रोबोट प्रोग्रामिंग डिझाइन प्रक्रियेत आणखी लवकर सुरू होऊ शकते

औद्योगिक रोबोट अनुप्रयोगांचे प्रोग्रामिंग, चाचणी आणि परिष्करण कसे केले जाते, हे बदलण्याच्या उद्देशाने UC Berkeley आणि NVIDIA यांनी ओपन-सोर्स टूल्स जारी केली आहेत. या पद्धतीत AI कोडिंग एजंट्सच्या टीम्सचा वापर करून वाचनीय रोबोट प्रोग्राम तयार केले जातात, एखाद्या कामाचे भाग जोडले जातात आणि तैनातीपूर्वी सिम्युलेशनमध्ये त्यांची तालीम केली जाते.

औद्योगिक रोबोट सेल्सचे प्रोग्रामिंग करणे अनेकदा कठीण असते, कारण सॉफ्टवेअरचे काम भौतिक बांधणीशी जोडलेले असते. रोबोट, त्याचे फीडर्स, कन्व्हेयर्स आणि संबंधित उपकरणे साधारणपणे आधी बसवावी लागतात; त्यानंतरच टीम्स कोडची पूर्ण अंमलबजावणी आणि ट्युनिंग करू शकतात. त्यामुळे प्रकल्पाच्या शेवटच्या टप्प्यातील मुदतीच्या दबावाखाली सॉफ्टवेअर इंजिनिअर्सना काम करावे लागू शकते.

प्रोग्रामिंग आणि चाचणी प्रक्रियेचा अधिक भाग सिम्युलेटेड वातावरणात नेऊन ही अडचण कमी करण्याचा प्रयत्न Berkeley-नेतृत्वाखालील काम करते. कामाशी संबंधित मोठ्या प्रशिक्षण डेटा संचावर अवलंबून राहण्याऐवजी किंवा प्रत्येक वर्तन इंजिनिअर्सनी हाताने ट्युन करण्याची गरज निर्माण करण्याऐवजी, संशोधक अशा कार्यपद्धतीचे वर्णन करतात ज्यात एजंट्स माणसांना तपासता येतील असे प्रोग्राम तयार, तपास आणि सुधारण्यात मदत करतात.

वाचनीय प्रोग्राम हा प्रस्तावाचा केंद्रबिंदू

औद्योगिक ऑटोमेशनमधून मानवी इंजिनिअर्सना दूर करणारी प्रणाली म्हणून हा प्रकल्प मांडलेला नाही. एजेंटिक टूल्स रोबोट प्रोग्राम तयार करण्याचा वेग वाढवू शकतात आणि त्याच वेळी ते प्रोग्राम सत्यापित, त्रुटी शोधून दुरुस्त किंवा सूक्ष्मपणे ट्युन करणाऱ्या लोकांना समजण्याजोगे ठेवू शकतात, हा त्याचा मुख्य दावा आहे.

UC Berkeley मधील William S. Floyd Jr. Distinguished Chair in Engineering असलेले Ken Goldberg यांनी एजेंटिक रोबोटिक्सकडे रोबोट प्रोग्राम करण्याच्या पद्धतीतील बदल म्हणून पाहिले. संशोधन टीमच्या मांडणीनुसार, अनेक एजंट्स वेगाने प्रोग्राम तयार आणि तपासू शकतात; तर इंजिनिअर्सना ते प्रोग्राम कसे काम करतात हे समजून आवश्यक ते बदल करण्याची क्षमता कायम राहते.

औद्योगिक वातावरणात हा फरक महत्त्वाचा आहे. समजून न येणाऱ्या तयार केलेल्या वर्तनाचे प्रमाणीकरण करणे कठीण असते, विशेषतः महागडी उपकरणे, काळजीपूर्वक मांडलेले वर्कपीसेस आणि मानवी कर्मचारी यांच्या आसपास मशीन काम करत असतील तर. वाचनीय कोडमुळे सुरक्षा अभियांत्रिकी किंवा प्रमाणीकरणाची गरज संपत नाही; मात्र स्वयंचलित प्रोग्रामिंगचे परिणाम तपासणे अधिक व्यावहारिक होऊ शकते.

GaP कामाला मॉड्युलर कौशल्यांमध्ये विभागते

UC Berkeley आणि NVIDIA टीमने सादर केलेल्या टूल्सपैकी एक म्हणजे Graph-as-Policy, किंवा GaP. हे एक मॉड्युलर फ्रेमवर्क असून ते रोबोटचे काम घटक कौशल्यांमध्ये विभागते. संशोधकांनी दिलेल्या उदाहरणांमध्ये perception, grasp planning आणि collision-free motion यांचा समावेश आहे.

AI एजंट्स हे घटक तयार करू शकतात, त्यांना मोठ्या कामात जोडू शकतात आणि त्याचा परिणाम सिम्युलेशनमध्ये तपासू शकतात. अनेक ऑटोमेशन कामे एकत्र काम करणाऱ्या वेगवेगळ्या क्षमतांनी बनलेली असतात, ही वस्तुस्थिती या रचनेत दिसून येते: वस्तू ओळखणे, योग्य grasp निवडणे, जवळच्या उपकरणांना धडक न देता हालचाल करणे आणि अपेक्षित कृती पूर्ण करणे.

या घटकांना जोडलेली मॉड्यूल्स मानल्याने रोबोट प्रोग्राम तयार करणे आणि त्यात बदल करणे सोपे करणे हा या फ्रेमवर्कचा उद्देश आहे. संपूर्ण अनुप्रयोग पुन्हा सुरुवातीपासून बांधण्याऐवजी टीमला लक्ष देण्याची गरज असलेल्या वर्कफ्लोच्या भागावर काम करता येऊ शकते. यामुळे तैनातीतील प्रत्येक अडचण सुटते असा दावा स्रोत सामग्री करत नाही; मात्र एजंट-निर्मित ऑटोमेशन अधिक व्यवस्थापनीय करण्याचा मार्ग म्हणून मॉड्युलॅरिटी मांडली आहे.

विविध मॅनिप्युलेशन कामांसाठी बेंचमार्क

संशोधकांनी Variational Automation Benchmark for Agentic Robotics, किंवा VABAR, देखील सादर केला. या बेंचमार्कमध्ये सहा कामे आहेत: tool sorting, tool hanging, gear meshing, syringe packing, cable insertion आणि cable routing.

या कामांमध्ये मॅनिप्युलेशनमधील वेगवेगळ्या प्रकारच्या अडचणींचा समावेश आहे. Sorting आणि hanging साठी वस्तू ओळखणे आणि योग्य ठिकाणी ठेवणे आवश्यक असते; gear meshing साठी alignment लागते; syringe packing मध्ये हाताळणी आणि मांडणी असते; तर cable insertion आणि routing मध्ये वाकू शकणाऱ्या वस्तू आणि मर्यादित मार्गांचे आव्हान येते. एकत्रितपणे, ही संचरचना एजेंटिक प्रोग्रामिंग पद्धती औद्योगिकदृष्ट्या संबंधित कामांतील बदल हाताळू शकतात की नाही, हे तपासण्यासाठी तयार केली आहे; फक्त एका अरुंद प्रात्यक्षिकासाठी नाही.

VABAR, Isaac Lab-Arena आणि Newton वर आधारित आहे आणि त्यात प्रमाणित बदल व अडचणीचे स्तर आहेत. प्रमाणित मूल्यांकन महत्त्वाचे आहे, कारण AI-सहाय्यित रोबोट प्रोग्रामिंगविषयीच्या दाव्यांसाठी वेगळी उदाहरणे पुरेशी नसतात. सामायिक बेंचमार्क संशोधक आणि इंजिनिअरिंग टीम्सना निश्चित परिस्थितीत पद्धतींची तुलना करण्याची आणि एखादे काम बदलल्यावर प्रणाली कुठे यशस्वी, अपयशी किंवा कमी विश्वासार्ह होते हे पाहण्याची संधी देऊ शकतो.

सिम्युलेशन हे चाचणीचे क्षेत्र

RoboSimStudio हा अहवालात वर्णन केलेला आणखी एक ओपन-सोर्स प्रकल्प आहे. तो रोबोटिक सिम्युलेशन वातावरणांच्या एजेंटिक AI कोडिंगला समर्थन देतो. हे काम Austin, Texas येथे CoRL 2026 मध्ये सादर झाले आणि केवळ रोबोट लॉजिक लिहिण्यासाठीच नव्हे, तर त्या लॉजिकची चाचणी करण्यासाठी वापरल्या जाणाऱ्या सिम्युलेटेड दृश्यांची निर्मिती व वापर करण्यासाठी सॉफ्टवेअर एजंट्सचा उपयोग करण्याच्या व्यापक उद्दिष्टाशी जोडलेले आहे.

Goldberg यांच्या मते, एका पदव्युत्तर विद्यार्थ्याने GPT-6 Astra ला एक व्हिडिओ आणि RoboSimStudio दिले आणि मॉडेलने एका तासाच्या आत Newton सिम्युलेशन तयार केले. हे उदाहरण संशोधनाची दिशा दाखवते: दृश्य संदर्भाचे प्रोग्राम विकास आणि मूल्यांकनाला मदत करणाऱ्या सिम्युलेशनमध्ये रूपांतर करणे.

सिम्युलेशन कारखान्याच्या मजल्यावरील प्रत्येक भौतिक तपशील अचूकपणे पुन्हा तयार करू शकत नाही. वास्तविक रोबोटना कॅलिब्रेशनमधील फरक, सेन्सरच्या मर्यादा, बदलणारे साहित्य आणि अनपेक्षित परस्परसंवादांचा सामना करावा लागतो. तरीही, पूर्ण वर्कसेल बसवण्यापूर्वी संभाव्य प्रोग्राम तयार करून चालवण्याची क्षमता सॉफ्टवेअर टीम्सना समस्या शोधण्यासाठी आणि वर्तन सुधारण्यासाठी अधिक वेळ देऊ शकते.

हे प्रकाशन महत्त्वाचे का आहे

Berkeley आणि NVIDIA यांच्या प्रकाशनाचे महत्त्व एका रोबोट कामापेक्षा प्रस्तावित विकास कार्यपद्धतीत अधिक आहे. औद्योगिक ऑटोमेशन जलद तयार करणे आणि देखभाल करणे सोपे बनवण्याच्या प्रयत्नात ते code generation, multi-agent coordination, simulation आणि मानवी-वाचनीय output यांना एकत्र करते.

ही टूल्स ओपन-सोर्स असल्याने इतर संशोधक आणि इंजिनिअरिंग टीम्सना त्यांच्या स्वतःच्या वातावरणात आणि मर्यादांमध्ये या पद्धतीची चाचणी घेता येईल. सिम्युलेशनचा सामना वास्तविक उपकरणे, उत्पादनाच्या गरजा आणि सुरक्षा परीक्षणाशी झाल्यावर या प्रणाली किती चांगली कामगिरी करतात, हा पुढील महत्त्वाचा प्रश्न असेल.

सध्या, भौतिक सेलचा बहुतांश भाग पूर्ण होईपर्यंत रोबोट सॉफ्टवेअरला थांबावे लागते अशा पारंपरिक क्रमाला हे काम एक ठोस पर्याय देते. इंजिनिअर्सना तपासता आणि सुधारता येतील असे प्रोग्राम एजेंटिक प्रणाली विश्वासार्हपणे तयार करू शकल्या, तर औद्योगिक डिझाइनच्या अधिक सुरुवातीच्या आणि पुनरावृत्तीच्या टप्प्यात ऑटोमेशनचे अधिक काम नेण्यास त्या मदत करू शकतात.

हा लेख The Robot Report यांच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.

Originally published on therobotreport.com