پری پرنٹ نے quadruped روبوٹ کے لیے AI خطوں کے انکوڈر کی تجویز پیش کی ہے۔

کیا ہوا؟

ایک نیا arXiv پری پرنٹ DELTA کو متعارف کرایا گیا ہے، جو کواڈرو پیڈل روبوٹس کی کمک سیکھنے کے کنٹرول کے لیے ایک قابل اصلاح بلندی پر مبنی مقامی خطوں کی توجہ کا انکوڈر ہے۔ یہ نظام ریاستی حالت میں نمونے لینے کے مقامات کی پیشین گوئی کرتا ہے، مقامی بلندی کے پیچ نکالتا ہے، انہیں خطوں کے ٹوکن میں تبدیل کرتا ہے اور پورے خطوں کے نقشے کو گھنے انکوڈنگ کرنے کے بجائے ٹوکن کے ایک مقررہ سائز کے سیٹ پر حاضر ہوتا ہے۔

پری پرنٹ کواڈرو پیڈل لوکوموشن میں ایک مخصوص مسئلہ کو حل کرتا ہے: خطوں کے شواہد کا انتخاب جو روبوٹ کو اس کے پاؤں ویرل خطوں پر رکھنے میں مدد کرتا ہے۔ مصنفین واضح ماڈل پر مبنی فٹ ہولڈ پلانرز کے برعکس ہیں، جن کے بارے میں وہ کہتے ہیں کہ فٹ ہولڈز کا انتخاب درست طریقے سے کر سکتے ہیں لیکن ماڈل کے مفروضوں پر بہت زیادہ انحصار کرتے ہیں، جس میں توجہ پر مبنی نقشہ انکوڈنگ کا استعمال اختتام سے آخر تک کمک سیکھنے میں کیا جاتا ہے۔ ان کا مرکزی دعوی یہ ہے کہ گھنے توجہ کی انکوڈنگ کمپیوٹیشنل طور پر زیادہ مہنگی ہو جاتی ہے کیونکہ خطوں کے نقشے کی ریزولوشن میں اضافہ ہوتا ہے۔

ڈیلٹا اس اسکیلنگ لاگت سے بچنے کے لیے ڈیزائن کیا گیا ہے۔ مقالے کے مطابق، انکوڈر روبوٹ کی حالت کے مطابق نمونے لینے والے مقامات کی پیش گوئی کرتا ہے، انکولی مقامی بلندی کے پیچ سے خطوں کے ثبوت کے ٹوکن بناتا ہے اور صرف ایک مقررہ سائز کے ٹوکن سیٹ پر حاضر ہوتا ہے۔ نمونے لینے اور پیچ کی ترتیب کو طے کرنے کے ساتھ، مصنفین کا کہنا ہے کہ انکوڈر کی کمپیوٹیشنل لاگت نقشہ کے حل سے آزاد ہے۔ اس وجہ سے یہ طریقہ تبدیل ہوتا ہے کہ کنٹرولر صرف ایک گھنے نقشے پر مکمل کارروائی کرنے کے بجائے خطوں کی معلومات کا انتخاب کیسے کرتا ہے۔

تجربات میں، مصنفین سیکھنے کی بہتر کارکردگی کے ساتھ، معیاری ریزولوشن پر توجہ پر مبنی نقشہ انکوڈر کے مقابلے کی حتمی ٹراورسل کارکردگی کی رپورٹ کرتے ہیں۔ اعلی ریزولیوشن پر، وہ باریک دانوں والے ویرل خطوں پر بہتر ٹراورسل کی اطلاع دیتے ہیں۔ یہ مقالہ مسلسل اور مجرد خطوں کے عناصر پر مشتمل غیر دیکھے ہوئے مخلوط تشخیصی کورسز پر مضبوط عمومی کاری کی بھی اطلاع دیتا ہے۔ یہ مصنفین کے ذریعہ رپورٹ کردہ نتائج ہیں۔ ذریعہ انفرادی کورس کے ڈیزائن، بنیادی خطوط یا شماریاتی غیر یقینی صورتحال کا آزادانہ طور پر جائزہ لینے کے لیے کافی تفصیل فراہم نہیں کرتا ہے۔

یہ مقالہ مزید رپورٹ کرتا ہے کہ RAIBO2 چوکور روبوٹ پر سم سے حقیقی منتقلی کی کامیابی ہے۔ سیکھے ہوئے نمونے لینے کے آفسیٹس اور توجہ کے وزن کے تجزیے سے مصنفین اس نتیجے پر پہنچے کہ ڈیلٹا قدم رکھنے کے قابل علاقوں کے نمونے لیتا ہے اور مستقبل کے ٹچ ڈاؤن سے متعلقہ شواہد پر حاضر ہوتا ہے۔ ان کا کہنا ہے کہ یہ طرز عمل توجہ کے طریقہ کار کے لیے فٹ ہولڈ لیبل یا براہ راست نگرانی کے بغیر سامنے آیا۔ یہ کام arXiv روبوٹکس اور آٹومیشن پر 2027 IEEE بین الاقوامی کانفرنس میں جمع کرایا گیا ہے اور ابھی تک ماخذ میں اس کی شناخت ہم مرتبہ کے جائزہ یا قبول شدہ کے طور پر نہیں کی گئی ہے۔

ماخذ کی تفصیلات: arxiv.org ↗

یہ کیوں اہمیت رکھتا ہے۔

مصنفین رپورٹ کرتے ہیں کہ ڈیلٹا سیکھنے کی کارکردگی کو بہتر بناتے ہوئے معیاری نقشہ ریزولوشن پر کارکردگی کو برقرار رکھتا ہے، اور یہ کہ اس کی فکسڈ انکوڈر لاگت باریک دانوں والے ویرل خطوں کے لیے اعلی ریزولوشن نقشوں کو قابل بناتی ہے۔ وہ نقلی سے RAIBO2 روبوٹ میں کامیاب منتقلی اور مخلوط خطوں کے کورسز کو عام کرنے کی بھی اطلاع دیتے ہیں، حالانکہ ثبوت کاغذ کے تجربات تک ہی محدود ہیں۔

عملی اہمیت کمپیوٹیشنل ہے۔ اگر مصنفین کا نتیجہ ہوتا ہے تو، ایک سیکھا ہوا لوکوموشن کنٹرولر انکوڈر کی لاگت میں متناسب اضافہ ادا کیے بغیر بہتر خطوں کے نقشے استعمال کر سکتا ہے۔ اس سے کوئی فرق پڑتا ہے جب چھوٹے خطوں کی خصوصیات متاثر ہوتی ہیں جہاں پاؤں محفوظ طریقے سے اتر سکتا ہے، خاص طور پر ویرل ماحول میں جہاں قابل استعمال زمین کو خلا یا دیگر مجرد عناصر سے الگ کیا جاتا ہے۔ کاغذ اسے کنٹرول پائپ لائن کے اندر اعلی ریزولیوشن پرسیپشن کے لیے قابل بنانے والی پراپرٹی کے طور پر پیش کرتا ہے۔

یہ کام ہاتھ سے بنائے گئے قدموں کی منصوبہ بندی اور مکمل طور پر سیکھے ہوئے تصور کے درمیان درمیانی زمین کی طرف بھی اشارہ کرتا ہے۔ ڈیلٹا ایک مقررہ ٹوکن بجٹ کو برقرار رکھتے ہوئے، مقامی بلندی کے ثبوت کو منتخب کرنے کے لیے سیکھی ہوئی، ریاست پر منحصر توجہ کا استعمال کرتا ہے۔ یہ پرسیپشن ٹو کنٹرول انٹرفیس کو کمک سیکھنے کے نظام کے لیے زیادہ قابل انتظام بنا سکتا ہے، لیکن ماخذ یہ نہیں دکھاتا ہے کہ یہ طریقہ آپریشنل سیٹنگز میں قائم کردہ متبادلات سے زیادہ قابل اعتماد، محفوظ یا سستا ہے۔

رپورٹ کردہ سم سے حقیقی نتیجہ متعلقہ ہے کیونکہ نقلی علاقے سے جسمانی روبوٹ میں منتقل ہونے پر لوکوموشن کے طریقے مختلف طریقے سے انجام دے سکتے ہیں۔ تاہم، ماخذ منتقلی کی کامیابی، گرنے، نقصان، بحالی کے رویے، توانائی کے استعمال یا مدت کی کوئی پیمائش نہیں کرتا ہے۔ اس سے یہ بھی ثابت نہیں ہوتا ہے کہ آیا روبوٹ خود مختاری سے حقیقی ماحول کی ایک وسیع رینج میں کام کرتا ہے یا صرف ایک مخصوص مظاہرے میں۔ یہ کوتاہیاں محدود کرتی ہیں کہ عوامی یا صنعتی تیاری کے بارے میں کیا نتیجہ اخذ کیا جا سکتا ہے۔

کاغذ کا تشریحی تجزیہ سیکھی ہوئی لوکوموشن پالیسیوں کو ڈیبگ کرنے کے لیے مفید ہو سکتا ہے۔ اگر نمونے لینے کے آفسیٹس اور توجہ کا وزن مستقل طور پر قدم رکھنے کے قابل خطوں اور مستقبل کے ٹچ ڈاون شواہد سے مطابقت رکھتا ہے، تو محققین اس بات کا معائنہ کرنے کا طریقہ حاصل کر سکتے ہیں کہ آیا کنٹرولر جسمانی طور پر متعلقہ خطوں کو دیکھ رہا ہے۔ لیکن صرف توجہ کے نمونے یہ ثابت نہیں کرتے کہ پالیسی کے فیصلے محفوظ ہیں یا وجہ سے بیان کیے گئے ہیں، اور ذریعہ اس تشریح کی آزادانہ توثیق کی اطلاع نہیں دیتا ہے۔

آگے کیا دیکھنا ہے۔

اہم اگلی جانچیں یہ ہیں کہ آیا رپورٹ شدہ فوائد مصنفین کے ماحول سے باہر دوبارہ پیدا ہوتے ہیں، ڈیلٹا کس طرح دوسرے فٹ ہولڈ پلاننگ اور سیکھے جانے والے کنٹرول کے طریقوں سے موازنہ کرتا ہے، اور یہ کتنے قابل اعتماد طریقے سے ایسے خطوں اور روبوٹ حالات کو سنبھالتا ہے جن کی مطالعہ میں نمائندگی نہیں کی گئی ہے۔ ماخذ تجارتی دستیابی، پیمانے پر تعیناتی، حفاظتی سرٹیفیکیشن یا حقیقی دنیا کے ماحول میں کارکردگی کو رپورٹ کردہ سم سے حقیقی مظاہرے سے آگے قائم نہیں کرتا ہے۔

نقل سب سے اہم قریب ترین سوال ہے۔ ماخذ مصنفین کے تجربات سے نتائج کی رپورٹ کرتا ہے لیکن آزاد تشخیص کی نشاندہی نہیں کرتا ہے۔ مستقبل کے کام کو ڈیلٹا کی مختلف روبوٹ باڈیز، سینسرز، ٹیرین ڈسٹری بیوشنز، کنٹرول فریکوئنسیز اور سمولیشن سیٹنگز پر جانچ کرنی چاہیے، جبکہ غیر یقینی صورتحال اور ناکامی کے کیسز کی رپورٹنگ کرتے ہوئے صرف حتمی ٹراورسل کارکردگی کی بجائے۔

موازنہ کو یہ بھی واضح کرنا چاہئے کہ مقررہ لاگت کا ڈیزائن کہاں مدد کرتا ہے اور یہ معلومات کو کہاں تجارت کر سکتا ہے۔ مقالے میں کہا گیا ہے کہ ڈیلٹا ایک مقررہ سائز کے ٹوکن سیٹ پر حاضر ہوتا ہے، لیکن ماخذ اس بات کی وضاحت نہیں کرتا ہے کہ جب متعلقہ خطہ نمونے کے پیچ سے باہر ہوتا ہے، جب بلندی کے اعداد و شمار شور یا نامکمل ہوتے ہیں، یا جب متعدد ممکنہ قدموں کی توجہ کے لیے مقابلہ ہوتا ہے۔ وہ حالات ریاستی حالات کے نمونے لینے کی حدود کو بے نقاب کر سکتے ہیں۔

اصلی روبوٹ ثبوت قریبی جانچ کی ضمانت دیتا ہے۔ ماخذ RAIBO2 کا نام سم سے حقیقی منتقلی کے لیے استعمال ہونے والے پلیٹ فارم کے طور پر رکھتا ہے، لیکن اس میں ٹرائلز کی تعداد، فزیکل کورس کنفیگریشن، سینسنگ ہارڈویئر، مداخلت کی شرح یا ناکامی کی شرح نہیں بتائی گئی ہے۔ ان تفصیلات کو میدان کے بدلتے ہوئے حالات میں مضبوط آپریشن سے کامیاب مظاہرے میں فرق کرنے کے لیے درکار ہوگا۔

آخر میں، کام کی اشاعت کی حیثیت اہمیت رکھتی ہے۔ پری پرنٹ 22 اگست 2026 کو جمع کرایا گیا تھا، اور کہتا ہے کہ اسے ممکنہ اشاعت کے لیے ICRA 2027 میں جمع کر دیا گیا ہے۔ ہم مرتبہ کا جائزہ تبدیل کر سکتا ہے کہ طریقہ کار اور تجربات کا اندازہ کیسے لگایا جاتا ہے۔ جب تک مزید شواہد دستیاب نہیں ہوتے، ڈیلٹا کو امید افزا نتائج کے ساتھ ایک تحقیقی شراکت کے طور پر سمجھا جاتا ہے، نہ کہ ایک توثیق شدہ لوکوموشن پروڈکٹ کے طور پر یا محفوظ چوکور نیویگیشن کی ضمانت کے طور پر۔

متعلقہ گائیڈز اور کوئزز