Multimodal Deep Learning Framework for Detection and Autonomous Removal of Submerged Ocean Plastic Waste

महासागर विशाल, अंधकारमय और अक्सर मानवीय दृष्टि से ओझल रहता है, फिर भी यह एक निरंतर समस्या से तेजी से भर रहा है: प्लास्टिक कचरा। जबकि हम सतह पर तैरते या समुद्र तटों पर बहकर आए कचरे को देख सकते हैं और साफ कर सकते हैं, इस प्रदूषण का एक बड़ा हिस्सा नीचे डूब जाता है। यह कोरल रीफ (मूंगा चट्टानों) में फंस जाता है, रेत में दब जाता है, या पानी के स्तंभ में निलंबित हो जाता है, जहाँ यह समुद्री जीवन और पारिस्थित प्रणालियों को नुकसान पहुँचाता है। इस डूबे हुए मलबे को खोजने और हटाने के पारंपरिक तरीके कठिन, खतरनाक और अक्सर असंभव होते हैं क्योंकि दृश्यता बहुत कम होती है और गहरे समुद्र का दबाव अत्यधिक होता है। इसे हल करने के लिए, वैज्ञानिक एक नए दृष्टिकोण की ओर मुड़ रहे हैं जो रोबोट की आँखों और आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के मस्तिष्क को जोड़ता है। यह क्षेत्र उन मशीनों पर निर्भर करता है जो कैमरों और ध्वनि तरंगों का उपयोग करके पानी के नीचे देख सकती हैं, और ऐसे सॉफ्टवेयर पर जो धुंधले पानी या कम रोशनी में भी कचरे को पहचानना सीख सकते हैं। लक्ष्य ऐसी प्रणालियाँ बनाना है जो न केवल कचरे को खोज सकें, बल्कि वहां तक पहुँच सकें और आसपास के नाजुक जीवन को बाधित किए बिना उसे उठा सकें।

शोधकर्ताओं शाहेन रामनाथ, श्रीदेवी वल्लापुरपु और सुवेंदु चंदन नायक ने इस चुनौती से शुरुआत से अंत तक निपटने के लिए डिज़ाइन किए गए एक नए ढांचे (फ्रेमवर्क) का प्रस्ताव दिया है। उनका कार्य एक पूर्ण प्रणाली की रूपरेखा तैयार करता है जहाँ एक पानी के नीचे का रोबट, जैसे कि एक स्वायत्त वाहन (ऑटोनॉमस व्हीकल), अपने परिवेश की स्पष्ट तस्वीर बनाने के लिए कई प्रकार के सेंसरों का उपयोग करता है। केवल एक तरह से देखने पर निर्भर रहने के बजाय, यह प्रणाली कैमरों से प्राप्त ऑप्टिकल छवियों को सोनार से प्राप्त ध्वनि-आधारित डेटा और गहराई की जानकारी के साथ जोड़ती है। यह मल्टीमॉडल दृष्टिकोण रोबोट को प्लास्टिक कचरे को देखने में सक्षम बनाता है, भले ही पानी धुंधला हो या रोशनी कम हो रही हो। शोधकर्ताओं ने कंप्यूटर प्रोग्रामों का एक सेट विकसित किया है, जिन्हें 'डीप लर्निंग मॉडल' कहा जाता है, जो रोबोट के मस्तिष्क के रूप में कार्य करते हैं। इन प्रोग्रामों को प्लास्टिक मलबे के आकार और स्थान का पता लगाने, इसे पृष्ठभूमि से अलग करने और यह गणना करने के लिए प्रशिक्षित किया गया है कि वह सटीक रूप से तीन-आयामी (थ्री-डायमेंशनल) स्थान में कहाँ स्थित है। एक बार जब रोबोट कचरे के टुकड़े की पहचान कर लेता है, तो प्रणाली वाहन को उसकी ओर निर्देशित करती है, एक सुरक्षित पथ की योजना बनाती है, और एक रोबोटिक हाथ को वस्तु को पकड़ने और हटाने के लिए निर्देशित करती है।

टीम ने खुले समुद्र में भौतिक रोबोट के बजाय एक विस्तृत कंप्यूटर सिमुलेशन का उपयोग करके अपने विचार का परीक्षण किया। उन्होंने एक आभासी वातावरण बनाया जो 2,000 से 3,000 मीटर की गहराई का प्रतिनिधित्व करता है, एक ऐसा स्तर जहाँ मानव गोताखोर नहीं जा सकते और जहाँ प्रकाश की कमी होती है। इस डिजिटल दुनिया में, उन्होंने अनिश्चितता के विभिन्न स्तरों के लिए 500 अलग-अलग परीक्षण चलाए, जिसमें ऐसी स्थितियों का अनुकरण किया गया जहाँ रोबोट के सेंसर थोड़े गलत हो सकते हैं या पानी बहुत धुंधला हो सकता है। परिणामों ने एक स्पष्ट संबंध दिखाया कि रोबोट कितनी अच्छी तरह वस्तु का स्थान खोज पाता है और वह कितनी सफलतापूर्वक उसे उठा पाता है। जब रोबोट के स्थान का अनुमान बहुत सटीक था, जिसमें त्रुटि केवल कुछ सेंटीमीटर की थी, तो वह लगभग 90 प्रतिशत प्रयासों में प्लास्टिक कचरे को सफलतापूर्वक प्राप्त करने में सफल रहा। हालाँकि, जैसे-जैसे रोबोट की दृष्टि में अनिश्चितता बढ़ी, जो वास्तविक दुनिया के धुंधले पानी की नकल थी, सफलता दर काफी गिर गई। सबसे कठिन सिम्युलेटेड स्थितियों में, जहाँ रोबोट की स्थिति का बोध कम सटीक था, सफलता दर घटकर आधे से भी कम रह गई।

इस सिमुलेशन ने एक महत्वपूर्ण अंतर्दृष्टि प्रकट की: कचरा खोजना केवल पहला कदम है। एक रोबोट के लिए इसे सफलतापूर्वक हटाने के लिए, उसे यह जानना होगा कि वस्तु बिल्कुल कहाँ है और पानी में उसका ओरिएंटेशन (झुकाव/दिशा) क्या है। शोधकर्ताओं ने पाया कि भले ही रोबोट सामान्य क्षेत्र तक पहुँचने में सक्षम था, लेकिन वस्तु की स्थिति या कोण के अनुमान में त्रुटियों के कारण रोबोटिक हाथ अक्सर लक्ष्य को चूक जाता था। उच्च-अनिश्चितता वाले परीक्षणों में, विफल प्रयासों का अधिकांश कारण ये लोकलाइजेशन (स्थान निर्धारण) त्रुटियां थीं, जिससे सिद्ध हुआ कि एक रोबोट केवल कचरे को "देख" ही नहीं सकता; उसे सुरक्षित रूप से बातचीत करने के लिए तीन-आयामी स्थान में उसके सटीक स्थान को समझना ही होगा। अध्ययन ने यह भी प्रदर्शित किया कि रोबोट अव्यवस्थित वातावरण के माध्यम से एक पथ की योजना बना सकता है, लक्ष्य तक पहुँचने के लिए बाधाओं से बच सकता है, लेकिन इस नेविगेशन सफलता ने भौतिक प्राप्ति की गारंटी नहीं दी।

शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि ये निष्कर्ष एक कंप्यूटर मॉडल से आए हैं, न कि गहरे समुद्र में काम करने वाले किसी भौतिक रोबोट से। सिमुलेशन ने गहरे समुद्र के अत्यधिक दबाव, एक वास्तविक वाहन की जटिल गतिविधियों, या प्लास्टिक को पकड़ने में शामिल भौतिक बलों को ध्यान में नहीं रखा है। इसलिए, जबकि यह ढांचा आशाजनक है, इसे अभी तक वास्तविक समुद्र में काम करने के लिए प्रमाणित नहीं किया गया है। टीम इस बात पर जोर देती है कि उनका कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' है, जिसे यह दिखाने के लिए डिज़ाइन किया गया है कि धारणा (परसेप्शन) में त्रुटियां सफाई मिशन के अंतिम परिणाम को कैसे प्रभावित कर सकती हैं। वे सुझाव देते हैं कि भविष्य के कार्यों को इन नियंत्रित डिजिटल परीक्षणों से हटकर टैंकों, बंदरगाहों और अंततः खुले समुद्र में वास्तविक दुनिया के परीक्षणों की ओर बढ़ना चाहिए। केवल वास्तविक पानी के नीचे के रोबोटों और वास्तविक मलबे के साथ इस प्रणाली का परीक्षण करके ही वैज्ञानिक यह निर्धारित कर सकते हैं कि क्या यह दृष्टिकोण समुद्री प्रदूषण को प्रभावी ढंग से कम कर सकता है।

यह शोध महासागर की रक्षा के व्यापक प्रयास में योगदान देता है, विशेष रूप से समुद्री कचरे को कम करने और पानी के नीचे के जीवन को संरक्षित करने के वैश्विक लक्ष्यों का समर्थन करता है। उन्नत सेंसिंग को बुद्धिमान निर्णय लेने की प्रक्रिया के साथ एकीकृत करके, प्रस्तावित ढांचा स्केलेबल और स्वचालित सफाई कार्यों के लिए एक संरचित मार्ग प्रदान करता है। यह रेखांकित करता है कि डूबे हुए प्लास्टिक की समस्या को हल करने के लिए केवल बेहतर कैमरों की ही नहीं, बल्कि देखने, समझने और कार्य करने के बीच एक सहज कड़ी की आवश्यकता है। यदि इन प्रणालियों को वास्तविक स्थितियों में परिष्कृत और परीक्षित किया जा सकता है, तो वे महासागर को साफ रखने के लिए एक शक्तिशाली नया उपकरण प्रदान कर सकती हैं, जो उन अंधेरे गहराइयों तक पहुँच सके जहाँ मानवीय हाथ नहीं पहुँच सकते, ताकि उस कचरे को निकाला जा सके जो समुद्री पारिस्थित प्रणालियों के लिए खतरा बना हुआ है।