রোবট প্রোগ্রামিং নকশা প্রক্রিয়ার আরও আগে শুরু হতে পারে
শিল্প-রোবট অ্যাপ্লিকেশন কীভাবে প্রোগ্রাম, পরীক্ষা ও পরিমার্জন করা হয়, তা বদলানোর লক্ষ্য নিয়ে UC Berkeley ও NVIDIA ওপেন-সোর্স টুল প্রকাশ করেছে। এই পদ্ধতিতে AI কোডিং এজেন্টদের দল ব্যবহার করে পাঠযোগ্য রোবট প্রোগ্রাম তৈরি করা হয়, একটি কাজের বিভিন্ন অংশ যুক্ত করা হয় এবং স্থাপনের আগে সিমুলেশনে সেগুলোর মহড়া দেওয়া হয়।
শিল্প-রোবট সেল প্রোগ্রাম করা প্রায়ই কঠিন, কারণ সফটওয়্যারের কাজ ভৌত নির্মাণের সঙ্গে যুক্ত থাকে। একটি রোবট, তার ফিডার, কনভেয়র এবং সংশ্লিষ্ট সরঞ্জাম সাধারণত আগে স্থাপন করতে হয়, তারপরই দলগুলো কোড পুরোপুরি বাস্তবায়ন ও টিউন করতে পারে। ফলে প্রকল্পের শেষদিকে সময়সীমার চাপের মধ্যে সফটওয়্যার ইঞ্জিনিয়ারদের কাজ করতে হতে পারে।
Berkeley-নেতৃত্বাধীন গবেষণাটি প্রোগ্রামিং ও পরীক্ষার প্রক্রিয়ার আরও বড় অংশ সিমুলেটেড পরিবেশে নিয়ে গিয়ে এই বাধা কমাতে চায়। কাজভিত্তিক বিপুল প্রশিক্ষণ ডেটার ওপর নির্ভর করা বা ইঞ্জিনিয়ারদের প্রতিটি আচরণ হাতে টিউন করতে বাধ্য করার বদলে, গবেষকেরা এমন একটি কর্মপ্রবাহের কথা বলছেন যেখানে এজেন্টরা এমন প্রোগ্রাম তৈরি, পরীক্ষা ও পরিমার্জনে সাহায্য করে যা মানুষ পরীক্ষা করতে পারে।
পাঠযোগ্য প্রোগ্রামই প্রস্তাবের কেন্দ্রে
এই প্রকল্পকে এমন কোনো সিস্টেম হিসেবে উপস্থাপন করা হয়নি যা শিল্প-অটোমেশন থেকে মানব ইঞ্জিনিয়ারদের সরিয়ে দেয়। এর কেন্দ্রীয় দাবি হলো, এজেন্টিক টুল রোবট প্রোগ্রাম তৈরির গতি বাড়াতে পারে, একই সঙ্গে সেই প্রোগ্রামগুলোকে এমন মানুষের জন্য বোধগম্য রাখতে পারে যাদের সেগুলো যাচাই, সমস্যা সমাধান বা সূক্ষ্মভাবে টিউন করতে হয়।
UC Berkeley-র William S. Floyd Jr. Distinguished Chair in Engineering Ken Goldberg এজেন্টিক রোবোটিক্সকে রোবট প্রোগ্রাম করার পদ্ধতিতে পরিবর্তন হিসেবে বর্ণনা করেছেন। গবেষণা দলের ব্যাখ্যায়, একাধিক এজেন্ট দ্রুত প্রোগ্রাম তৈরি ও পরীক্ষা করতে পারে, আর ইঞ্জিনিয়াররা সেই প্রোগ্রাম কীভাবে কাজ করে তা বোঝার এবং প্রয়োজনে তা বদলানোর ক্ষমতা ধরে রাখেন।
শিল্পক্ষেত্রে এই পার্থক্য গুরুত্বপূর্ণ। এমন কোনো তৈরি করা আচরণ যাচাই করা কঠিন, যা বোঝা যায় না—বিশেষত যখন মেশিনগুলো দামি সরঞ্জাম, যত্নসহকারে সাজানো ওয়ার্কপিস এবং মানব কর্মীদের আশপাশে কাজ করে। পাঠযোগ্য কোড নিরাপত্তা প্রকৌশল বা যাচাইয়ের প্রয়োজন দূর করে না, তবে স্বয়ংক্রিয় প্রোগ্রামিংয়ের ফলাফল পরীক্ষা করা আরও বাস্তবসম্মত করতে পারে।
GaP কাজকে মডুলার দক্ষতায় ভাগ করে
UC Berkeley ও NVIDIA দলের পরিচয় করিয়ে দেওয়া টুলগুলোর একটি হলো Graph-as-Policy, বা GaP। এটি একটি মডুলার ফ্রেমওয়ার্ক, যা একটি রোবট কাজকে উপাদানভিত্তিক দক্ষতায় ভাগ করে। গবেষকেরা যে উদাহরণ দিয়েছেন, তার মধ্যে রয়েছে perception, grasp planning এবং collision-free motion।
AI এজেন্টরা এই উপাদান তৈরি করতে, সেগুলোকে একটি বড় কাজে যুক্ত করতে এবং ফলাফলটি সিমুলেশনে মহড়া দিতে পারে। এই কাঠামোটি দেখায় যে অনেক অটোমেশন কাজই বিভিন্ন সক্ষমতার সমন্বয়ে গঠিত: একটি বস্তু শনাক্ত করা, উপযুক্ত grasp নির্বাচন করা, কাছের সরঞ্জামে আঘাত না করে চলা এবং নির্ধারিত কাজ সম্পন্ন করা।
এই উপাদানগুলোকে সংযুক্ত মডিউল হিসেবে দেখলে ফ্রেমওয়ার্কটির লক্ষ্য রোবট প্রোগ্রাম তৈরি ও সংশোধন সহজ করা। পুরো অ্যাপ্লিকেশন নতুন করে না বানিয়ে একটি দল কর্মপ্রবাহের যে অংশে মনোযোগ দরকার, সেটিতে কাজ করতে পারে। উৎস উপাদান দাবি করে না যে এটি প্রতিটি স্থাপন-চ্যালেঞ্জ সমাধান করবে; তবে এজেন্ট-উৎপাদিত অটোমেশনকে আরও পরিচালনাযোগ্য করার একটি উপায় হিসেবে মডুলারিটিকে তুলে ধরে।
বিভিন্ন ম্যানিপুলেশন কাজের জন্য একটি বেঞ্চমার্ক
গবেষকেরা Variational Automation Benchmark for Agentic Robotics, বা VABAR-ও পরিচয় করিয়েছেন। বেঞ্চমার্কটিতে ছয়টি কাজ রয়েছে: tool sorting, tool hanging, gear meshing, syringe packing, cable insertion এবং cable routing।
এই কাজগুলো বিভিন্ন ধরনের ম্যানিপুলেশন-সংক্রান্ত জটিলতা কভার করে। Sorting ও hanging-এর জন্য বস্তু শনাক্তকরণ এবং স্থাপন দরকার; gear meshing-এর জন্য alignment প্রয়োজন; syringe packing-এ হ্যান্ডলিং ও বিন্যাস জড়িত; আর cable insertion ও routing-এ বিকৃতিযোগ্য বস্তু এবং সীমিত পথের চ্যালেঞ্জ যুক্ত হয়। সম্মিলিতভাবে, এই সেটটি পরীক্ষা করার জন্য তৈরি যে এজেন্টিক প্রোগ্রামিং পদ্ধতি শুধু একটি সংকীর্ণ প্রদর্শন নয়, শিল্পে প্রাসঙ্গিক কাজের পরিবর্তনও সামলাতে পারে কি না।
VABAR, Isaac Lab-Arena এবং Newton-এর ওপর তৈরি এবং এতে মানসম্মত ভ্যারিয়েশন ও কঠিনতার স্তর রয়েছে। মানসম্মত মূল্যায়ন গুরুত্বপূর্ণ, কারণ AI-সহায়িত রোবট প্রোগ্রামিং নিয়ে দাবির জন্য বিচ্ছিন্ন উদাহরণ যথেষ্ট নয়। একটি অভিন্ন বেঞ্চমার্ক গবেষক ও প্রকৌশল দলকে নির্ধারিত পরিস্থিতিতে পদ্ধতিগুলোর তুলনা করতে এবং কাজ পরিবর্তিত হলে কোনো সিস্টেম কোথায় সফল, ব্যর্থ বা কম নির্ভরযোগ্য হয় তা দেখতে সাহায্য করতে পারে।
সিমুলেশনই পরীক্ষার ক্ষেত্র
RoboSimStudio প্রতিবেদনে বর্ণিত আরেকটি ওপেন-সোর্স প্রকল্প। এটি রোবোটিক সিমুলেশন পরিবেশের এজেন্টিক AI কোডিং সমর্থন করে। কাজটি Austin, Texas-এ CoRL 2026-এ উপস্থাপিত হয়েছিল এবং এর বৃহত্তর লক্ষ্য হলো সফটওয়্যার এজেন্টকে শুধু রোবট লজিক লেখার জন্য নয়, সেই লজিক পরীক্ষা করার সিমুলেটেড দৃশ্য তৈরি ও ব্যবহারের জন্যও কাজে লাগানো।
Goldberg-এর বিবরণ অনুযায়ী, এক স্নাতকোত্তর শিক্ষার্থী GPT-6 Astra-কে একটি ভিডিও ও RoboSimStudio দেয়, এবং মডেলটি এক ঘণ্টার মধ্যে একটি Newton সিমুলেশন তৈরি করে। এই উদাহরণ গবেষণার দিকটি তুলে ধরে: দৃশ্যমান রেফারেন্সকে এমন একটি সিমুলেশনে রূপান্তর করা, যা প্রোগ্রাম উন্নয়ন ও মূল্যায়নে সহায়তা করতে পারে।
সিমুলেশন কারখানার মেঝের প্রতিটি ভৌত বিবরণ নিখুঁতভাবে পুনরুৎপাদন করতে পারে না। বাস্তব রোবটকে ক্যালিব্রেশনের পার্থক্য, সেন্সরের সীমাবদ্ধতা, পরিবর্তনশীল উপকরণ এবং অপ্রত্যাশিত মিথস্ক্রিয়ার মুখোমুখি হতে হয়। তবুও, একটি সম্পূর্ণ ওয়ার্কসেল স্থাপনের আগে সম্ভাব্য প্রোগ্রাম তৈরি ও চালানোর ক্ষমতা সফটওয়্যার দলকে সমস্যা খুঁজে বের ও আচরণ পরিমার্জনের জন্য বেশি সময় দিতে পারে।
এই প্রকাশনা কেন গুরুত্বপূর্ণ
Berkeley ও NVIDIA-র প্রকাশনার গুরুত্ব কোনো একক রোবট কাজের চেয়ে একটি প্রস্তাবিত উন্নয়ন কর্মপ্রবাহে বেশি। শিল্প-অটোমেশন দ্রুত তৈরি ও রক্ষণাবেক্ষণ সহজ করার চেষ্টায় এটি code generation, multi-agent coordination, simulation এবং মানব-পাঠযোগ্য output একত্রিত করে।
টুলগুলো ওপেন-সোর্স হওয়ায় অন্য গবেষক ও প্রকৌশল দল নিজেদের পরিবেশ ও সীমাবদ্ধতার বিরুদ্ধে এই পদ্ধতি পরীক্ষা করার সুযোগ পায়। পরবর্তী গুরুত্বপূর্ণ প্রশ্ন হলো, সিমুলেশন বাস্তব সরঞ্জাম, উৎপাদন-চাহিদা ও নিরাপত্তা পর্যালোচনার মুখোমুখি হলে সিস্টেমগুলো কতটা ভালো কাজ করে।
এই মুহূর্তে, গবেষণাটি সেই প্রচলিত ধারার একটি বাস্তব বিকল্প দিচ্ছে যেখানে ভৌত সেলের অধিকাংশ কাজ শেষ না হওয়া পর্যন্ত রোবট সফটওয়্যার অপেক্ষা করে। এজেন্টিক সিস্টেম যদি এমন প্রোগ্রাম নির্ভরযোগ্যভাবে তৈরি করতে পারে যা ইঞ্জিনিয়াররা পরীক্ষা ও উন্নত করতে পারেন, তবে শিল্প-নকশার আরও আগের ও পুনরাবৃত্তিমূলক পর্যায়ে অটোমেশনের কাজ এগিয়ে নিতে তারা সাহায্য করতে পারে।
এই নিবন্ধটি The Robot Report-এর প্রতিবেদনের ভিত্তিতে তৈরি। মূল নিবন্ধ পড়ুন।
Originally published on therobotreport.com



