একটি হিউম্যানয়েড রোবট শিখল কোথায় তাক করতে হয়

একজন ভালো টেবিল টেনিস খেলোয়াড় একসঙ্গে দুটি কাজ করেন। তিনি কার্যকর করেন: যেখানে চান সেখানে বল পাঠাতে পুরো শরীর নাড়ান। আর তিনি সিদ্ধান্ত নেন: এমন জায়গা বেছে নেন যা প্রতিপক্ষকে বিপাকে ফেলবে। একটি ফেরত নিখুঁত কিন্তু সহজে নাগালে আসা হতে পারে, কিংবা চতুর কিন্তু করা খুব কঠিন। একটি রোবট যখন দুটো একসঙ্গে শেখে, তখন বলা কঠিন কোনটির জোরে সে জিতছে।

চচিয়াং বিশ্ববিদ্যালয়, সিংহুয়া বিশ্ববিদ্যালয়, থোংজি বিশ্ববিদ্যালয়, ওশান ইউনিভার্সিটি অব চায়না, সাংহাই ইনোভেশন ইনস্টিটিউট আর RoboParty Lab-এর একটি দল এ দুটিকে আলাদা করার পথ বেছে নিয়েছে। দুইয়ের মধ্যে যোগসূত্র কেবল এক জোড়া সংখ্যা: টেবিলের যে বিন্দুতে বল পড়া উচিত।

যে শরীর বলা জায়গাতেই মারে

রোবটটি একটি Unitree G1 হিউম্যানয়েড, যার ২৯টি মোটরচালিত সন্ধি আছে। একটি বাইরের ট্র্যাকার সেকেন্ডে ১০০ বার বলটি অনুসরণ করে।

বল এলে পদার্থবিদ্যা-ভিত্তিক একটি পরিকল্পক হিসাব করে, চাওয়া বিন্দুতে বল পাঠাতে ব্যাটকে কী করতে হবে — আঘাতের মুহূর্তে অবস্থান, গতি আর কোণ — মাধ্যাকর্ষণ, বাতাসের বাধা, বাউন্স ও নেট হিসাবে রেখে। তারপর একটি নিউরাল নেটওয়ার্ক সেই পরিকল্পনাকে পুরো শরীরের জন্য নির্দেশে রূপান্তর করে, সেকেন্ডে ৫০ বার।

প্রশিক্ষণ হয় তিনটি ধাপে, সিমুলেশনে:

1. মারতে শেখা। রোবটটি একটি নির্দিষ্ট ধরনে ছোড়া বলে অনুশীলন করে, এলোমেলোভাবে বাছা পড়ার বিন্দুতে তাক করে।
2. র‍্যালি করতে শেখা। দুটি সিমুলেটেড রোবট একে অপরের বিরুদ্ধে খেলে। আসা বলগুলো এখন একজন আসল প্রতিপক্ষের শট থেকে আসে, কিন্তু লক্ষ্য এখনো এলোমেলো: এখনো কোনো কৌশল নেই।
3. খেলতে শেখা। পুরো শরীরের নিয়ন্ত্রণ স্থির করে দেওয়া হয়। দ্বিতীয় একটি আলাদা নেটওয়ার্ক কেবল টেবিলের নয়টি অঞ্চলের একটি বেছে নিতে শেখে, বলের সাম্প্রতিক গতিপথ, নিজের অবস্থান, প্রতিপক্ষের অবস্থান আর নিজের আগের লক্ষ্যের ভিত্তিতে। পয়েন্ট জিতলে সে পুরস্কার পায়, হাতে লেখা কোনো কৌশলগত নিয়ম ছাড়াই।

আগে নিখুঁত, তারপর আরও চালাক

সিমুলেশনে ৯৯.২% ফেরত বৈধভাবে পড়েছে, আর তার ৯৪.৩% চাওয়া জায়গার ৩০ সেন্টিমিটারের মধ্যে, গড় ত্রুটি ১৫ সেন্টিমিটার। আগে থেকে ঠিক করা বলে সমপরিমাণ বাড়তি প্রশিক্ষণের চেয়ে র‍্যালিতে অনুশীলন শটগুলোকে বেশি নিখুঁত আর বেশিবার বৈধ করেছে।

তারপর এল মূল পরীক্ষা। প্রত্যেক খেলোয়াড় হুবহু একই স্থির শরীর ব্যবহার করেছে, তাই পার্থক্য ছিল কেবল লক্ষ্য বাছাইয়ে। শেখা কৌশলটি জিতেছে:

• সব সময় মাঝখানে তাক করা খেলোয়াড়ের বিরুদ্ধে ৮৯% পয়েন্ট;
• এলোমেলো তাক করা খেলোয়াড়ের বিরুদ্ধে ৮২%;
• সব সময় প্রতিপক্ষ থেকে যতটা সম্ভব দূরে তাক করা খেলোয়াড়ের বিরুদ্ধে ৭৩%।

সে কেবল কয়েকটি ভালো জায়গা খুঁজে বের করেনি। প্রতিপক্ষ যেখানে দাঁড়িয়ে, সেখান থেকে দূরে সে তার লক্ষ্য সরিয়েছে, আর আগের বলটি যেখানে পাঠিয়েছিল সেখান থেকেও দূরে।

একজন মানুষের বিরুদ্ধে তিনটি গেম

একটি আসল G1-এ, একই স্থির শরীর নিয়ে এবং মোশন ট্র্যাকিং দিয়ে মানুষের অবস্থান ধরে, রোবটটি একই শৌখিন খেলোয়াড়ের বিরুদ্ধে ১১ পয়েন্টের তিনটি গেম খেলেছে। সে জিতেছে ১১–৪, ১১–৬ আর ১১–৯-এ, একাধিক শটের র‍্যালি আর ফোরহ্যান্ড ও ব্যাকহ্যান্ড দুই ধরনের ফেরত নিয়ে।

এখনো ক্লাবের স্তরে নয়

লেখকেরা জানান কী কী বাকি। রোবটটি নিজের চোখের বদলে একটি বাইরের বল ট্র্যাকার আর মোশন ক্যাপচারের ওপর নির্ভর করে। বলের মডেল স্পিন উপেক্ষা করে। নয়টি অঞ্চল তার কৌশল সীমিত করে, সে প্রতিপক্ষকে কেবল মেঝের ওপর একটি অবস্থান হিসেবে দেখে, আর সার্ভ করে একটি নির্দিষ্ট জায়গায়। তার সব আসল ম্যাচই হয়েছে একজনমাত্র শৌখিন খেলোয়াড়ের বিরুদ্ধে। তাঁদের বৃহত্তর বক্তব্য একটি নকশা-নিয়ম: নিচের শরীর শিখতে থাকুক, কিন্তু লক্ষ্যের অর্থ স্থির রাখো।