ایک انسان نما روبوٹ سیکھتا ہے کہ نشانہ کہاں لگانا ہے

ٹیبل ٹینس کا ایک اچھا کھلاڑی ایک ساتھ دو کام کرتا ہے۔ وہ عمل درآمد کرتا ہے: اپنا پورا جسم حرکت میں لا کر گیند وہاں پہنچاتا ہے جہاں وہ چاہتا ہے۔ اور وہ فیصلہ کرتا ہے: ایسی جگہ چنتا ہے جو حریف کو مشکل میں ڈالے۔ کوئی واپسی درست مگر آسانی سے پہنچ میں ہو سکتی ہے، یا ہوشیار مگر کرنے میں بہت مشکل۔ جب روبوٹ دونوں چیزیں ایک ساتھ سیکھتا ہے تو یہ بتانا مشکل ہوتا ہے کہ ان میں سے کون سی چیز اسے جتواتی ہے۔

ژیجیانگ یونیورسٹی، سنگھوا یونیورسٹی، ٹونگجی یونیورسٹی، اوشن یونیورسٹی آف چائنا، شنگھائی انوویشن انسٹی ٹیوٹ اور روبوپارٹی لیب (RoboParty Lab) کی ایک ٹیم نے انھیں الگ کرنے کا فیصلہ کیا۔ دونوں کے درمیان رابطہ اعداد کا صرف ایک جوڑا ہے: میز پر وہ نقطہ جہاں گیند کو گرنا چاہیے۔

ایک جسم جو وہیں مارتا ہے جہاں کہا جائے

روبوٹ ایک Unitree G1 انسان نما ہے، جس کے 29 موٹر والے جوڑ ہیں۔ ایک بیرونی ٹریکر گیند کو فی سیکنڈ 100 بار دیکھتا ہے۔

جب گیند آتی ہے تو طبیعیات پر مبنی ایک منصوبہ ساز حساب لگاتا ہے کہ ریکٹ کو کیا کرنا چاہیے — ٹکراؤ کے وقت اس کی جگہ، رفتار اور زاویہ — تاکہ گیند مطلوبہ نقطے پر پہنچے، جس میں کششِ ثقل، ہوا کی مزاحمت، اچھال اور نیٹ کو مدِنظر رکھا جاتا ہے۔ پھر ایک نیورل نیٹ ورک اس منصوبے کو پورے جسم کے لیے احکامات میں بدلتا ہے، فی سیکنڈ 50 بار۔

تربیت سیمولیشن میں تین مراحل میں ہوتی ہے:

1. مارنا سیکھنا۔ روبوٹ ایک مقررہ انداز سے پھینکی گئی گیندوں پر مشق کرتا ہے، بے ترتیب چنے گئے نقاط کا نشانہ لیتے ہوئے۔
2. ریلی کرنا سیکھنا۔ دو سیمولیٹڈ روبوٹ ایک دوسرے سے کھیلتے ہیں۔ آنے والی گیندیں اب ایک حقیقی حریف کے شاٹس سے آتی ہیں، مگر ہدف اب بھی بے ترتیب ہیں: ابھی کوئی حکمتِ عملی نہیں۔
3. کھیلنا سیکھنا۔ پورے جسم کا کنٹرول منجمد کر دیا جاتا ہے۔ ایک دوسرا، الگ نیٹ ورک صرف یہ سیکھتا ہے کہ میز کے نو حصوں میں سے ایک کو کیسے چنا جائے، گیند کے حالیہ راستے، اپنی جگہ، حریف کی جگہ اور اپنے پچھلے ہدف کی بنیاد پر۔ اسے پوائنٹس جیتنے پر انعام ملتا ہے، اور کوئی حکمتِ عملی کا اصول ہاتھ سے نہیں لکھا جاتا۔

پہلے درست، پھر ہوشیار

سیمولیشن میں 99.2% واپسیاں درست جگہ گریں، اور ان میں سے 94.3% مطلوبہ جگہ سے 30 سینٹی میٹر کے اندر، اوسط غلطی 15 سینٹی میٹر کے ساتھ۔ ریلیوں میں مشق نے شاٹس کو اتنی ہی اضافی تربیت کے مقابلے میں زیادہ درست اور زیادہ بار جائز بنایا جو پہلے سے طے شدہ گیندوں پر کی گئی ہو۔

پھر فیصلہ کن امتحان آیا۔ ہر کھلاڑی نے بالکل ایک ہی منجمد جسم استعمال کیا، اس لیے صرف ہدف کا انتخاب مختلف تھا۔ سیکھی ہوئی حکمتِ عملی نے جیتے:

• ہمیشہ مرکز کا نشانہ لینے والے کھلاڑی کے خلاف 89% پوائنٹس؛
• بے ترتیب نشانہ لینے والے کے خلاف 82%؛
• ہمیشہ حریف سے زیادہ سے زیادہ دور نشانہ لینے والے کے خلاف 73%۔

اس نے صرف چند اچھی جگہیں ہی نہیں ڈھونڈیں۔ یہ اپنا ہدف اس جگہ سے دور لے جاتی تھی جہاں حریف کھڑا تھا، اور اس جگہ سے بھی دور جہاں اس نے پچھلی گیند بھیجی تھی۔

ایک انسان کے خلاف تین گیمز

ایک حقیقی G1 پر، اسی منجمد جسم کے ساتھ اور انسان کی جگہ کو موشن ٹریکنگ سے ریکارڈ کرتے ہوئے، روبوٹ نے اسی شوقیہ کھلاڑی کے خلاف 11 پوائنٹس کی تین گیمز کھیلیں۔ اس نے 11–4، 11–6 اور 11–9 سے جیتا، کئی شاٹس والی ریلیوں اور فورہینڈ اور بیک ہینڈ دونوں واپسیوں کے ساتھ۔

ابھی کلب کے قابل نہیں

مصنفین بتاتے ہیں کہ کیا کمی ہے۔ روبوٹ اپنی آنکھوں کے بجائے ایک بیرونی گیند ٹریکر اور موشن کیپچر پر انحصار کرتا ہے۔ گیند کا ماڈل گھماؤ (spin) کو نظرانداز کرتا ہے۔ نو حصے اس کی حکمتِ عملی کو محدود کرتے ہیں، وہ حریف کو صرف فرش پر ایک جگہ کے طور پر دیکھتا ہے، اور ہمیشہ ایک مقررہ جگہ پر سروس کرتا ہے۔ اور اس کی تمام حقیقی گیمز ایک ہی شوقیہ کھلاڑی کے خلاف تھیں۔ ان کا وسیع تر نکتہ ڈیزائن کا ایک اصول ہے: ہدف کا مطلب مقرر رکھو، جبکہ نیچے کا جسم سیکھتا رہے۔