मनुष्य थोड़े से स्पष्ट विचार के साथ शेल्फ से एक किताब उठा सकता है।लेकिन यह मस्तिष्क के लिए एक जटिल प्रक्रिया है जिसमें अन्य पुस्तकों या छोटी-छोटी चीजों की तरह बाधाओं के आसपास योजना बनाना और नेविगेट करना शामिल है।रोबोटिक्स शोधकर्ताओं को इस प्रकार की मानव गतिविधि को दोहराने के लिए संघर्ष करना पड़ा है जब उनके सिस्टम समान कार्य करते हैं।मोशन प्लानिंग के रूप में जानी जाने वाली, किसी वस्तु को बिना किसी बाधा से टकराए एक बिंदु से दूसरे बिंदु तक ले जाने के लिए रोबोट को प्रशिक्षित करने की प्रक्रिया में समय और संसाधन लगते हैं क्योंकि रोबोट अज्ञात वातावरण में मनुष्यों की तरह गतिशील रूप से प्रतिक्रिया नहीं कर सकता है।

कार्नेगी मेलॉन यूनिवर्सिटी के रोबोटिक्स इंस्टीट्यूट (आरआई) की एक टीम ने इसे विकसित किया हैतंत्रिका गति योजनानए वातावरण में रोबोट कैसे प्रतिक्रिया करते हैं, इसे बेहतर बनाने में मदद करना।डेटा-संचालित दृष्टिकोण अलमारियाँ, डिशवॉशर और रेफ्रिजरेटर जैसे विभिन्न अपरिचित घरेलू वातावरणों में गति योजना बनाने के लिए एकल, बहुमुखी, कृत्रिम बुद्धिमत्ता नेटवर्क का उपयोग करता है।

आरआई डॉक्टरेट छात्र मुर्तजा दलाल ने कहा, "कभी-कभी जब आप एक रोबोट तैनात करते हैं, तो आप चाहते हैं कि वह असंरचित या अज्ञात सेटिंग्स में काम करे - ऐसे वातावरण में जहां आप यह नहीं मान सकते कि आप सब कुछ जानते हैं।""यही वह जगह है जहां ये क्लासिक मोशन प्लानिंग विधियां टूट जाती हैं। एक बड़ा मुद्दा यह है कि ये एल्गोरिदम बहुत धीमे हैं क्योंकि उन्हें हजारों, शायद लाखों टकराव की जांच करनी पड़ती है।"

न्यूरल मोशन प्लानिंग इस बात से प्रेरित थी कि कैसे मनुष्य अभ्यास करने के लिए विविध अनुभव इकट्ठा करते हैं और धीरे-धीरे दक्षता बढ़ाते हैं।नए कौशल प्राप्त करते समय, मनुष्य धीमे, अनिश्चित व्यवहार से शुरू करते हैं और तेज़, गतिशील गति की ओर बढ़ते हैं।न्यूरल मोशन प्लानिंग रोबोटों को अपरिचित वातावरण में अधिक बहुमुखी होने और वस्तुओं को हिलाने पर आम तौर पर अनुकूलित करने की अनुमति देती है।

न्यूरल मोशन प्लानिंग को प्रशिक्षित करने के लिए शोधकर्ताओं ने लाखों जटिल वातावरणों का अनुकरण किया।इन सिमुलेशन में, रोबोटों को घरेलू वातावरण - अलमारियों, कब्बी, माइक्रोवेव, डिशवॉशर, खुले बक्से और अलमारियाँ - का सामना करना पड़ा और कभी-कभी पिल्ला या फूलदान जैसी यादृच्छिक वस्तुओं के आसपास घूमना पड़ा।मॉडलों को प्रतिक्रियाशील और तेज़ प्रदर्शन करने के लिए प्रशिक्षित किया गया थागतियोजना.इस प्रक्रिया और डेटा को एक सामान्यवादी नीति में आसवित किया गया था ताकि जब रोबोट को वास्तविक दुनिया में तैनात किया जाए तो वह पहले देखे गए वातावरण से भिन्न वातावरण में कार्य कर सके।

आरआई में राज रेड्डी सहायक प्रोफेसर दीपक पाठक ने कहा, "हमने दृष्टि और भाषा के लिए बड़े पैमाने पर सीखने में आश्चर्यजनक सफलताएं देखी हैं - चैटजीपीटी के बारे में सोचें, लेकिन रोबोटिक्स में नहीं। अभी तक नहीं।""यह काम उस लक्ष्य की ओर एक कदम है। न्यूरल मोशन प्लानिंग वास्तविक दुनिया में बड़े पैमाने पर सामान्यीकरण उत्पन्न करने के लिए सिमुलेशन में बड़े पैमाने पर सीखने की सरल विधि का उपयोग करती है। यह विभिन्न पृष्ठभूमि, वस्तुओं, बाधाओं और यहां तक ​​कि संपूर्ण दृश्यों के साथ काम करती है।दृश्य व्यवस्था।"

जब प्रयोगशाला में रोबोटिक बांह पर उपयोग किया गया, तो न्यूरल मोशन प्लानिंग ने अपरिचित वातावरण को सफलतापूर्वक नेविगेट किया।रोबोटिक प्रणाली को दृश्य में शुरुआती बिंदु का त्रि-आयामी प्रतिनिधित्व दिया गया था, जिसे गहराई वाले कैमरों का उपयोग करके बनाया गया था, और एक लक्ष्य स्थिति के साथ प्रस्तुत किया गया था - जहां शोधकर्ता चाहते थे कि रोबोटिक भुजा समाप्त हो।फिर, न्यूरल मोशन प्लानिंग ने इसके लिए संयुक्त विन्यास प्रदान कियारोबोटिक भुजाप्रारंभिक बिंदु से अंतिम बिंदु तक जाने के लिए।आरआई मास्टर के छात्र जियाहुई यांग ने कहा, "एक एकल मॉडल को कार्यों को पूरा करने के लिए रोबोट बांह को घुमाते हुए लैंप, पौधों, बुककेस और कैबिनेट दरवाजे सहित विभिन्न घरेलू बाधाओं से चतुराई से बचते हुए देखना रोमांचक था।"

"यह उपलब्धि दृष्टि और भाषा में मशीन सीखने की सफलता के समान नुस्खा का पालन करते हुए, डेटा उत्पादन को बड़े पैमाने पर बढ़ाकर सक्षम किया गया था।"