डैनिजर हाफ़्नर अपरिचित जगहों के लिए पहले से योजना बनाने वाले रोबोट विकसित कर रहे हैं

क्या बदला

MIT टेक्नोलॉजी रिव्यू की रिपोर्ट के अनुसार, Google DeepMind के पूर्व शोधकर्ता डैनिजर हाफ़्नर, 31, ने सैन फ़्रांसिस्को में एक गोपनीय रोबोटिक्स उद्यम शुरू किया है। कंपनी चीन से आयातित ह्यूमनॉइड रोबोटों और मॉडल-आधारित रिइनफोर्समेंट लर्निंग का इस्तेमाल कर रही है। वह एजेंटों को ऐसे विश्व-मॉडलों में प्रशिक्षित कर रही है, जिनसे वे अपरिचित फ़्लोर प्लान, फ़र्नीचर और वास्तविक दुनिया की अन्य अनपेक्षित स्थितियों से, भौतिक परीक्षण और भूल-सुधार पर कम निर्भर रहते हुए, निपट सकें।

यह क्यों मायने रखता है

जो रोबोट किसी कमरे का नक्शा बनाने, उसमें अभ्यास करने और उसे व्यवस्थित करने के बाद ही काम कर सके, वह बस चलता-फिरता डेमो है। असली व्यावसायिक अवसर उस मशीन में है जो किसी नई अंदरूनी जगह में जाकर भी समझदारी से फैसले ले सके।

इससे परिचालन का सवाल “क्या यह रोबोट काम कर सकता है?” से बदलकर “हर नए काम के लिए कितनी स्थल-तैयारी, निगरानी और विफलता से उबरने की व्यवस्था चाहिए?” हो जाता है। अगर हाफ़्नर का तरीका सिमुलेशन से भौतिक मशीनों तक सफलतापूर्वक पहुँचता है, तो ऑपरेटर साइट पर पहुँचने से पहले अधिक कामों का परीक्षण कर सकेंगे और हर बार प्रक्रिया को नए सिरे से बनाए बिना अधिक विविध जगहों पर तैनाती कर सकेंगे। इससे उन स्थानों में रोबोट सेवाएँ व्यावहारिक बन सकती हैं, जहाँ लेआउट इतने बदलते रहते हैं कि उनके लिए अलग से व्यवस्था करना कठिन हो।

हमारा आकलन (जानकारी पर आधारित अनुमान): अगले 6–12 महीनों में, यह उद्यम व्यापक घरेलू तैनाती का प्रयास करने से पहले विविध लेकिन नियंत्रित अंदरूनी परीक्षणों पर ध्यान केंद्रित करेगा। चुनौती सोफ़े के इर्द-गिर्द साफ़ रास्ते की कल्पना करना नहीं है। चुनौती यह सुनिश्चित करना है कि वह योजना अपूर्ण सेंसरों, असुविधाजनक फ़र्नीचर और उसे सही ढंग से लागू करने वाले हार्डवेयर के बीच भी काम करे।

पिछली बार ऐसा कब हुआ था

NASA के Opportunity रोवर ने 2007 में Field D-Star का फील्ड परीक्षण किया था, जिसमें स्टीरियो भूभाग सूचना, बाधाओं के आँकड़े और विज़ुअल ओडोमेट्री के आधार पर खतरों के इर्द-गिर्द घुमावदार मार्ग की योजना बनाई गई थी। संरचनात्मक समानता स्पष्ट है: एक भौतिक मशीन ने चलना शुरू करने से पहले मार्ग पर विचार करने के लिए अपनी आंतरिक समझ का इस्तेमाल किया।

लेकिन बुनियादी अंतर भी उतना ही अहम है। Opportunity ने मंगल पर सीमित यात्रा के लिए तैयार किए गए भूभाग-मानचित्रों और निश्चित योजना-पद्धति का उपयोग किया था; हाफ़्नर का रिपोर्ट किया गया प्रयास विविध मानवीय स्थानों में काम करने के लिए बने ह्यूमनॉइड रोबोटों हेतु सीखे गए विश्व-मॉडलों का उपयोग करता है। NASA ने बाद में बताया कि Perseverance ने भूभाग-मानचित्रण और स्वायत्त मार्ग-चयन की मदद से एक अनदेखे अंतराल से सुरक्षित रास्ता खोजा, Citadelle तक पहुँचा और AutoNav के तहत एक सोल में 167 मीटर चला। यह नतीजा दिखाता है कि योजना और आंतरिक समझ का मेल सीमित दायरे वाले नेविगेशन को ठोस रूप से बेहतर बना सकता है। अब कसौटी यह है कि क्या एक सीखा हुआ मॉडल घर की अधिक बेतरतीब भौतिक परिस्थितियों और सामाजिक अव्यवस्था के बीच भरोसेमंद बना रह सकता है।

असर कैसे फैल सकता है

अगर सिमुलेशन में प्रशिक्षित एजेंट अनदेखे लेआउट के अनुसार भरोसेमंद ढंग से ढल सकें, तो रोबोट ऑपरेटरों को बार-बार साइट पर प्रशिक्षण देने और हाथ से स्थिति सँभालने की जरूरत कम पड़ सकती है। इससे वे हर नई इमारत को नई इंजीनियरिंग परियोजना मानने के बजाय अधिक स्थानों के लिए क्षमता लगा सकेंगे।

इसका आगे का असर अलग-अलग फ़र्नीचर और फ़्लोर प्लान वाले घरों में रोबोट सेवाओं की व्यापक पहुँच के रूप में सामने आ सकता है। यह कड़ी तब टूट जाएगी, यदि मॉडल वास्तविक परिस्थितियों को पहचानने में चूक जाए, ह्यूमनॉइड अपनी योजना को भरोसेमंद ढंग से लागू न कर सके, या ऑपरेटर मानें कि सुरक्षा के लिहाज़ से अब भी नज़दीकी निगरानी जरूरी है।

प्रभाव का आकलन

• रोबोट ऑपरेटर, 6–12 महीनों में: संभावित लाभार्थी, यदि सिमुलेशन कुछ भौतिक परीक्षण और भूल-सुधार की जगह ले सके और अपरिचित साइटों का परिचालन बोझ घटा सके।
• ह्यूमनॉइड रोबोट आपूर्तिकर्ता, निकट अवधि में: माँग का संभावित स्रोत, हालांकि यह इस बात पर निर्भर करेगा कि हाफ़्नर का उद्यम अपनी शोध-दिशा को तैनात किए जा सकने वाले सिस्टमों में बदल पाता है या नहीं।
• बदलते लेआउट वाले घर, लंबी अवधि में: यही मुख्य परीक्षण-स्थल होंगे। बेहतर अनुकूलन पहुँच बढ़ा सकता है; अविश्वसनीय व्यवहार तैनाती को नियंत्रित वातावरणों तक सीमित रखेगा।

परिदृश्य

सबसे संभावित: यदि मॉडल-आधारित प्रशिक्षण उपयोगी अनुकूलन देता है, लेकिन भौतिक विश्वसनीयता के लिए अभी चरणबद्ध सत्यापन की जरूरत रहती है, तो उद्यम अगले 6–12 महीनों में नियंत्रित मगर विविध अंदरूनी परीक्षणों पर संसाधन केंद्रित करेगा। ऑपरेटरों को यह प्रमाण मिलेगा कि सिमुलेशन कहाँ तैयारी घटाता है, जबकि व्यापक घरेलू तैनाती अभी समय से पहले होगी। अपरिचित लेआउट में प्रदर्शन और कम मानवीय दखल की जरूरत इस दिशा को मजबूत करेंगे; हर साइट पर व्यापक पुनःप्रशिक्षण इसे कमजोर करेगा।

अनुकूल स्थिति: यदि विश्व-मॉडल भौतिक संवेदन और क्रियान्वयन में अच्छी तरह काम करते हैं, तो रोबोट कम विशेष नक्शों और कम मानवीय सहायता के साथ अनदेखे घरों या इसी तरह बदलते रहने वाले अंदरूनी स्थानों में नेविगेट कर सकेंगे। तब ऑपरेटर पायलट परियोजनाओं को अधिक व्यापक स्थानों तक बढ़ा सकेंगे, जिससे उन जगहों पर उपयोगी रोबोट क्षमता बढ़ेगी जहाँ बार-बार साइट पर तैयारी एक अड़चन रही है। अनदेखे वातावरणों में भरोसेमंद प्रदर्शन ही सार्थक प्रमाण होगा।

प्रतिकूल स्थिति: यदि सिमुलेटेड अनुभव और भौतिक परिस्थितियों के बीच का अंतर नेविगेशन या वस्तु-संचालन में विफलताएँ पैदा करता है, तो मशीनें सीमित, नियंत्रित प्रदर्शनों तक ही रह जाएँगी। ऑपरेटर निगरानी, तैयारी और वास्तविक दुनिया के परीक्षण पर भारी खर्च करते रहेंगे, जिससे उन जगहों तक पहुँच सीमित होगी जिन्हें मानकीकृत नहीं किया जा सकता। नए अवरोधों के आसपास बार-बार मानवीय दखल इसी दिशा का संकेत होगा।

आगे क्या देखना है

वास्तव में अपरिचित अंदरूनी वातावरणों में होने वाले प्रदर्शनों पर नज़र रखें, न कि केवल तैयार कमरों में बार-बार दिखाए जाने वाले सजे-सँवरे प्रदर्शन पर। यह भी देखें कि क्या सिमुलेशन में प्रशिक्षित एजेंटों को वास्तविक दुनिया में कम प्रशिक्षण और ऑपरेटरों की कम दखल की जरूरत पड़ती है; ये दोनों पैमाने किसी परिचित फ़र्श पर चलते ह्यूमनॉइड की तुलना में इस केंद्रीय दावे की अधिक स्पष्ट जाँच करेंगे।