रोबोट को पहले नकली दुनिया में प्रशिक्षित करें, फिर उसे वास्तविक दुनिया में भेजें

मुख्य बिंदु

• Future Market Insights के अनुसार, वैश्विक रोबोटिक्स बाजार 2026 से 2036 तक प्रति वर्ष 19.6% की दर से बढ़ने का पूर्वानुमान है।
• सिंथेटिक डेटा और NVIDIA Cosmos के साथ प्रशिक्षित एक फोर्कलिफ्ट धारणा मॉडल ने पर्यावरण-विशिष्ट ट्यूनिंग के बाद वास्तविक गोदाम फुटेज पर 99.5% सटीकता प्राप्त की।
• केवल सिम्युलेटर मॉडल, बिना किसी वास्तविक दुनिया के कैलिब्रेशन के, समान वास्तविक दुनिया के डेटा पर केवल 49.4% रिकॉल प्राप्त किया।
• वर्चुअल कमीशनिंग, भौतिक स्थापना से पहले रोबोट के सॉफ्टवेयर कनेक्शन का परीक्षण, तैनाती के समय को 30% से 50% कम कर सकता है।

एक रोबोट जो परीक्षण में बिल्कुल सही काम करता है, वह नौकरी पर विफल हो सकता है। पैकेजिंग बदलती है। प्रकाश स्थानांतरित होता है। एक पैलेट एक थोड़े अलग कोण पर बैठता है जो प्रशिक्षण फोटो कभी नहीं दिखाए गए। ये छोटे अंतर एक उत्पादन पंक्ति को रोकने के लिए पर्याप्त हैं।

नियंत्रित परीक्षण और गंदे वास्तविकता के बीच यह अंतर है कि रोबोटिक्स इंजीनियर इसे "वर्चुअल जिम" कहते हैं।

एक वर्चुअल जिम एक वास्तविक कार्य वातावरण की एक विस्तृत कंप्यूटर-निर्मित प्रति है: एक गोदाम गलियारा, एक कारखाने का फर्श, एक लोडिंग डॉक। इसके अंदर, एक रोबोट हजारों बार कार्य करने का प्रयास कर सकता है, विफल हो सकता है, ठीक हो सकता है और सीख सकता है, इससे पहले कि एक भी वास्तविक परीक्षण होता है। कोई टूटा उपकरण नहीं। कोई रुका हुआ उत्पादन नहीं। कोई सुरक्षा घटना नहीं।

The Robot Report ने सॉफ्टवेयर इंजीनियरिंग फर्म SoftServe के काम पर आधारित इस दृष्टिकोण को गहराई से कवर किया, और संख्याएं चौंकाने वाली हैं।

क्या यह वास्तव में सिमुलेशन और वास्तविक जीवन के बीच की खाई को बंद करता है?

पूरी तरह से नहीं, लेकिन यह अकेले सिमुलेशन की तुलना में इसे बहुत अधिक बंद करता है। SoftServe की टीम ने Toyota Material Handling Europe के लिए एक प्रणाली बनाई ताकि फोर्कलिफ्ट गोदामों में पैलेट की पहचान करने के तरीके में सुधार किया जा सके, जहां लेबल, फर्श की बनावट, छाया और प्रकाश लगातार भिन्न होते हैं। पूरी तरह से सिम्युलेटर के अंदर प्रशिक्षित एक मॉडल को 49.4% रिकॉल मिला, जिसका मतलब है कि वह वास्तविक फुटेज में लगभग आधे पैलेट को मिस करता है। टीम ने NVIDIA Cosmos द्वारा उत्पन्न सिंथेटिक छवियां जोड़ने के बाद (एक उपकरण जो फोटोरिअलिस्टिक नकली प्रशिक्षण छवियां बनाता है) और फिर उन छवियों को वास्तविक क्लाइंट साइट से मेल खाने के लिए कैलिब्रेट किया, रिकॉल 92.8% तक पहुंच गया और सटीकता 99.5% तक पहुंची।

सीख: सिंथेटिक डेटा वास्तविक दुनिया के फुटेज का प्रतिस्थापन नहीं है। यह वास्तविक फुटेज को दूर तक ले जाने का एक तरीका है, दुर्लभ या खतरनाक स्थितियों को भरकर जो सामान्य संचालन के दौरान लगभग कभी नहीं दिखाई देती। एक गिरी हुई वस्तु। एक सेंसर खराबी। एक फोर्कलिफ्ट के साथ एक कार्य-रोध। ये घटनाएं सुरक्षा और विश्वसनीयता के लिए अत्यंत महत्वपूर्ण हैं, लेकिन वे सीधे प्रशिक्षण के लिए बहुत कम होती हैं।

वर्चुअल जिम इन स्थितियों को मांग पर उत्पन्न करते हैं।

जिम के अंदर सही स्तर की विस्तार नौकरी पर निर्भर करती है। एक गोदाम गलियारे में नेविगेट करने वाले रोबोट को मानव पैदल यातायात और पैलेट की स्थिति के सटीक नक्शे की आवश्यकता होती है। तरल कंटेनर भरने वाले रोबोट को तरल गतिकी के लिए सटीक भौतिकी की आवश्यकता होती है। गलत क्षेत्र में बहुत अधिक विस्तार बनाने से समय बर्बाद होता है। सही क्षेत्र में बहुत कम विस्तार एक रोबोट का उत्पादन करता है जो सिमुलेशन में सफल होता है और वास्तविकता में विफल होता है।

सिमुलेशन को रोबोट की वास्तविक नियंत्रण प्रणाली से जोड़ना भौतिकी जितना ही महत्वपूर्ण है। जब कोई रोबोट वर्चुअल जिम से वास्तविक साइट पर जाता है, तो उसका सॉफ्टवेयर सुरक्षा प्रणाली, सेंसर और बेड़े प्रबंधन उपकरण से सही तरीके से बात करना चाहिए। इन कनेक्शनों का वर्चुअल रूप से परीक्षण करना, जिसे वर्चुअल कमीशनिंग कहा जाता है, औद्योगिक सेटिंग्स में SoftServe के आंकड़ों के आधार पर भौतिक सेटअप समय को 30% से 50% कम करता है।

साधारण लोगों के लिए, व्यावहारिक परिणाम यह है: आने वाले कुछ वर्षों में गोदामों, अस्पतालों और सार्वजनिक स्थानों में आने वाले रोबोट वास्तविक लोगों की तुलना में नकली वातावरण में प्रशिक्षण में बहुत अधिक समय व्यतीत करेंगे। जब यह प्रशिक्षण अच्छी तरह से किया जाता है, तो साइट पर आने वाला रोबोट पहले दिन महंगी या खतरनाक गलतियां करने की संभावना कम होती है।