क्षति से बचना सीखना
वास्तविक दुनिया की परिस्थितियों में तैनात रोबोट की एक स्थायी सीमा उनकी नाजुकता है। एक विफल actuator, क्षतिग्रस्त limb या टूटा हुआ sensor अन्यथा कार्यकारी मशीन को पूरी तरह से निष्क्रिय कर सकता है। नियंत्रित कारखाने की सेटिंग में रोबोट को कुशल बनाने वाली कठोर, उद्देश्य-निर्मित डिज़ाइनें खोज-बचाव अभियान, सैन्य तैनाती या ग्रह अन्वेषण की अप्रत्याशितता का सामना करने में देयता बन जाती हैं। एक प्रमुख रोबोटिक्स संस्थान के एक नए अध्ययन ने एक संभावित समाधान का प्रदर्शन किया है: रोबोट, जिनका भौतिक रूप और नियंत्रण software कृत्रिम बुद्धिमत्ता का उपयोग करके सह-विकसित होते हैं, ऐसे डिज़ाइन का परिणाम जो पूरी तरह से अक्षम करना लगभग असंभव है।
Science Robotics में प्रकाशित इस कार्य में विकासवादी एल्गोरिदम का एक वेरिएंट शामिल है — कम्प्यूटेशनल प्रक्रियाएं जो प्राकृतिक चयन से অनुप्रेरित हैं — रोबोट की भौतिक morphology और इसे नियंत्रित करने वाले neural network दोनों को एक साथ optimize करने के लिए। परिणाम केवल क्षति को सहन करने वाली एक मशीन नहीं है; यह जमीन से ऊपर डिज़ाइन किया गया है इस धारणा के साथ कि क्षति होगी। जब शोधकर्ताओं ने limbs हटाए, pneumatic actuators को छेद दिया, और sensors को अक्षम किया, तो रोबोट गतिविधि जारी रखता है और navigation कार्य पूरा करता है, एक सफलता दर जो परंपरागत रूप से डिज़ाइन किए गए समकक्षों को काफी हद तक पार करती है।
विकासवादी डिज़ाइन कैसे काम करता है
प्रक्रिया यादृच्छिक रूप से उत्पन्न रोबोट डिज़ाइन की आबादी से शुरू होती है — virtual bodies विभिन्न संख्या में limbs, joint कॉन्फ़िगरेशन, material गुणों और sensor प्लेसमेंट के साथ — प्रत्येक यादृच्छिक रूप से initialize किए गए control network के साथ जोड़ा गया। ये virtual robots एक simulated भौतिक environment में exposed होते हैं और एक कार्य पूरा करने की उनकी क्षमता पर मूल्यांकन किए जाते हैं: एक obstacle course को navigate करना, एक payload को ले जाना या एक प्रभाव के बाद forward motion बनाए रखना।
सर्वोत्तम प्रदर्शन करने वाली डिज़ाइनें selected होती हैं, recombined होती हैं और अगली पीढ़ी बनाने के लिए mutate होती हैं — जिस तरह natural selection उन लक्षणों को amplify करता है जो survival advantage प्रदान करते हैं। हजारों simulated पीढ़ियों में, यह प्रक्रिया genuinely surprising डिज़ाइन में परिवर्तित होती है: asymmetric body plans, redundant actuator arrangements जो एक limb हटाने के बाद आवश्यक लगते हैं, और control networks जिन्होंने real time में failed components के around motor commands को route करना सीखा है।
जो नया अध्ययन को अलग बनाता है वह evolutionary process के दौरान damage scenarios का explicit inclusion है। पूरी तरह से undamaged conditions में performance के लिए optimize करने के बजाय, शोधकर्ताओं ने simulation के दौरान periodic damage events introduce किए — limbs को हटाना, sensors को degrade करना, actuators को reverse करना — और evaluate किया कि कैसे robots normal और damaged दोनों states में performance बनाए रखते हैं। इस dual optimization pressure ने performance-only evolution की तुलना में एक qualitatively different robot class तैयार किया।
भौतिक रोबोट
सर्वोत्तम-विकसित डिज़ाइनें soft robotics तकनीकों का उपयोग करके निर्मित किए गए थे — flexible polymer structures, shape-memory alloys और pneumatic chambers का combination जो rigid robots की तरह deform और recover कर सकते हैं। जब रोबोट के शरीर का एक हिस्सा हटाया जाता है, तो शेष structure mechanical loads को अपने remaining elements में redistribute करता है जो एक rigid metal chassis के लिए असंभव है। एक embedded processor पर चलने वाला control network continuously पूरे शरीर में sensed forces और positions को monitor करता है और motor commands को adjust करता है चाहे कोई भी structure बचा हो।
भौतिक परीक्षण में, शोधकर्ताओं ने रोबोट के कुल शरीर द्रव्यमान का 40% तक हटाया — limbs को काटना, actuated segments को हटाना, air chambers को छेद देना — और देखा कि मशीन motion और navigation जारी रखता है। इसका gait radically बदल गया, कभी-कभी walking pattern से crawling या rolling motion में shift होता है, लेकिन यह नहीं रुका। यह behavior scripted नहीं था; यह trained neural network की novel body configurations में generalize करने की क्षमता से उत्पन्न हुआ।
उच्च-दांव की परिस्थितियों में अनुप्रयोग
वास्तविक दुनिया की तैनाती के लिए प्रभाव महत्वपूर्ण हैं। खोज-बचाव रोबोट collapsed building environments में काम करते हैं, नियमित रूप से debris impacts, sharp edges और mechanical stress का सामना करते हैं जो conventional platforms को नुकसान पहुंचाते हैं। सैन्य रोबोट combat zones में तैनात किए गए अति extreme damage scenarios का सामना करते हैं। planetary exploration vehicles को months या years तक maintenance या repair की संभावना के बिना performance बनाए रखना चाहिए।
robot resilience के लिए current approaches आमतौर पर redundant mechanical components involve करते हैं — weight, cost और complexity जोड़ते हुए — या modular designs जो damage के बाद self-reconfigure कर सकते हैं, जिसके लिए sophisticated docking mechanisms की आवश्यकता है और failure points जोड़ता है। evolved approach इन trade-offs को sidestep करता है mechanical redundancy पर layering के बजाय fundamental design में resilience build करके।
morphological बुद्धिमत्ता की ओर
यह research robotics में एक broader philosophical shift को आगे बढ़ाता है जिसे morphological computation कहा जाता है — विचार कि intelligence केवल control system की एक संपत्ति नहीं है बल्कि robot के भौतिक form में distributed है। एक body shape जो naturally forces को redirect करता है, impacts को absorb करता है, और stress के तहत structural integrity बनाए रखता है, वह computational work कर रहा है जो अन्यथा brain को handle करना पड़ता। evolved robots न केवल well-controlled हैं; वे अपने सामने आने वाली समस्याओं के लिए well-shaped हैं।
भविष्य का कार्य evolved approach को अधिक complex tasks और larger body plans तक extend करने पर ध्यान केंद्रित करेगा, साथ ही investigate करेगा कि क्या robots एक deployment के दौरान real time में adapt कर सकते हैं जैसे-जैसे damage accumulate होता है — न केवल evolution के दौरान anticipated damage से survive करते हुए, बल्कि real time में novel compensatory strategies discover करते हुए। increasingly capable onboard AI के साथ combined होकर, robots की prospect जो genuinely stop करना मुश्किल हैं, difficult environments में autonomous machines की practical utility में एक meaningful advance का प्रतिनिधित्व करता है।
यह लेख New Atlas की reporting पर आधारित है। मूल लेख पढ़ें।
