नाजूक, उच्च-प्रिसिजन हाताळणीसाठी रोबोटिक्सला जवळ नेणारा टॅक्टाइल सेन्सिंग तज्ज्ञ XELA

टॅक्टाइल सेन्सिंग ही रोबोटिक्समधील अजूनही सर्वात कठीण व्यावहारिक समस्यांपैकी एक आहे

औद्योगिक आणि सेवा रोबोट्सना जग पाहण्यात खूपच चांगले यश मिळाले आहे, पण स्पर्शाच्या बाबतीत अनेक प्रणाली अजूनही कमी पडतात. विशेषतः जेव्हा एखाद्या रोबोटला पातळ, नाजूक, परावर्तक किंवा अनियमित वस्तू हाताळाव्या लागतात, तेव्हा केवळ दृष्टी त्यांचे वास्तविक वेळेत पुरेसे अचूक वर्णन करू शकत नाही. XELA Robotics आपली ताजी टॅक्टाइल सेन्सिंग अद्यतने या मर्यादेला थेट प्रतिसाद म्हणून मांडत आहे.

मूळ अहवालानुसार, कंपनी Boston येथील 2026 Robotics Summit & Expo मध्ये अनेक नवीन क्षमता सादर करण्याची योजना आखत आहे. यात सेन्सर हार्डवेअर, मॅग्नेटिक इंटरफेरन्स कॉम्पेन्सेशन, आणि नाजूक ग्रास्पिंग कामांशी संबंधित सॉफ्टवेअर सुधारणा यांचा समावेश आहे. यादीत सहा-अक्षांचा force-sensitive nail आणि pulp मध्ये 30 tri-axial force sensing points असलेली एक robotic fingertip, तिचे uSkin sensors open-source Universal Manipulation Interface मध्ये एकत्र करणे, आणि जवळच्या मॅग्नेट्स किंवा ferromagnetic पदार्थांमुळे निर्माण होणारा गुंतागुंतीचा मॅग्नेटिक इंटरफेरन्स काढून टाकण्यासाठी नवीन compensation तंत्रांचा समावेश आहे.

कागदावर पाहता हा संच टप्प्याटप्प्याने झालेल्या सुधारणांसारखा वाटू शकतो. रोबोटिक्समध्ये मात्र तसे नाही. edge cases हाताळणे हेच ठरवते की एखादी प्रणाली संशोधनाच्या प्रात्यक्षिकापुरती राहील की प्रत्यक्ष कार्यक्षम बनेल.

फोर्स-सेंसिटिव्ह रोबोटिक नख का महत्त्वाचे आहे

मूळ मजकूरात XELA च्या force-sensitive robotic fingertip ला उद्योगातील पहिली अशी संकल्पना म्हटले आहे. त्यामागची व्यावहारिक कल्पना सोपी आहे: कार्ड, किल्ली, किंवा टेपसारख्या वस्तू कठीण असतात कारण त्यांना पकडण्यासाठी उपयुक्त असलेले भाग पातळ, उथळ, किंवा पृष्ठभागात अंशतः दडलेले असू शकतात. मऊ contact area आणि नखासारख्या रचनेतून बल जाणवू शकणारी fingertip रोबोटला नियंत्रित परस्परक्रियेसाठी अधिक पर्याय देते.

ही रचना माणसे नेमक्या हाताळणीसाठी नखांचा कसा वापर करतात याची आठवण करून देते. लोक केवळ त्वचेनं वस्तू पकडत नाहीत. ते कडा खोचतात, खरवडतात, उचलतात, आणि कठीण संरचनांचा leverage म्हणून वापर करतात. सामान्य grippers बहुतेक gross grasping साठी अनुकूलित असतात, सूक्ष्म वस्तू सोडणे किंवा पुन्हा मिळवणे यासाठी नाहीत, त्यामुळे अशा प्रकारची लहान-स्तरीय dexterity रोबोटिक्समध्ये बराच काळ आव्हान राहिली आहे.

XELA ची अंमलबजावणी सांगितल्याप्रमाणे काम केली, तर ती एकच बुद्धिमान घटक म्हणून कमी आणि रोबोटिक touch अधिक शरीररचनात्मक तसेच कार्यात्मक स्तरांसह विकसित होत आहे याचा संकेत म्हणून अधिक महत्त्वाची ठरेल.

इंटरफेरन्स कॉम्पेन्सेशन कारखाना-स्तरीय बंधनावर उपाय करते

मॅग्नेटिक इंटरफेरन्स अपडेट प्रत्यक्ष तैनातींसाठी आणखी परिणामकारक ठरू शकते. मूळ अहवाल म्हणतो की नवीन प्रणाली जवळच्या मॅग्नेट्स किंवा ferromagnetic पदार्थांमधून येणारा गुंतागुंतीचा मॅग्नेटिक इंटरफेरन्स काढू शकते, आणि त्यामुळे पूर्वीच्या add-on पेक्षा व्याप्ती वाढते; तो add-on सेन्सरना जवळजवळ स्पर्श करणाऱ्या बलवान, लहान मॅग्नेट्सखेरीज बहुतांश इंटरफेरन्स हाताळत होता.

ही अत्यंत व्यावहारिक समस्या आहे. कारखाने आणि विशेष assembly वातावरणे स्वच्छ प्रयोगशाळेच्या अटी देत नाहीत. जर टॅक्टाइल सेन्सिंग प्रणाली धातूचे भाग, मॅग्नेटिक क्लिप्स, किंवा tooling जवळ अविश्वसनीय ठरली, तर जिथे अचूक रोबोटिक हाताळणी सर्वाधिक उपयुक्त ठरेल तिथेच तिचे मूल्य झपाट्याने कमी होते.

इंटरफेरन्सला थेट लक्ष्य करून XELA रोबोटिक्समधील एक पुनरावृत्ती होणारे सत्य मान्य करत आहे: sensing मधील प्रगती तेव्हाच महत्त्वाची ठरते जेव्हा ती औद्योगिक noise सहन करू शकते. बेंचटॉपवर चालणारा पण production line वर भरकटणारा सेन्सर हा platform advantage नाही. तो फक्त demo artifact आहे.

Skill transfer आणि manipulation data एकत्र येत आहेत

XELA आपली टॅक्टाइल प्रणाली Universal Manipulation Interface सोबतही जोडत आहे, जे AI-आधारित open-source gripper platform आहे आणि human-to-robot skill transfer ला आधार देण्यासाठी बनवले आहे. मूळ मजकुरानुसार uSkin रोजच्या कृती मानव करतात त्या demonstrations मध्ये data collection प्रक्रियेत distributed force-vector measurements जोडतो, ज्यामुळे नंतर रोबोट त्या कृती पुन्हा शिकू शकतो.

इथेच टॅक्टाइल सेन्सिंग AI robotics मध्ये धोरणात्मकदृष्ट्या मनोरंजक ठरते. दृष्टी काय घडले ते दाखवू शकते. स्पर्श एखादी manipulation का यशस्वी झाली हे समजावून सांगण्यास मदत करतो. ओतणे, वस्तू उचलणे, किंवा पुनर्स्थिती करणे शिकणाऱ्या रोबोटला केवळ trajectories आणि object locations नव्हे, तर ती क्रिया स्थिर ठेवणारे contact forcesही माहित असण्याचा फायदा होतो. टॅक्टाइल data दिसलेल्या वर्तन आणि अमलात आणता येणाऱ्या skill यांमधील दरीचा काही भाग भरून काढू शकतो.

यामुळे सर्वसाधारण dexterityची हमी मिळत नाही. पण अजूनही काटेकोरपणे ट्यून केलेल्या सेटिंग्जबाहेर अडचणीत येणाऱ्या manipulation systems साठी अधिक समृद्ध training data कडे जाणारा मार्ग सूचित होतो.

खरी कसोटी म्हणजे या सुधारणा task fragility कमी करतात का

कंपनीच्या नियोजित demonstrations मध्ये एक paper origami crane आणि एक quail egg आहेत, दोन्ही नाजूक वस्तू हाताळणी दाखवण्यासाठी निवडलेले. मूळ अहवालात नवीन softwareचाही उल्लेख आहे, जे machine vision, सुधारित robot arm control, आणि third-party graphical interface वापरून advanced tasks जलद विकसित करण्यास मदत करेल.

हे घटक उद्योगातील एका महत्त्वपूर्ण बदलाकडे निर्देश करतात. Dexterous robotics आता एका breakthrough component बद्दल कमी आणि sensing, perception, control, आणि task tooling यांच्या एकत्रीकरणाबद्दल अधिक आहे. उत्तम फिंगरटिप हार्डवेअर पुरेसे नाही. प्रत्येक नवीन manipulation समस्येसाठी engineeringचा बोजा कमी होईल अशा प्रकारे ते vision, controllers, आणि development software सोबत काम करायला हवे.

XELA ची घोषणापत्रे अजूनही demonstration टप्प्यातील company claims आहेत, त्यामुळे सावधगिरी आवश्यक आहे. पण दिशा विश्वासार्ह आणि उपयुक्त आहे. एक box पकडता येतो याचा आणखी पुरावा robotics ला नको आहे. आजच्या रोबोट्सना अपयशी ठरणाऱ्या वस्तूंसाठी चांगल्या प्रणालींची गरज आहे: नाजूक, पातळ, निसरड्या, किंवा गोंगाटी वस्तू, ज्या गृहितकांना मोडतात आणि स्पर्शाची कमजोरी उघडी पाडतात. XELA हीच दरी कमी करण्याचा प्रयत्न करत आहे.

हा लेख The Robot Report च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.