Boston Dynamics-এর নতুন Atlas হাত চারটি আঙুল, ১৩টি স্বাধীনতার মাত্রা এবং তালু ও আঙুলের ডগায় চাপ-সেন্সর রয়েছে। কোম্পানি বলছে, দক্ষভাবে বস্তু ধরাছোঁয়ার কাজ simulation-এ প্রশিক্ষণ এবং তা বাস্তব রোবটে স্থানান্তর সহজ করতেই hardwareটি নকশা করা হয়েছে। তাদের প্রকাশ্য বিবরণে simulation থেকে বাস্তবে প্রাথমিক transfer ফল আছে, কিন্তু benchmark, কাজভিত্তিক সাফল্যের হার বা বাণিজ্যিক deployment-এর প্রমাণ নেই।

বড় পরিবর্তন

  • কী বদলেছে: Boston Dynamics নতুন প্রজন্মের Atlas হাত বর্ণনা করেছে, যার জয়েন্ট আগের সাত-স্বাধীনতার সংস্করণের চেয়ে বেশি, সরাসরি actuation এবং ঘন tactile sensing রয়েছে।
  • কীভাবে কাজ করে: কোম্পানি বলছে, তারা হাতের জ্যামিতি, মোটরের আচরণ এবং বস্তুর সঙ্গে সংস্পর্শের মডেল তৈরি করে; এরপর hardware-এ চালানোর আগে এলোমেলোভাবে বদলানো পরিস্থিতিতে simulation-এ reinforcement-learning policy প্রশিক্ষণ দেয়।
  • কেন গুরুত্বপূর্ণ:আঙুল কীভাবে নড়ে, স্পর্শ বোঝে এবং বলের প্রতিক্রিয়া দেয়—তার ওপর বস্তু পরিচালনা নির্ভর করে। simulation-এ অনুমানযোগ্য আচরণ করা হাত থাকলে বাস্তব রোবট ব্যবহারের আগে প্রকৌশলীরা আরও বেশি নিয়ন্ত্রণ প্রশিক্ষণ দিতে পারবেন।
  • যা প্রতিষ্ঠিত:গতিশীল কাজে প্রাথমিক আশাব্যঞ্জক transfer-এর কথা Boston Dynamics জানিয়েছে। তারা কাজগুলো, নমুনার আকার, সাফল্যের হার, তুলনার ভিত্তি বা deployment-এর সময়সূচি প্রকাশ করেনি।

চারটি আঙুল, আরও সক্ষম বুড়ো আঙুল

নতুন হাতটির স্বাধীনতার মাত্রা ১৩ বলে Boston Dynamics জানায়: বিপরীতমুখী বুড়ো আঙুলে চারটি এবং বাকি তিনটি আঙুলে তিনটি করে। কোম্পানি বলে, বুড়ো আঙুলটি অন্য আঙুল বরাবর এবং আড়াআড়ি সরতে পারে, ফলে pinch ও tripod grip করা যায়। হাতিয়ার ধরে তার trigger চাপার কাজও কোম্পানি বর্ণনা করেছে।

নকশায় পঞ্চম আঙুল নেই। Boston Dynamics বলছে অতিরিক্ত আঙুলে আরও তিনটি actuator লাগত; পাশাপাশি খরচ, জায়গা, বিদ্যুৎ ব্যবহার এবং নষ্ট হতে পারে এমন উপাদানের সংখ্যাও বাড়ত। কোম্পানি এটিকে কাজভিত্তিক সমঝোতা হিসেবে ব্যাখ্যা করে: চার আঙুলের হাত দলের লক্ষ্য করা manipulation আচরণের জন্য যথেষ্ট হতে পারে, অথচ যান্ত্রিক জটিলতা কমায়। এটি কোম্পানির নকশার যুক্তি, মানবহাতের সব কাজ হাতটি করতে পারে—তার প্রমাণ নয়।

কোম্পানির মতে, হাতটি বড় মানবহাতের কাছাকাছি আকারের, তাই মানুষের উপযোগী জায়গায় পৌঁছাতে এবং মানুষের জন্য তৈরি হাতিয়ার ব্যবহার করতে পারে। Boston Dynamics সিল করা actuator, direct drive ও backdrivability-কে পরিবেশের বলের প্রতিক্রিয়ায় জয়েন্ট নড়ার উপায় হিসেবে বর্ণনা করে। তাদের মতে, তালু ও আঙুলের ডগা জুড়ে ঘন চাপ-সেন্সর রয়েছে, আর actuator feedback জয়েন্টের নড়াচড়া ও বল সম্পর্কে proprioceptive তথ্য দেয়।

এই পছন্দগুলো নিয়ন্ত্রণের আলাদা সমস্যা সমাধান করে। জয়েন্টের feedback আঙুল কীভাবে নড়ে এবং কোনো বস্তু ঠেলে দিলে কীভাবে সাড়া দেয় তা controller-কে অনুমান করতে সাহায্য করতে পারে। tactile sensor পুরো হাতজুড়ে স্পর্শ নথিভুক্ত করতে পারে। কোম্পানি দুটিকেই নকশার অংশ বলে, কিন্তু কোনো sensing ব্যবস্থা কাজের কর্মক্ষমতা কতটা বাড়ায় তা দেখানো আলাদা মূল্যায়ন দেয়নি।

হাতটি simulation-এর জন্য নকশা করা হয়েছে কেন

দক্ষ রোবট নীতি প্রশিক্ষণে মানুষের হাতের নড়াচড়া রেকর্ড করাই যথেষ্ট নয়। Boston Dynamics-এর যুক্তি, পরিধানযোগ্য প্রদর্শনীতে মানুষ কী করে তা ধরা যায়, কিন্তু রোবটের আঙুল নিয়ন্ত্রণের জন্য দরকারি সব দ্রুত বল-সমন্বয় ধরা যায় না। তাদের পদ্ধতিতে simulation-ভিত্তিক reinforcement learning-এর সঙ্গে এমন হাত যুক্ত করা হয়েছে যার ভৌত আচরণ মডেল করা যায়।

কোম্পানি ওই simulation-এর তিনটি অংশ চিহ্নিত করেছে: kinematics বা হাতের জ্যামিতি ও জয়েন্টের অবস্থান; dynamics, যার মধ্যে friction, torque ও backlash আছে; এবং contact বা আঙুলের সঙ্গে বস্তুর মিথস্ক্রিয়া। কোম্পানি বলছে, প্রশিক্ষণে motor torque profile, পৃষ্ঠের friction, বস্তুর জ্যামিতি এবং কাজের ব্যাঘাত এলোমেলোভাবে বদলানো হয়। বাস্তব হাতে চালানোর আগে নীতিকে বিভিন্ন পরিস্থিতির সঙ্গে পরিচিত করানোই এসব পরিবর্তনের উদ্দেশ্য।

গতিশীল কাজে simulation থেকে বাস্তবে প্রাথমিক transfer-এর কথা Boston Dynamics জানিয়েছে। কোম্পানি বলে, domain randomization দিয়ে simulation-এ এসব আচরণ প্রশিক্ষণ করা হয়, তারপর উচ্চ-গতির actuator proprioception feedback-সহ ভৌত হাতে চালানো হয়। পোস্টে কাজগুলো, পরীক্ষার সংখ্যা, সাফল্যের সীমা, জানানো run-গুলোতে ব্যবহৃত tactile data-এর পরিমাণ বা policy architecture উল্লেখ নেই। “আশাব্যঞ্জক” কোম্পানির বর্ণনা; এটি স্বাধীনভাবে মূল্যায়িত benchmark নয়।

নকশার দিকনির্দেশ, deployment-এর ফল নয়

হাতটির ঘোষিত উদ্দেশ্য হলো হাতিয়ার ব্যবহার ও অন্যান্য সূক্ষ্ম manipulation প্রশিক্ষণ সহজ করা। ঘোষণাটি বোঝায় Boston Dynamics কীভাবে যান্ত্রিক নকশার সঙ্গে reinforcement learning যুক্ত করে: সরাসরি চালিত, backdrivable জয়েন্ট এবং contact model simulation ও বাস্তব আচরণের পার্থক্য কমানোর জন্য তৈরি।

একই পোস্টে নির্ভরযোগ্য, কম-খরচের উৎপাদনকে দীর্ঘমেয়াদি লক্ষ্য বলা হয়েছে। নতুন হাতটি কবে বাজারে আসবে, কত Atlas রোবট এটি ব্যবহার করে, প্রদর্শনীর বাইরে কোন কাজগুলো শেষ হয়েছে বা কোনো গ্রাহক এটি স্থাপন করেছে কি না—পোস্টে বলা নেই। simulation এমন policy প্রশিক্ষণ দিতে পারে কি না যা hardware-এ স্থানান্তরিত হয়, সেগুলো তার থেকে আলাদা প্রশ্ন।

সূত্র ও আরও পড়ুন