Helios 2.0: A Robust, Ultra-Low Power Gesture Recognition System Optimised for Event-Sensor based Wearables

कल्पना कीजिए कि एक स्मार्ट चश्मे की जोड़ी है जो आपके हाथों की गतिविधियों को बिना छुए समझ सकती है। वर्षों से, एक सरल इशारे के साथ डिजिटल उपकरणों को नियंत्रित करने का सपना एक जिद्दी समस्या के कारण रुका हुआ था: उन गतिविधियों को देखने के लिए आवश्यक तकनीक बहुत अधिक बिजली की भूखी थी। पारंपरिक कैमरे, जो प्रति सेकंड कई बार तस्वीरें लेते हैं, बैटरी को तेजी से खत्म कर देते हैं, जिससे वे उन चश्मों के लिए अव्यावहारिक हो जाते हैं जिन्हें पूरे दिन चलना होता है। इस समस्या को हल करने के लिए, वैज्ञानिकों ने एक अलग तरह की आँख की ओर रुख किया, जो मानव रेटिना की नकल करती है। पूर्ण चित्र कैप्चर करने के बजाय, ये सेंसर केवल तभी ध्यान देते हैं जब प्रकाश में कुछ परिवर्तन होता है, और केवल तभी एक छोटा संकेत भेजते हैं जब कोई पिक्सेल बदलाव देखता है। यह दृष्टिकोण अविश्वसनीय रूप से कुशल है, लेकिन केवल इन विरल संकेतों का उपयोग करके कंप्यूटर को हाथ की सूक्ष्म, क्षणिक गतिविधियों को समझाना एक कठिन चुनौती बनी हुई थी।

अल्ट्रालीप (Ultraleap) के शोधकर्ताओं की एक टीम ने अब हेलिओस 2.0 (Helios 2.0) नामक एक प्रणाली बनाई है जो अंततः इस दृष्टि को वास्तविकता बनाती है। उन्होंने एक ऐसा मॉडल तैयार किया है जो स्मार्ट चश्मों पर विशिष्ट, प्राकृतिक हस्त मुद्राओं (gestures) को लगभग शून्य बिजली की खपत के साथ पहचान सकता है। इस प्रणाली को चश्मों पर ही काम करने के लिए डिज़ाइन किया गया है, जिसमें एक विशेष प्रोसेसर का उपयोग किया जाता है जो गणनाओं का भारी काम संभालता है। शोधकर्ताओं ने दो सरल, सहज आंदोलनों पर ध्यान केंद्रित किया: तर्जनी उंगली पर अंगूठे को स्वाइप करना और अंगूठे तथा तर्जनी को आपस में चुटकी की तरह मिलाना। ये बड़ी, नाटकीय हरकतें नहीं हैं, बल्कि छोटी, त्वरित मुद्राएं हैं जो मानव शरीर के लिए स्वाभाविक महसूस होती हैं। इन सूक्ष्म-आकारों को पहचानने के लिए अपने सॉफ़्टवेयर को प्रशिक्षित करके, उन्होंने नियंत्रण का एक ऐसा रूप सक्षम किया है जो उत्तरदायी और सामाजिक रूप से विवेकपूर्ण है, जिससे उपयोगकर्ता फ्रेम को छूने के लिए हाथ बढ़ाए बिना अपने उपकरणों के साथ इंटरैक्ट कर सकते हैं।

इस बिंदु तक पहुँचने की यात्रा में डेटा कैसे एकत्र किया जाता है और कंप्यूटर उससे कैसे सीखता है, इसके संबंध में महत्वपूर्ण बाधाओं को पार करने की आवश्यकता थी। वास्तविक दुनिया के उदाहरणों को इकट्ठा करना, जिसमें लोग ये मुद्राएं बनाते हैं, कठिन, समय लेने वाला और महंगा है। इससे बचने के लिए, टीम ने एक परिष्कृत सिम्युलेटर बनाया। इस आभासी वातावरण ने उन्हें हाथों की गतिविधियों के लाखों उदाहरण उत्पन्न करने की अनुमति दी, जिसमें प्रकाश व्यवस्था, हाथ के आकार और त्वचा के रंग की विविधताएं भी शामिल थीं। उन्होंने कंप्यूटर को पूरी तरह से इस डिजिटल दुनिया के भीतर इन मुद्राओं को पहचानना सिखाया, जिसमें विभिन्न गतिविधियों को वास्तविक अनुक्रम बनाने के लिए आपस में मिलाने की विधि का उपयोग किया गया। इस दृष्टिकोण का अर्थ था कि उन्हें प्रशिक्षण लाइब्रेरी बनाने के लिए सैकड़ों लोगों की महीनों तक फिल्मिंग करने की आवश्यकता नहीं थी। एक बार जब मॉडल ने सिमुलेशन में पैटर्न सीख लिया, तो उन्होंने वास्तविक लोगों और यहाँ तक कि तेज धूप में बाहर भी इसका परीक्षण किया।

परिणाम आश्चर्यजनक थे। जब यह प्रणाली एक मानक कंप्यूटर प्रोसेसर पर चली, तो इसने मध्यम मात्रा में बिजली का उपयोग किया, लेकिन जब शोधकर्ताओं ने इसे आधुनिक स्मार्टफोन में पाए जाने वाले कम शक्ति वाले डिजिटल सिग्नल प्रोसेसर पर चलाने के लिए अनुकूलित किया, तो ऊर्जा की खपत नाटकीय रूप से गिर गई। यह प्रणाली केवल 6 से 8 मिलीवाट पर संचालित होती है, दक्षता का एक ऐसा स्तर जो इन चश्मों के लिए निरंतर जेस्चर रिकग्निशन सक्रिय रखने को संभव बनाता है ताकि बैटरी खत्म न हो। परीक्षणों में, मॉडल ने विभिन्न उपयोगकर्ताओं और वातावरणों में 80 प्रतिशत से अधिक बार मुद्राओं को सही ढंग से पहचाना, जो पिछले प्रयासों की तुलना में एक महत्वपूर्ण सुधार है। यह तेजी से भी प्रतिक्रिया करता था, जो केवल 2.35 मिलीसेकंड में निर्णय लेता है, जो मानव उपयोगकर्ता के लिए तात्कालिक महसूस करने के लिए पर्याप्त तेज़ है।

यह उपलब्धि विशेष रूप से महत्वपूर्ण है क्योंकि यह गति, सटीकता और शक्ति के बीच के समझौते को हल करती है। पिछली प्रणालियों या तो भारी हार्डवेयर की आवश्यकता थी, या वे पूरे दिन पहनने के लिए बहुत अधिक ऊर्जा की खपत करती थीं, या वे जानबूझकर की गई मुद्रा और चलते समय व्यक्ति की स्वाभाविक गति के बीच अंतर करने में संघर्ष करती थीं। हेलिओस 2.0 छोटा और कुशल होने के साथ-साथ इतना स्मार्ट होने में सक्षम है कि वह गलत सूचनाओं (false alarms) को अनदेखा कर सके। शोधकर्ताओं ने प्रदर्शित किया कि एक पांच-चरणीय आर्किटेक्चर का उपयोग करके, जहाँ गणना के सबसे कठिन हिस्सों को लो-पावर चिप द्वारा संभाला जाता है, वे अपने पिछले कार्य की तुलना में ऊर्जा के उपयोग को पच्चीस गुना कम कर सकते थे, जबकि साथ ही पहचान की सटीकता में भी सुधार कर सकते थे। यह सुझाव देता है कि हमेशा-ऑन, टच-फ्री इंटरैक्शन वाला युग अब एक दूर की संभावना नहीं है, बल्कि एक ऐसी तकनीक है जो पहनने के लिए तैयार है।

टीम ने उपयोगकर्ताओं की विविधता पर भी पूरा ध्यान दिया। उन्होंने अपने मॉडल का परीक्षण बीस अलग-अलग व्यक्तियों के साथ किया, जिसमें हाथ के आकार और त्वचा के रंग में भिन्नता थी, ताकि यह सुनिश्चित हो सके कि यह सभी के लिए निष्पक्ष रूप से काम करे। उन्होंने पाया कि सिस्टम बैकग्राउंड बदलने पर भी मजबूत बना रहा, जैसे कि एक मंद कार्यालय से एक उज्ज्वल बाहरी सेटिंग में जाना। यह विश्वसनीयता एक ऐसे उपकरण के लिए अत्यंत महत्वपूर्ण है जिसे वास्तविक दुनिया में उपयोग करने के लिए बनाया गया है, जहाँ प्रकाश और परिवेश कभी स्थिर नहीं होते। यह सिद्ध करके कि सिमुलेटेड डेटा पर प्रशिक्षित मॉडल वास्तविक लोगों के लिए इतनी अच्छी तरह से सामान्यीकृत (generalize) हो सकता है, शोधकर्ताओं ने पहनने योग्य तकनीक के लिए एक नया मार्ग दिखाया है। उन्होंने प्रदर्शित किया है कि ऐसे बुद्धिमान, उत्तरदायी इंटरफेस बनाना संभव है जिनके लिए उपयोगकर्ता को अतिरिक्त हार्डवेयर ले जाने या जटिल कमांड सीखने की आवश्यकता नहीं है, बल्कि बस अपने हाथों को स्वाभाविक रूप से हिलाने की आवश्यकता है।

इस कार्य ने केवल मॉडल बनाने तक ही सीमित नहीं रहना चाहा; उन्होंने इसकी सफलता सुनिश्चित करने के लिए उपकरणों का एक व्यापक सेट भी बनाया। उन्होंने इवेंट कैमरा से डेटा को प्रस्तुत करने का एक नया तरीका विकसित किया, जो इसे समय-आधारित सतहों में विभाजित करता है जो स्थिर छवियों के बजाय गति के प्रवाह को कैप्चर करती हैं। इसने कंप्यूटर को एक कहानी के रूप में जेस्चर को देखने की अनुमति दी जो समय के साथ विकसित हो रही है, न कि केवल एक स्थिर स्नैपशॉट के रूप में। इसे तीन-आयामी स्थान में हाथों के घूमने और हिलने के तरीके को ध्यान में रखने वाली प्रशिक्षण पद्धति के साथ जोड़कर, उन्होंने सुनिश्चित किया कि सिस्टम मानव गति की स्वाभाविक परिवर्तनशीलता को संभाल सके। परिणाम एक ऐसी तकनीक है जो आदेशों की व्याख्या करने वाली मशीन के बजाय जरूरतों का पूर्वानुमान लगाने वाले साथी की तरह महसूस होती है।

जैसे-जैसे पहनने योग्य कंप्यूटिंग का क्षेत्र विकसित हो रहा है, भौतिक संपर्क के बिना दुनिया के साथ बातचीत करने की क्षमता तेजी से मूल्यवान होती जा रही है। हेलिओस 2.0 पर किया गया कार्य यह दिखाने का एक ब्लूप्रिंट प्रदान करता है कि बैटरी जीवन और उपयोगकर्ता अनुभव से समझौता किए बिना इसे कैसे प्राप्त किया जाए। यह दिखाता है कि सेंसिंग और लर्निंग के मौलिक दृष्टिकोण को बदलकर, ऐसे सिस्टम बनाना संभव है जो शक्तिशाली और कुशल दोनों हों। आगे का रास्ता जेस्चर की शब्दावली का विस्तार करने और सिस्टम को व्यक्तिगत उपयोगकर्ताओं के लिए और भी करीब से अनुकूलित करने में निहित है, लेकिन आधार तैयार किया जा चुका है। स्मार्ट चश्मे का सपना जो हमारी स्वाभाविक गतिविधियों के माध्यम से हमें समझते हैं, अब पहुंच के भीतर है, जो एक ऐसी प्रणाली द्वारा संचालित है जो शांत, कुशल और वास्तविक दुनिया के लिए तैयार है।