Coding Agent-ஆல் இரண்டு Robot கைகளை இயக்க முடியுமா? HexaShell சொல்லும் புதிய வழி!

HexaShell அப்படின்னா என்ன?#

நீங்க வழக்கமா கம்ப்யூட்டரில் ஒரு புரோகிராம் எழுதும்போது என்ன செய்வீங்க? ஒரு கோடு அடிப்போம், ரன் பண்ணி பார்ப்போம், எரர் வந்துச்சுன்னா உடனே டெர்மினல் லாக் (log) எடுத்துப் பார்த்து சின்னதா ஒரு ஃபங்ஷன் எழுதி பக் ஃபிக்ஸ் பண்ணுவோம் இல்லையா? இதே டெக்னிக்கை நிஜ உலகத்தில் இருக்கும் ஒரு ரோபோவுக்கு அப்ளை பண்ணா எப்படி இருக்கும்?

அதைத்தான் HexaFuture அமைப்பைச் சேர்ந்த ஆய்வாளர்கள் செஞ்சு காட்டியிருக்காங்க. அவங்க உருவாக்கியுள்ள சிஸ்டத்தின் பெயர்தான் HexaShell. எளிமையா சொல்லணும்னா, ஒரு விஷன் லாங்குவேஜ் மாடல் (VLM) கோடிங் ஏஜென்ட்டையும், இரண்டு கைகள் கொண்ட ஒரு பிசிகல் ரோபோவையும் இணைக்கும் மிக மெல்லிய சாஃப்ட்வேர் அடுக்கு (Thin harness) இது.

வழக்கமா ரோபோடிக்ஸ் உலகில் ஒரு ரோபோவை இயக்கணும்னா, பல நூறு மணிநேரம் மனிதர்கள் அதை ரிமோட் மூலமா இயக்கி டேட்டா சேகரிப்பாங்க. அப்புறம் பெரிய அளவிலான டீப் லேர்னிங் நெட்வொர்க்குகளை டிரெய்ன் பண்ணுவாங்க. ஆனா HexaShell அந்த கடினமான வழியைத் தவிர்த்துட்டு, கோடிங் ஏஜென்ட்டையே ரோபோவை இயக்க வைக்கிறது. இந்த சுவாரஸ்யமான ஆய்வுக் கட்டுரையை huggingface.co/papers/2610.23479 என்ற முகவரியில் நீங்க நேரடியாகப் படிக்கலாம்.

ஒரு Coding Agent எப்படி Robot கைகளை இயக்குது?#

இங்க ரோபோவின் ஒவ்வொரு நரம்பு போன்ற மோட்டார் ஜாயிண்ட்களையும் ஏஐ மாடல் நேரடியாகக் கட்டுப்படுத்தல. அதுக்கு பதிலா, இந்த கோடிங் ஏஜென்ட் ஒரு சாதா கமாண்ட் லைன் (Command line) முன்னாடி உட்கார்ந்திருக்கிற ஒரு டெவலப்பர் மாதிரி செயல்படுது.

ரோபோ தன் கைகளை அசைத்து ஒரு வேலையைச் செய்ய முயற்சி பண்ணும். அந்த வேலை ஏதோ ஒரு காரணத்தினால் தோல்வியடையும் போது, அது உருவான எரர் லாக்கை ஏஐ ஏஜென்ட் வரி வரியாகப் படிக்கும். தப்பு எங்கே நடந்தது என்பதை துல்லியமாகக் கண்டுபிடிக்கும்.

அதாவது, ஒரு சாஃப்ட்வேர் டெவலப்பர் ஃபெயில் ஆன யூனிட் டெஸ்ட்டை சரிசெய்ய புதுசா கோடு எழுதுவது போல, இந்த ஏஜென்ட் 'டூல்ஸ்' (tools) எனப்படும் சிறிய பைத்தான் போன்ற புரோகிராம்களை உடனுக்குடன் எழுதிக்கும். ஒருமுறை எழுதப்பட்ட டூல்ஸ் பத்திரமாக சிஸ்டத்தில் சேமிக்கப்படும். அடுத்த முறை அதேபோன்ற வேலை வரும்போது, ஏற்கனவே உருவாக்கிய டூல்களை வைத்தே ரோபோ கச்சிதமாக இயங்கும்.

LiDAR சென்சார் இல்லாம depth-ஐ எப்படி கணக்கு பண்ணுது?#

ரோபோடிக்ஸ் என்றாலே லட்சக்கணக்கில் செலவழித்து LiDAR அல்லது காஸ்ட்லியான 3D கேமராக்கள் பொருத்த வேண்டும் என்ற ஒரு பொதுவான எண்ணம் பலருக்கும் உண்டு. ஆனா HexaShell ஆய்வில் பயன்படுத்தப்பட்டது வெறும் மூன்று சாதாரண RGB கேமராக்கள் மட்டும்தான்.

அப்புறம் எப்படி டேபிள் மேல இருக்கும் பொருளின் தூரத்தை அது துல்லியமாகக் கணக்கிடுது? நம்ம பள்ளிக்கூடத்தில் படிச்ச எளிய வடிவியல் மற்றும் Triangulation முறைதான் இதற்குக் காரணம். அதாவது, இரண்டு கேமராக்கள் ஒரே பொருளைப் பார்க்கும்போது, அந்த இரண்டு கேமராக்களிலிருந்து கிளம்பும் பார்வைக் கதிர்கள் (camera rays) எந்த இடத்தில் ஒன்றை ஒன்று சந்திக்கிறதோ, அங்கேதான் அந்தப் பொருள் இருக்கிறது என்பதைக் கண்டுபிடிச்சிடும்.

உதாரணமாக, ஒரு டேபிள் மேல பிளாஸ்டிக் பிளாக் வைக்கப்பட்டு இருக்குன்னு வைப்போம். அந்த டேபிளின் மட்டம் நமக்கு ஏற்கனவே தெரியும் என்பதால், ஒரே ஒரு கேமராவின் கதிர் அந்த மட்டத்தைத் தொடும் புள்ளியை வைத்தே இடத்தை உறுதி செய்துவிடும். ஒருவேளை ரோபோவின் தலைப்பகுதியில் இருக்கும் மெயின் கேமராவை ஏதோ ஒரு பொருள் மறைத்தால், கவலைப்படாமல் தன் கை மணிக்கட்டில் (wrist) இருக்கும் கேமராவை திருப்பி மாற்று ஆங்கிளில் படம் பிடித்து தூரத்தைக் கணித்துக் கொள்ளும்.

RoboDojo டெஸ்ட்டில் இதன் ரிசல்ட் என்ன சொல்லுது?#

ஆராய்ச்சியாளர்கள் இந்த அமைப்பை சும்மா விளையாட்டுக்கு சோதிக்காமல், ரோபோடிக்ஸ் உலகில் மிகவும் கடினமானதாகக் கருதப்படும் RoboDojo தளத்தில் உள்ள 42 விதமான டாஸ்க்குகளில் டெஸ்ட் பண்ணியிருக்காங்க. இதற்கு Codex உடன் GPT-6-Astra மாடலை நடுத்தர ரீசனிங் எஃபர்ட்டில் (medium reasoning effort) பயன்படுத்தியிருக்காங்க.

இதில் சுவாரஸ்யம் என்னவென்றால், அவர்கள் ஒவ்வொரு டாஸ்க்கிற்கும் வெறும் பத்து அமைப்புகளில் (layouts) மட்டுமே ஏஜென்ட்டுக்கு டூல்ஸ்களை உருவாக்க வாய்ப்பு தந்தார்கள். அதன்பின் அந்த டூல்ஸ்களை அப்படியே ஃப்ரீஸ் (freeze) செய்துவிட்டு, முற்றிலும் புதிய பத்து அமைப்புகளில் களமிறக்கினார்கள்.

எல்லா 42 RoboDojo டாஸ்க்குகளையும் கணக்கிட்டுப் பார்த்ததில், HexaShell சிஸ்டம் 39.7% Success rate மற்றும் 48.0 Progress score பெற்று அசத்தியுள்ளது. லீடர்போர்டு முறைப்படி கணக்கிடப்பட்ட இந்த ஸ்கோர், RoboDojo தளத்தில் ஒரு புதிய சாதனையாக (State of the art) அமைந்திருக்கிறது. சிக்கலான பாலிசி நெட்வொர்க் இல்லாமலேயே வெறும் கோடிங் ஏஜென்ட்டால் இவ்வளவு தூரம் வர முடியும் என்பது ஆராய்ச்சியாளர்களை ஆச்சரியப்படுத்தியிருக்கிறது.

ரோபோடிக்ஸ் செய்யும்போது எந்த இடத்துல பிரச்சனை வருது?#

அப்படியானால் ஏஐ மாடல் இனி எல்லா ரோபோக்களையும் முழுமையாக ஆளத் தொடங்கிவிடுமா என்றால், அங்கேதான் நிஜ உலகின் இயற்பியல் குறுக்கே நிற்கிறது. ஆய்வாளர்கள் கட்டுரையில் மிக நேர்மையாக ஒரு விஷயத்தை ஒப்புக்கொள்கிறார்கள்: எல்லை என்பது சிந்தனையில் இல்லை, தொடுதலில்தான் இருக்கிறது (The limit is contact, not reasoning: push).

அதாவது, ஒரு பொருள் எங்கே இருக்கிறது, அதை எடுக்க ரோபோ கை எந்தப் பாதையில் போக வேண்டும் போன்ற வடிவியல் கணக்குகளையும் லாஜிக்கையும் ஏஐ மிகத் துல்லியமாக யோசித்துவிடுகிறது. ஆனால், ஒரு பொருளை இன்னொரு இடத்திற்குத் தள்ளும்போது (push) ஏற்படும் உராய்வு விசை, கைப்பிடியில் பொருள் வழுக்குவது போன்ற இயற்பியல் சிக்கல்களை வெறும் கோடு மூலமாக கணிப்பது கடினமாக இருக்கிறது.

சாஃப்ட்வேர் உலகில் கோடு தப்பானால் மீண்டும் ரன் பண்ணலாம். ஆனா பிசிகல் உலகில் ஒரு பாட்டிலை தட்டும்போது அது உருண்டு கீழே விழுந்தால் ஏற்படும் விளைவுகள் வேறு. இந்த பிசிகல் காண்டாக்ட் விஷயங்களில்தான் கோடிங் ஏஜென்ட்கள் இன்னும் சறுக்குகின்றன.

நம்ம ஊர் Developers இதை வச்சு என்ன கத்துக்கலாம்?#

இந்தியாவில் இப்போ பல பொறியியல் கல்லூரி மாணவர்களும், டீப்-டெக் ஸ்டார்ட்அப் நிறுவனங்களும் ரோபோடிக்ஸ் பக்கம் அதிக கவனம் செலுத்தி வர்றாங்க. ஆனா பலருக்கும் இருக்கும் மிகப்பெரிய சவால், பல லட்சம் ரூபாய் செலவு செய்து பெரிய ஏஐ மாடல்களை டிரெய்ன் பண்ண முடியாததுதான்.

HexaShell ஆய்வு நமக்குச் சொல்லும் பாடம் ரொம்ப தெளிவானது. ரோபோடிக்ஸ் செய்ய நினைத்தால் உடனே பெரிய நிறுவனங்கள் போல காஸ்ட்லியான ரீஇன்ஃபோர்ஸ்மென்ட் லேர்னிங் வழியில்தான் போக வேண்டும் என்பதில்லை. உங்களுக்கு நல்ல லாஜிக் தெரிந்து, பைத்தான் கோடிங் மற்றும் எளிய கணிதம் தெரிந்தால் கூட போதுமானது.

கிடைக்கிற வெப்கேமராக்கள் மற்றும் ஓபன் சோர்ஸ் டூல்ஸ்களை வைத்து ஒரு மெல்லிய கமாண்ட் லைன் பாலம் அமைத்து, ஏஐ கோடிங் ஏஜென்ட்களை நிஜ ஹார்டுவேரில் பரிசோதிக்க முடியும். இது இன்னும் ஆரம்பக்கட்ட ஆராய்ச்சி நிலைதான் (early research), நாளைக்கே கடைகளில் விற்கும் தயாரிப்புகளில் வந்துவிடாது. ஆனால் சாஃப்ட்வேர் டெவலப்மென்ட்டுக்கும் ரோபோடிக்ஸுக்கும் நடுவே இருந்த பெரிய இடைவெளியை இந்த அணுகுமுறை சுருக்கிவிட்டது என்பது மட்டும் உறுதி.

அடுத்த கட்டமா நாம என்ன கவனிக்கணும்?#

இந்த ஆய்வு நமக்கு ஒரு மிகப்பெரிய நம்பிக்கையைக் கொடுத்தாலும், இது இன்னும் ஆரம்பக்கட்ட ஆராய்ச்சி (early research) மட்டுமே என்பதை நாம் தெளிவாகப் புரிந்து கொள்ள வேண்டும். ஒரு ஆய்வகத்தில் அல்லது RoboDojo போன்ற சிமுலேஷன் லேப்களில் 42 டாஸ்க்குகளை வெற்றிகரமாக முடிப்பது வேறு; நம்ம ஊர் கோயம்புத்தூர் அல்லது அம்பத்தூர் தொழிற்பேட்டைகளில், தூசியும் வெளிச்ச மாற்றங்களும் நிறைந்த நிஜமான ஒரு பேக்கேஜிங் யூனிட்டில் ரோபோ இயங்குவது முற்றிலும் வேறு. அங்கே பொருள்களின் எடை மாறும், உராய்வு விசை மாறும், மனிதர்கள் அடிக்கடி குறுக்கே வருவார்கள்.

அதனால்தான் ஆய்வுக் கட்டுரையில் 'வரம்பு என்பது யோசிப்பதில் இல்லை, தொடுதலில்தான் இருக்கிறது' என்று வெளிப்படையாகக் குறிப்பிட்டிருக்கிறார்கள். இனிவரும் காலங்களில், வெறும் கேமரா பார்வையை மட்டும் நம்பாமல், பொருளைப் பிடிக்கும்போது ஏற்படும் அழுத்தத்தை உணரும் சென்சார்களுடன் (tactile feedback) இந்த கோடிங் ஏஜென்ட்கள் எப்படி வேலை செய்யப் போகின்றன என்பதை நாம் கவனிக்க வேண்டும். அதாவது, ஏஐ ஏஜென்ட் ஹை-லெவல் லாஜிக் டூல்ஸ்களை எழுத, கீழே இருக்கும் சிறிய கண்ட்ரோலர்கள் பிசிகல் தொடுதலைக் கவனித்துக் கொள்ளும் ஒரு கூட்டு அமைப்பாக இது மாற வாய்ப்புள்ளது.

இந்திய டெவலப்பர்களுக்கு இது ஒரு அருமையான தொடக்கப் புள்ளி. வழக்கமான வெப் அல்லது பேக்எண்ட் புரோகிராமர்கள்கூட, ரோபோடிக்ஸை ஏதோ புரியாத ராக்கெட் சயின்ஸாகப் பார்க்காமல், ஒரு கிளவுட் சர்வரை ஏபிஐ (API) வழியே இயக்குவது போல சாதாரணமாக அணுகும் ஒரு கதவை இந்த HexaShell சிந்தனை திறந்துவிட்டிருக்கிறது. இந்த ஓபன் சோர்ஸ் முயற்சிகளையும், GitHub போன்ற தளங்களில் வெளியாகும் அடுத்தடுத்த அப்டேட்களையும் தொடர்ந்து கவனிப்பது புதிய வாய்ப்புகளைப் புரிந்துகொள்ள நிச்சயம் உதவும்.