Colombo Institute of Technology

සංවේදක (Sensors) යනු රොබෝ තාක්ෂණයේ අත්‍යවශ්‍ය අංගයක් වන අතර, එමගින් රොබෝවගේ පරිසරය මත පදනම්ව තීරණ ගැනීම සඳහා පාලන පද්ධති සඳහා තොරතුරු සපයයි. ඔවුන් රොබෝවට තම වටපිටාව හඳුනා ගැනීමට සහ එය සමඟ අන්තර් ක්‍රියා කිරීමට ඉඩ සලසයි, එමඟින් සැරිසැරීමට, වස්තූන් හැසිරවීමට සහ විවිධ කාර්යයන් කිරීමට හැකි වේ. දැන් අපි රොබෝ තාක්ෂණයේ බහුලව භාවිතා වන සංවේදක කිහිපයක් ගැන අවධානය යොමු කරමු

අවස්ථිති මිනුම් ඒකකය (nertial Measurement Unit (IMU))
අවස්ථිති මිනුම් ඒකකයක් යනු රොබෝවගේ ත්වරණය, කෝණික ප්‍රවේගය සහ දිශානතිය මනින සංවේදකවල එකතුවකි. එය සාමාන්‍යයෙන් ත්‍රි-අක්ෂ ත්වරණමාන (three-axis accelerometers), අක්ෂ තුනේ ගයිරොස්කෝප් (three-axis gyroscopes) සහ සමහර විට තුන් අක්ෂ චුම්භකමානයකින් (three-axis magnetometer) සමන්විත වේ. රොබෝවගේ චලනය ස්ථාවර කිරීමට, එහි පිහිටීම සහ ප්‍රවේගය නිර්ණය කිරීමට සහ පාලන පද්ධති සඳහා ප්‍රතිපෝෂණ සැපයීමට IMU භාවිතා වේ.

පරාස සංවේදක (Range sensors)
රොබෝව සහ එහි පරිසරයේ ඇති අනෙකුත් වස්තූන් අතර දුර තීරණය කිරීමට පරාස සංවේදක භාවිතා කරයි. මෙම සංවේදක අතිධ්වනික, අධෝරක්ත සහ ලේසර් පදනම් වූ සංවේදක ඇතුළු විවිධ වර්ගවල විය හැකිය. අතිධ්වනික සංවේදක දුර තීරණය කිරීම සඳහා ශබ්ද තරංග භාවිතා කරන අතර අධෝරක්ත සංවේදක ආලෝක තරංග භාවිතා කරයි. ලේසර් පාදක සංවේදක වඩාත් නිවැරදි වන අතර මිලිමීටර මට්ටමේ නිරවද්‍යතාවයකින් මිනුම් ලබා දිය හැක. බාධක හඳුනාගැනීම, සිතියම්ගත කිරීම සහ එක් ප්‍රදේශයක් හඳුනාගැනීම සඳහා පරාස සංවේදක භාවිතා වේ.

දර්ශන සංවේදක (Vision sensors)
දෘශ්‍ය සංවේදකවලට රොබෝවගේ වටපිටාවේ ඡායාරූප ගන්නා කැමරා සහ වෙනත් උපාංග ඇතුළත් වේ. මෙම සංවේදක වස්තූන් හඳුනා ගැනීමට, මුහුණු හඳුනා ගැනීමට, චලනය නිරීක්ෂණය කිරීමට සහ වෙනත් දෘශ්‍ය කාර්යයන් කිරීමට භාවිතා කරයි. ඒවා රොබෝව මත සවි කළ හැක එසේ නොමැතිව පුළුල් දර්ශන ක්ෂේත්‍රයක් ග්‍රහණය කර ගැනීමට බාහිරවද භාවිතා කළ හැක. සංචලනය, වස්තු හඳුනාගැනීම සහ මානව-රොබෝ අන්තර්ක්‍රියා වැනි කාර්යයන් සඳහා රොබෝ විද්‍යාවේ දෘශ්‍ය සංවේදක අත්‍යවශ්‍ය වේ.

ස්පර්ශක සංවේදක (Touch sensors)
තමා සිටිනා පරිසරයේ ඇති වස්තූන් සමඟ රොබෝවගේ අන්තර්ක්‍රියා පිළිබඳ ප්‍රතිපෝෂණ සැපයීමට ස්පර්ශ සංවේදක භාවිතා කරයි. වස්තුවේ හැඩය, පෘෂ්ඨිය ස්වභාවය සහ අනෙකුත් ගුණාංග තීරණය කිරීම සඳහා ඔවුන් පීඩනය, බලය සහ වෙනත් ස්පර්ශක තොරතුරු හඳුනා ගනී. ස්පර්ශක සංවේදක රොබෝවගේ සමෙහි තැන්පත් කළ හැකිය, නැතහොත් ස්පර්ශක අත්වැසුම් වැනි වෙනම උපාංග ලෙස භාවිතා කළ හැකිය. ඒවා ග්‍රහණය කර ගැනීම, හැසිරවීම සහ ස්පර්ශක ගවේෂණය වැනි කාර්යයන් සඳහා රොබෝ තාක්ෂණයේ භාවිතා වේ.

ආසන්නතා සංවේදක (Proximity sensors)
ආසන්නතා සංවේදක මගින් රොබෝවේ ආසන්න වටපිටාවේ වස්තූන් පවතින බව හඳුනා ගනී. ඒවා ධාරිත්‍රක, ප්‍රේරක සහ චුම්බක සංවේදක ඇතුළු විවිධ වර්ගවල විය හැකිය. ධාරිත්‍රක සංවේදක විද්‍යුත් ක්ෂේත්‍රවල වෙනස්කම් හඳුනා ගන්නා අතර ප්‍රේරක සංවේදක චුම්භක ක්ෂේත්‍රවල වෙනස්කම් හඳුනා ගනී. චුම්බක සංවේදක මගින් චුම්භකත්වය ඇති කළ හැකි ද්‍රව්‍ය පවතින බව හඳුනා ගනී. වස්තු හඳුනාගැනීම, බාධක වළක්වා ගැනීම සහ ආරක්ෂාව වැනි කාර්යයන් සඳහා ආසන්නතා සංවේදක භාවිතා වේ.

අවසානයට රොබෝ තාක්ෂණය තුළ සංවේදක තීරණාත්මක කාර්යභාරයක් ඉටු කරයි, රොබෝවන්ට ඔවුන්ගේ පරිසරය වටහා ගැනීමට සහ එය සමඟ අන්තර් ක්‍රියා කිරීමට මෙමගින් හැකි වේ. රොබෝ තාක්‍ෂණය අඛණ්ඩව වර්ධනය වන විට, නව සංවේදක වර්ග සංවර්ධනය කර රොබෝ පද්ධතිවලට ඒකාබද්ධ වෙමින් රොබෝවන්ට වඩාත් සංකීර්ණ කාර්යයන් කිරීමට සහ ඔවුන්ගේ පරිසරය සමඟ වඩාත් බාධාවකින් තොරව අන්තර් ක්‍රියා කිරීමට හැකි වේ.

පරිගණක දැක්ම (Computer Vision) යනු අප අවට ලෝකයේ දෘශ්‍ය දත්ත පරිවර්ථනය කිරීමට සහ තේරුම් ගැනීමට පරිගණකවලට හැකියාව ලබා දීම කෙරෙහි අවධානය යොමු කරන අධ්‍යයන ක්ෂේත්‍රයකි. පින්තූර සහ වීඩියෝ වලින් තොරතුරු විශ්ලේෂණය කිරීමට සහ උපුටා ගැනීමට ඇල්ගොරිතම සහ ශිල්පීය ක්‍රම භාවිතා කිරීම එයට ඇතුළත් වේ.

මෑත වසරවලදී, විශාල දත්ත කට්ටල, බලවත් GPUs සහ ගැඹුරු ඉගෙනුම් ශිල්පීය ක්‍රමවල දියුණුව හේතුවෙන් පරිගණක දැක්ම සැලකිය යුතු දියුණුවක් අත්විඳ ඇත. පරිගණක දර්ශනයේ සමහර ප්‍රධාන යෙදුම්වලට ඇතුළත් වන්නේ:

වස්තු හඳුනාගැනීම: පරිගණක දර්ශන ඇල්ගොරිතම මඟින් රූපයක් හෝ වීඩියෝවක් තුළ ඇති වස්තූන් හඳුනාගෙන වර්ගීකරණය කළ හැක.

මුහුණු හඳුනාගැනීම: මෙයට රූපවල හෝ වීඩියෝවල සිටින පුද්ගලයන්ගේ අනන්‍යතාව හඳුනා ගැනීම සහ සත්‍යාපනය කිරීම ඇතුළත් වේ.

රූප සහ වීඩියෝ සැකසීම: රූප සහ වීඩියෝවල ගුණාත්මක භාවය ඉහළ නැංවීමට, අනවශ්‍ය සංඥා (noise) ඉවත් කිරීමට සහ අනෙකුත් රූප සැකසුම් කාර්යයන් සිදු කිරීමට පරිගණක දර්ශනය භාවිතා කළ හැක.

වැඩි දියුණු කළ යථාර්ථය (Augmented reality): පරිගණක දෘෂ්ඨි තාක්‍ෂණය ඩිජිටල් රූප සහ තොරතුරු සැබෑ ලෝකයට සමගාමීව තැබීමට භාවිත කළ හැකි අතර, වැඩිදියුණු කළ යථාර්ථයේ අත්දැකීමක් නිර්මාණය කරයි.

ස්වයංක්‍රීය වාහන: පරිගණක දැක්ම ස්වයංක්‍රීය වාහන සංවර්ධනය කිරීම සඳහා අවශ්‍ය වන ප්‍රධාන තාක්‍ෂණයකි. එමඟින් මෙම වාහනවලට ඔවුන්ගේ සංවේදකවලින් ලැබෙන දත්ත මත පදනම්ව සැරිසැරීමට සහ තීරණ ගැනීමට හැකියාව ලැබේ.

පරිගණක දැක්ම ක්ෂේත්‍රයේ සැලකිය යුතු ප්‍රගතියක් තිබියදීත්, තවමත් විසඳා ගතයුතු අභියෝගද කිහිපයක් ඇත. විශාලම අභියෝගයක් වන්නේ අඩු ආලෝක තත්ත්වයන්, අවහිරතා සහ විවිධ කැමරා කෝණ වැනි පුළුල් පරාසයක දී ශක්තිමත් සහ නිවැරදිව භාවිතා කළ හැකි ඇල්ගොරිතම සංවර්ධනය කිරීමයි. තවත් අභියෝගයක් වන්නේ මෙම ඇල්ගොරිතම වල විනිවිදභාවය සහ පැහැදිලි කළ හැකි බව සහතික කිරීමයි, එවිට පරිශීලකයින්ට තීරණ ගන්නා ආකාරය තේරුම් ගත හැකිය.

සමස්තයක් වශයෙන්, පරිගණක දැක්ම යනු පුළුල් පරාසයක යෙදුම් සහ අනාගත දියුණුව සඳහා සැලකිය යුතු විභවයන් සහිත වේගයෙන් විකාශනය වන ක්ෂේත්‍රයකි.

ස්වයංක්‍රීය රිය පැදවීම යනු මිනිස් මැදිහත්වීමකින් තොරව තමන් විසින්ම ධාවනය කළ හැකි වාහන සංවර්ධනය කිරීම අරමුණු කරගත් නැගී එන තාක්‍ෂණයකි. ස්වයංක්‍රීය රිය පැදවීමේ වත්මන් තත්ත්වය මෙසේය.

ස්වයංක්‍රීයකරණයේ මට්ටම්: ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණය ස්වයංක්‍රීයකරණයේ ප්‍රමාණය මත පදනම්ව මට්ටම් හයකට වර්ගීකරණය කර ඇත, 0 මට්ටමේ (ස්වයංක්‍රීයකරණයක් නොමැත) සිට 5 වන මට්ටම (සම්පූර්ණ ස්වයංක්‍රීයකරණය) දක්වා. දැනට, වාණිජමය වශයෙන් ලබා ගත හැකි වාහන 2 මට්ටමේ (අර්ධ ස්වයංක්‍රීයකරණය) හෝ 3 මට්ටමේ (කොන්දේසි සහිත ස්වයංක්‍රීයකරණය) වේ.

වාණිජ යෙදවීම: වාහන නිෂ්පාදකයින් සහ තාක්ෂණ සමාගම් කිහිපයක් පොදු මාර්ගවල ස්වයංක්‍රීය වාහන පරීක්ෂා කරමින් සිටී. කෙසේ වෙතත්, නියාමන අභියෝග, තාක්ෂණික සීමාවන් සහ ආරක්ෂාව පිළිබඳ ගැටළු හේතුවෙන් පූර්ණ ස්වයංක්‍රීය වාහන වාණිජමය වශයෙන් යෙදවීම තවමත් සීමා වී ඇත.

ආරක්ෂාව පිළිබඳ ගැටළු: ස්වයංක්‍රීය රිය පැදවීමේ තාක්ෂණය මුහුණ දෙන ප්‍රධාන අභියෝගයක් වන්නේ ආරක්ෂාවයි. ස්වයංක්‍රීයව ධාවනය වන මෝටර් රථවලට මානව දෝෂ හේතුවෙන් සිදුවන අනතුරු අවම කිරීමේ හැකියාව පවතින අතරම, සයිබර් ආරක්‍ෂාව, සංවේදක විශ්වසනීයත්වය සහ සංකීර්ණ ගමනාගමන අවස්ථා වලදී තීරණ ගැනීම වැනි නව ආරක්‍ෂිත අභියෝගවලටද ඔවුන් මුහුණ දෙයි.

තාක්ෂණික සීමාවන්: වත්මන් ස්වයංක්‍රීය රියදුරු පද්ධති ධාවනය වන ආකාරය සංවේදක, කැමරා සහ මෘදුකාංග ඇල්ගොරිතම මත රඳා පවතී. කෙසේ වෙතත්, මෙම පද්ධතිවලට සීමාවන් ඇත, විශේෂයෙන් අයහපත් කාලගුණික තත්ත්වයන් සහ අනපේක්ෂිත මාර්ග තදබදය ඇති අවස්ථාවන්වලදී මේවායින් බලාපොරොත්තු වන තත්වයට ක්‍රියාත්මක වීමේ ගැටලු පැන නගී .

නියාමන අභියෝග: ස්වයංක්‍රීය රියදුරු පද්ධති සඳහා ආරක්ෂක ප්‍රමිතීන් සහ මාර්ගෝපදේශ සංවර්ධනය කිරීමට නියාමන ආයතන තවමත් ක්‍රියා කරයි. මීට අමතරව, ස්වයං-රිය පදවන මෝටර් රථ සම්බන්ධ අනතුරු සම්බන්ධ වගකීම් ගැටළු තවමත් විවාදයට ලක්වෙමින් පවතී.

පර්යේෂණ සහ සංවර්ධනය: අභියෝග මධ්‍යයේ වුවද, ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණයේ පර්යේෂණ සහ සංවර්ධනය අඛණ්ඩව ප්‍රගතියක් ලබමින් සිටිනා අතර ස්වයංක්‍රීයව ධාවනය වන මෝටර් රථවල හැකියාවන් වැඩිදියුණු කිරීම සඳහා උසස් සංවේදක, යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම සහ පරිගණක දර්ශන තාක්ෂණයන් සංවර්ධනය කිරීමට සමාගම් සහ විවිද අධ්‍යයන ආයතන ආයෝජනයන් සිදු කරයි.

අවසාන වශයෙන්, ස්වයංක්‍රීය රිය පැදවීමේ තාක්‍ෂණය තවමත් එහි සංවර්ධනයේ මුල් අවධියේ පවතින අතර, පූර්ණ ස්වයංක්‍රීය වාහන පොදු මාර්ගවල පුළුල් ලෙස යෙදවීමට පෙර සැලකිය යුතු අභියෝගවලට විසඳුම් සෙවීම අවශ්‍ය වේ. කෙසේ වෙතත්, මෙම තාක්‍ෂණය අඛණ්ඩව ප්‍රගතියක් ලබන අතර, එය අප ගමන් කරන ආකාරය පරිවර්තනය කිරීම සහ මාර්ග ආරක්ෂාව වැඩි දියුණු කිරීම සඳහා අනාගතයේදී ඉතාමත් වැඩි දායකත්වයක් දක්වනු ඇත.

කෘතිම ස්නායු ජාල (Artificial Neural Networks - ANNs) යනු මිනිස් මොළයේ ව්‍යුහය සහ ක්‍රියාකාරීත්වය මගින් ආභාෂය ලත් යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිදමයකි. ANNs සමන්විත වන්නේ අන්තර් සම්බන්ධිත නෝඩ් (node) (හෝ "නියුරෝන (neuron)") වලින් වන අතර තොරතුරු සකසන සහ සම්ප්‍රේෂණය කරන ස්ථර වලට එය සකසා ඇත. රූප සහ කථන හඳුනාගැනීමේ සිට ස්වභාවික භාෂා සැකසීම සහ අනාවැකි ආකෘතිකරණය (predictive modeling) දක්වා පුළුල් පරාසයක යෙදුම්වල ANN භාවිතා වේ.

ANN හි මූලික ඒකකය නියුරෝන වේ, එය අනෙකුත් නියුරෝන වලින් ආදාන සංඥා (input) ලබාගෙන ප්රතිදාන සංඥාවක් (output) නිපදවයි. මෙම සංඥා බරක් ආදේශ කිරීමෙන් පසුව (weighted) සාරාංශ කර (summed), ඉන් අනතුරුව නියුරෝන ප්‍රතිදානය තීරණය කරන රේඛීය නොවන ක්‍රියාකාරී ශ්‍රිතයක් (non-linear activation function) හරහා ගමන් කරයි. සක්‍රීය කිරීමේ ශ්‍රිතය මගින් ජාලයට ආදාන සහ ප්‍රතිදාන අතර සංකීර්ණ, රේඛීය නොවන සම්බන්ධතා අර්ථ දැක්වීමට ඉඩ සලසයි.

අධීක්ෂිත ඉගෙනීම (supervised learning), අධීක්‍ෂණය නොකළ ඉගෙනීම (unsupervised learning) හෝ සවිබලගැන්වීමේ ඉගෙනීම (reinforcement learning) භාවිතයෙන් ANN පුහුණු කළ හැකිය. අධීක්ෂණය කරන ලද ඉගෙනීමේදී, ජාලයට ආදාන-ප්‍රතිදාන යුගල කට්ටලයක් ලබා දෙන අතර, ජාලයේ ප්‍රතිදානය සහ අපේක්ෂිත ප්‍රතිදානය අතර වෙනස අවම කිරීම සඳහා නියුරෝනවල බර සකස් කරනු ලැබේ. අධීක්‍ෂණය නොකළ ඉගෙනීමේදී, ජාලයට පැහැදිලි ලේබල් නොමැතිව ආදාන දත්ත ලබා දෙන අතර, දත්තවල රටා සහ ව්‍යුහය සොයා ගැනීමට බර සකස් කරනු ලැබේ. සවිබලගැන්වීමේ ඉගෙනීමේදී, ත්‍යාග හෝ දඬුවම් (rewards or penalties) ආකාරයෙන් ප්‍රතිපෝෂණ (feedback) ලබා ගැනීමෙන් ජාලය අත්හදා බැලීම් සහ දෝෂ (trial and error) හරහා ඉගෙන ගැනීම සිදු කරයි.

ANN වල ප්‍රධාන වාසියක් වන්නේ උදාහරණ වලින් ඉගෙනීමට සහ සාමාන්‍යකරණය (generalize) කිරීමට ඇති හැකියාවයි. පුහුණු වූ පසු, ANN ජාලයකට ඉහළ නිරවද්‍යතාවයකින් නව, නොදුටු දත්ත පිළිබඳ අනාවැකි පළ කළ හැකිය. කෙසේ වෙතත්, ANNs වැඩිපුර භාවිතා කිරීමෙන් ද ගැටළු ඇතිවිය හැක, එහිදී ජාලය පුහුණු දත්තවලට වඩා නැඹුරුතාවයක් දක්වා නව දත්ත මත දුර්වල ලෙස ක්‍රියා කරයි.

ANN භාවිතා කරන විට තවත් වැදගත් සැලකිල්ලක් දැක්විය යුතු කරුණක් වන්නේ පද්ධතියේ සැකැස්ම (architecture) සහ අධි පරාමිතීන් (hyper-parameters) තෝරා ගැනීමයි. පද්ධතියේ සැකැස්ම යනු ස්ථර සහ නියුරෝන වල සංඛ්‍යාව වන අතර අධි පරාමිති වලට ඉගෙනීමේ අනුපාතය (learning rate) සහ විධිමත් කිරීම (regularization) වැනි සැකසුම් ඇතුළත් වේ. ප්‍රශස්ත පද්ධති සැකැස්මක් සහ අධි පරාමිති සොයා ගැනීම සඳහා බොහෝ විට අත්හදා බැලීම් සහ දෝෂ සහ වසම් ප්‍රවීණත්වයේ එකතුවක් අවශ්‍ය වේ.

බොහෝ යෙදුම්වල මේවායේ ජනප්‍රියත්වයක් සහ සාර්ථකත්වයක් තිබියදීත්, ANN වලටද යම් සීමාවන් තිබේ. එනම් ඒවා පුහුණු කිරීම පරිගණකමය වශයෙන් මිල අධික විය හැකි අතර ලේබල් කළ දත්ත විශාල ප්‍රමාණයක් අවශ්‍ය වේ. මීට අමතරව, ANNs පාරාන්ධ (opaque) විය හැකි අතර, ඔවුන්ගේ අනාවැකි පිටුපස ඇති යටින් පවතින තර්කය (underlying reasoning) අර්ථ නිරූපණය කිරීමේ දුෂ්කරතාවයක් ඇතිවිය හැක

සමස්තයක් වශයෙන්, ANNs යනු බොහෝ ක්ෂේත්‍රවල විප්ලවීය වෙනසක් කිරීමට හැකියාව ඇති යන්ත්‍ර ඉගෙනුම් මෙවලමකි. කෙසේ වෙතත්, ඒවා භාවිතා කළ යුත්තේ ප්‍රවේශමෙන් වන අතර සිදුවිය හැකි ගැටලු පිළිබඳව සැලකිලිමත් විය යුතුය.