिंदु को बहुत समान कोणों से देख रहे हैं, तो सिस्टम को उस माप को अस्वीकार कर देना चाहिए, भले ही छवि एकदम सटीक क्यों न दिखे। यह सुनिश्चित करता है कि ड्रोन केवल उसी जानकारी को स्वीकार करे जो वास्तव में उसे त्रि-आयामी स्थान में अपनी स्थिति समझने में मदद करती है। अध्ययन ने यह भी जांचा कि सॉफ़्टवेयर अपने आंतरिक गणित को कैसे संभालता है। उन्होंने पुष्टि की कि कोड अनिश्चितता अनुमानों (uncertainty estimates) को अपडेट करने के लिए एक मजबूत विधि का उपयोग करता है, यह सुनिश्चित करते हुए कि यदि कोई गणना गलत हो जाती है, तो सिस्टम चुपचाप अपनी स्मृति को दूषित नहीं करता है। इसके बजाय, यह अपडेट को रोक देता है और पिछले सुरक्षित स्तर को बनाए रखता है, जिसे वे "फेल-क्लोज्ड" (fail-closed) व्यवहार कहते हैं।

यह शोध पत्र यह भी स्पष्ट करता है कि क्या सिद्ध किया गया है और क्या नहीं। शोधकर्ता बहुत सावधान रहे हैं कि उन्होंने कंप्यूटर सिमुलेशन में काम करने वाले सॉफ़्टवेयर और वास्तविक दुनिया में सुरक्षित रूप से उड़ने वाले ड्रोन के बीच अंतर स्पष्ट किया। उन्होंने दिखाया कि सॉफ़्टवेयर कंप्यूटर पर निरंतरता (consistency) और पुनरावृत्ति (repeatability) के कड़े परीक्षणों में पास होता है, जिसका अर्थ है कि समान डेटा दिए जाने पर यह अनुमानित व्यवहार करता है। हालाँकि, उन्होंने स्पष्ट रूप से कहा कि कोई भौतिक उड़ान परीक्षण नहीं किया गया था। सॉफ़्टवेयर अभी तक यह साबित नहीं हुआ है कि वह वास्तविक मोटर के कंपन, वायरलेस सिग्नल की देरी, या वास्तविक दुनिया के वातावरण की अराजकता को संभाल सकता है। यह अध्ययन एक सुरक्षित, गणितीय रूप से ईमानदार प्रणाली के ब्लूप्रिंट के रूप में कार्य करता है, लेकिन यह दावा करने में पीछे हट जाता है कि यह प्रणाली आकाश के लिए तैयार है।

अंततः, यह कार्य स्वायत्त मशीनों में विश्वास बनाने के बारे में है। शोधकर्ताओं ने प्रदर्शित किया कि एक ड्रोन के वास्तव में स्वायत्त होने के लिए, उसे न केवल अपने पथ की गणना करनी चाहिए, बल्कि अपने ज्ञान की सीमाओं को भी समझना चाहिए। यह सिद्ध करके कि एक स्पष्ट छवि पर्याप्त नहीं है और यह दिखाकर कि दृश्य की गुणवत्ता को कैसे मापा जाए, उन्होंने इन ड्रोनों को बिना उपग्रहों के सुरक्षित रूप से नेविगेट करने में सक्षम बनाने की दिशा में एक महत्वपूर्ण कदम प्रदान किया है। निष्कर्ष बताते हैं कि इन मशीनों की अगली पीढ़ी को न केवल इस पर ध्यान देना होगा कि वे क्या देखते हैं, बल्कि इस पर भी कि वे इसे कैसे देखते हैं, यह सुनिश्चित करते हुए कि उनका आत्मविश्वास हमेशा उनके परिवेश की वास्तविकता के अनुरूप हो।