सेऊल : संशोधकांनी कृत्रिम बुद्धिमत्तेचा (एआय) वापर करून एक असा चार पायांचा ‘रोबोटिक श्वान’ विकसित केला आहे, जो कोणत्याही मानवी आदेशाशिवाय स्वतःचे नियंत्रण करू शकतो. हा रोबो जंगलातील अवघड रस्ते किंवा इमारतीच्या पायऱ्या आणि विविध अडथळे पार करताना स्वतःच्या धावण्याच्या वेगात आणि पद्धतीत आपोआप बदल करतो. अत्यंत खडतर अशा ठिकाणी तो सावधपणे चालण्यापासून ते थेट लाकडाच्या ओंडक्यांवरून उड्या मारण्यापर्यंतच्या सर्व हालचाली अगदी सहजतेने करतो.
‘सायन्स रोबोटिक्स’ या नामांकित जर्नलमध्ये १५ जुलै रोजी या संशोधनाविषयी सविस्तर माहिती प्रसिद्ध करण्यात आली आहे. सुमारे ४५ किलोग्रॅम (१०० पाऊंड) वजनाच्या या रोबोचे नाव ‘काइस्ट हाउंड’ (KAIST HOUND) असे आहे. हा रोबो आपल्यासमोरील जमिनीचा भाग स्कॅन करण्यासाठी कॅमेरे आणि लायडार तंत्रज्ञानाचा वापर करतो. त्यानंतर समोरच्या परिस्थितीनुसार तो आपल्या पायांच्या हालचाली आणि वेग रिअल-टाइममध्ये (तत्काळ) बदलतो. प्रत्यक्ष मैदानी चाचण्यांदरम्यान या रोबोने युनिव्हर्सिटी कॅम्पसचा १.१ किलोमीटर (०.७ मैल) लांबीचा रस्ता यशस्वीरीत्या पार केला.
इतकेच नव्हे तर, झाडांची मुळे, लाकडाचे ओंडके आणि घसरड्या पानांनी भरलेला जंगलातील ०.३ किलोमीटरचा (०.२ मैल) खडतर मार्गही त्याने कोठेही न अडखळता पूर्ण केला. निसर्गात प्राणी त्यांच्या गती आणि सभोवतालच्या परिस्थितीनुसार स्वतःची चाल बदलतात (उदा. एखादा कुत्रा असमोल जमिनीवर हळू चालतो आणि समोर एखादी फांदी आली की वरून उडी मारतो). रोबोमध्ये ही लवचिकता आणणे खूप कठीण होते. कारण, वेगवेगळ्या हालचालींसाठी वेगवेगळ्या कोडिंग सिस्टीम वापराव्या लागायच्या. यामुळे एका चालीतून दुसऱ्या चालीत बदल करताना रोबो अडखळायचा किंवा पडायचा. हा दोष दूर करण्यासाठी संशोधकांनी ‘ॲक्शन प्रीट्रेन्ड ट्रान्सफॉर्मर-बेस्ड रीइन्फोर्समेंट लर्निंग' (APT-RL) नावाचे एक विशेष AI ट्रेनिंग फ्रेमवर्क विकसित केले. या नवीन सिस्टीममध्ये रोबोला आधी संगणकीय सिम्युलेशन (नक्कल) द्वारे प्रशिक्षण देण्यात आले.
संशोधकांनी ‘ट्रॅजेक्टरी ऑप्टिमायझेशन’ तंत्रज्ञानाचा वापर करून रोबोटच्या चालण्याच्या आणि उड्या मारण्याच्या १,८०,००० वेगवेगळ्या हालचालींचे सीक्वेन्स तयार केले. यामध्ये रोबोच्या पायांच्या सांध्यांवर किती जोर पडेल याचाही डेटा होता. विशेष म्हणजे, हा सुमारे १५.५ तासांच्या हालचालींचा संपूर्ण डेटा तयार करण्यासाठी कॉम्प्युटरला अवघे ८ मिनिटे लागली. यानंतर, ‘रीइन्फोर्समेंट लर्निंग’ (चूक आणि सुधारणा पद्धत) द्वारे या AI सिस्टीमने आभासी पायऱ्या, अडथळे, खड्डे आणि खडबडीत जमिनीवर स्वतःला कसे हाताळायचे, याचे अचूक धडे गिरवले. या यशस्वी संशोधनामुळे भविष्यात शोध आणि बचाव मोहिमांमध्ये या रोबोटिक श्वानांचा वापर करणे अधिक सोपे होणार आहे.
