ContactFusion: Stochastic Poisson Surface Maps from Visual and Contact Sensing

कल्पना कीजिए कि एक रोबोट एक नाजुक कार्य करने की कोशिश कर रहा है, जैसे कि एक बहुत छोटे छेद में पेग (peg) को खिसकाना। एक इंसान के लिए, यह सरल लगता है, लेकिन एक रोबोट के लिए, यह सटीकता का एक दुस्वप्न है। यदि रोबोट की "आंखें" (कैमरे) थोड़ी भी धुंधली हैं या छाया से भ्रमित हैं, तो पेग छेद से एक मिलीमीटर के अंश के बराबर भी चूक सकता है, जिससे रोबोट जाम हो सकता है या पुर्जा टूट सकता है। यह रोबोटिक मैनिपुलेशन (robotic manipulation) की दुनिया है, जहाँ मशीनों को वस्तुओं के साथ बातचीत करने के लिए उनकी 3D आकृति को समझना आवश्यक होता है। आमतौर पर, रोबोट दुनिया का मानसिक मानचित्र बनाने के लिए कैमरों पर भरोसा करते हैं, लेकिन कैमरे खराब रोशनी या प्रतिबिंबों (reflections) से धोखा खा सकते हैं। इसे ठीक करने के लिए, वैज्ञानिकों ने रोबोट को "महसूस करना" सिखाना शुरू कर दिया है, उन सेंसरों का उपयोग करके जो यह पता लगाते हैं कि रोबोट का हाथ किसी चीज़ को कब छूता है। बड़ा सवाल यह है: आप एक रोबोट के देखने और उसके महसूस करने को कैसे मिला सकते हैं ताकि किसी वस्तु का एक आदर्श, अति-सटीक मानचित्र बनाया जा सके, खासकर जब आँखें और स्पर्श सेंसर दोनों ही गलतियाँ कर रहे हों?

यह बिल्कुल वही पहेली है जिसे कॉन्टैक्टफ्यूजन (ContactFusion) नामक एक नई विधि द्वारा हल किया गया है, जिसे एडिनबर्ग विश्वविद्यालय और वाटरलू विश्वविद्यालय के शोधकर्ताओं ने बनाया है। उन्होंने महसूस किया कि जबकि कैमरे एक व्यापक दृश्य प्रदान करते हैं, वे शोर (noisy) वाले हो सकते हैं, और जबकि स्पर्श सेंसर सटीक होते हैं, वे केवल उस सूक्ष्म बिंदु के बारे में जानते हैं जिसे वे छू रहे हैं। इसे हल करने के लिए, टीम ने एक ऐसी प्रणाली बनाई है जो एक सुपर-स्मार्ट जासूस की तरह काम करती है, जो दृश्य संकेतों को स्पर्श संबंधी संकेतों के साथ जोड़कर एक "स्टोकेस्टिक पॉइसन सरफेस मैप" (या SPSMap) बनाती है। इस मानचित्र को एक कठोर ड्राइंग के रूप में नहीं, बल्कि संभावनाओं के एक जीवित, सांस लेते बादल के रूप में सोचें। यह केवल यह नहीं कहता कि "दीवार यहाँ है"; यह कहता है कि "दीवार संभवतः यहाँ है, लेकिन हम 90% निश्चित हैं, और यहाँ बताया गया है कि हम कितना अनुमान लगा रहे हैं।"

उनका आविष्कार एक चतुर तरीका है जिससे रोबोट के "आह" या "धक्का" के संकेतों (बल और टॉर्क) को उस स्थान के अनुमान में बदला जाता है जहाँ स्पर्श हुआ था। यदि रोबोट का हाथ एक पेग से टकराता है, तो सेंसर घुमाव और दबाव को मापते हैं। कॉन्टैक्टफ्यूजन सिस्टम उस घुमाव से पीछे की ओर गणना करने के लिए गणित का उपयोग करता है ताकि यह पता लगाया जा सके, "आह, रोबोट ने पेग को ठीक यहाँ छुआ होगा।" फिर यह इस "स्पर्श अनुमान" को कैमरे से प्राप्त "दृश्य डेटा" के साथ मिला देता है। परिणाम एक ऐसा मानचित्र है जो हर बार जब रोबोट देखता या छूता है, तो अधिक स्पष्ट और सटीक होता जाता है। अपने परीक्षणों में, यह विधि पिछले तरीकों की तुलना में, जो केवल कैमरों या मानक मानचित्रों का उपयोग करते थे, वस्तुओं के आकार को 30-35% अधिक सटीकता से पुनर्गठित करने में सक्षम थी। इससे भी बेहतर, क्योंकि मानचित्र जानता है कि वह कहाँ अनिश्चित है, रोबोट उस अनिश्चितता का उपयोग यह तय करने के लिए कर सकता है कि आगे कहाँ देखना या छूना है, प्रभावी रूप से खुद को पहेली के लापता हिस्सों को तेज़ी से खोजने के लिए सिखाता है।

समस्या: जब "देखना" पर्याप्त नहीं होता

रोबोट चलने-फिरने में अच्छे होते हैं, लेकिन वे अनुमान लगाने में बहुत खराब होते हैं। जब एक रोबोट को छेद में पेग डालने की कोशिश करनी होती है, तो उसे दोनों वस्तुओं के सटीक आकार और स्थिति का पता होना चाहिए। यदि रोबोट का कैमरा छेद देखता है लेकिन छवि थोड़ी धुंधली है, या यदि रोबोट का हाथ पेग को थोड़ा केंद्र से हटा देता है, तो पूरा कार्य विफल हो सकता है। ऐसा इसलिए है क्योंकि वास्तविक दुनिया के सेंसर शोर युक्त (noisy) होते हैं; वे गलतियाँ करते हैं। एक कैमरा सोच सकता है कि छेद एक स्थान पर है जबकि वास्तव में वह एक मिलीमीटर दूर है। एक मिलीमीटर बहुत कम लग सकता है, लेकिन एक रोबोट के लिए जो पुर्जों को आपस में फिट करने की कोशिश कर रहा है, यह सफलता और जाम होने के बीच का अंतर है।

पारंपरिक रूप से, रोबोटों ने इसे केवल अधिक ध्यान से देखकर या "कॉम्प्लायंट कंट्रोल" (compliant control) का उपयोग करके हल करने की कोशिश की है, जो कि एक फैंसी तरीका है कहने का कि रोबवर अपने हाथ को ढीला चलाता है ताकि यदि वह गलत जगह टकरा जाए तो चीजें न टूटें। लेकिन यह एक समझौता है: यदि रोबोट बहुत ढीला है, तो वह सटीक रूप से नहीं चल सकता; यदि वह बहुत सख्त है, तो वह चीजों को तोड़ सकता है। कॉन्टैक्टफ्यूजन के पीछे के शोधकर्ताओं ने एक अलग सवाल पूछा: क्या होगा यदि हम रोबोट के विज़न को उसके स्पर्श की भावना के साथ मिला सकें ताकि एक ऐसा मानचित्र बनाया जा सके जो जानता हो कि वह कहाँ अनिश्चित है?

समाधान: एक मानचित्र जो जानता है कि वह क्या नहीं जानता

टीम ने कॉन्टैक्टफ्यूजन (ContactFusion) पेश किया, एक ऐसी प्रणाली जो एक विशेष प्रकार का मानचित्र बनाती है जिसे SPSMap कहा जाता है। यह समझने के लिए कि इसमें क्या खास है, कल्पना करें कि आप अंधेरे में एक गुफा का मानचित्र बनाने की कोशिश कर रहे हैं। आपके पास एक टॉर्च (कैमरा) है जो आपको दीवारों का एक सामान्य विचार देती है, लेकिन उसकी रोशनी टिमटिमा रही है। आपके पास एक लंबी छड़ी (रोबोट आर्म) भी है जिसका उपयोग आप दीवारों को थपथपाने के लिए करते हैं। जब छड़ी किसी चीज़ से टकराती है, तो आप जानते हैं कि उस एक बिंदु पर दीवार कहाँ है, लेकिन आप नहीं जानते कि बाकी गुफा कैसी दिखती है।

पुराने तरीके केवल टॉर्च की तस्वीर और छड़ी के प्रहारों को लेते थे और उन्हें जोड़ने की कोशिश करते थे, जिसके परिणामस्वरूप अक्सर एक ऊबड़-खाबड़, भ्रमित करने वाला मानचित्र बनता था। हालाँकि, कॉन्टैक्टफ melalui स्टोकेस्टिक पॉइसन सरफेस रिकंस्ट्रक्शन (SPSR) नामक एक गणितीय ट्रिक का उपयोग करता है। दीवार के लिए एक एकल, कठोर रेखा खींचने के बजाय, यह संभावना का एक "बादल" बनाता है। यह कहता है, "यहाँ दीवार का सबसे संभावित आकार है, लेकिन यहाँ यह भी है कि हम कितना अनुमान लगा रहे हैं।"

यह "अनिश्चितता" ही असली रहस्य है। क्योंकि मानचित्र जानता है कि वह कहाँ अनिश्चित है, रोबोट उस जानकारी का उपयोग बेहतर कार्य करने के लिए कर सकता है। यदि मानचित्र के एक कोने में धुंधलापन है, तो रोबोट जानता है कि उसे उस विशिष्ट स्थान को छूना चाहिए या उसे एक नए कोण से देखना चाहिए। इसे एक्टिव परसेप्शन (active perception) कहा जाता है: रोबोट केवल डेटा के लिए निष्क्रिय रूप से प्रतीक्षा नहीं कर रहा है; वह सक्रिय रूप से उस जानकारी की तलाश कर रहा है जिसकी उसे अपना मानचित्र पूर्ण बनाने के लिए आवश्यकता है।

यह कैसे काम करता है: "आह" को "अहा!" में बदलना

जादू इस बात में है कि सिस्टम रोबोट के स्पर्श को कैसे संभालता है। जब रोबोट का हाथ किसी वस्तु को छूता है, तो उसे केवल एक साधारण "संपर्क" संकेत नहीं मिलता। उसे बल (force) और टॉर्क (torque - घुमाव) का एक जटिल मिश्रण मिलता है। शोधकर्ताओं ने इसे डिकोड करने के लिए एक कॉन्टैक्ट लोकेशन एस्टीमेटर (contact location estimator) बनाया है।

कल्पना कीजिए कि रोबोट का हाथ एक लीवर है। यदि आप लीवर के अंत पर धक्का देते हैं, तो आधार घूमता है। रोबोट के सेंसर उस घुमाव को मापते हैं। कॉन्टैक्टफ्यूजन सिस्टम भौतिकी का उपयोग करके पीछे की ओर काम करता है: "यदि आधार इतना ज्यादा घूमा, तो स्पर्श वहाँ हुआ होगा।" यह बल और टॉर्क के आंकड़ों को इस बारे में "परिकल्पनाओं" (अनुमानों) की एक सूची में बदल देता है कि संपर्क वस्तु की सतह पर कहाँ हुआ था।

एक बार जब इसके पास ये अनुमान आ जाते हैं, तो यह उन्हें कैमरा डेटा के साथ मिला देता है। कैमरा कहता है, "वस्तु मोटे तौर पर यहाँ है," और स्पर्श सेंसर कहता है, "लेकिन मैंने निश्चित रूप से इसे ठीक यहाँ छुआ है।" SPSR एल्गोरिदम इन दोनों स्रोतों की जानकारी को मिलाता है, जिससे "संभावना के बादल" को अपडेट किया जाता है। हर बार जब रोबोट देखता या छूता है, तो मानचित्र अधिक स्पष्ट होता जाता है, और "अनिश्चितता का बादल" छोटा होता जाता है।

परिणाम: स्मार्ट मानचित्र, बेहतर रोबोट

शोधकर्ताओं ने अपने सिस्टम का परीक्षण दो तरह से किया: एक कंप्यूटर सिमुलेशन में और एक वास्तविक रोबोट आर्म (KUKA IIWA) पर, जो एक कैमरा और एक फोर्स सेंसर से लैस था। उन्होंने एक क्लासिक "पेग-इन-होल" चुनौती सेट की और कॉन्टैक्टफ्यूजन की तुलना अन्य लोकप्रिय मैपिंग विधियों से की, जैसे कि ऑक्यूपेंसी मैप्स (Occupancy Maps) (जो केवल "भरा हुआ" या "खाली" बताते हैं) और GPIS (एक अन्य प्रकार का 3D मैप)।

परिणाम स्पष्ट थे। सिमुलेशन में, कॉन्टैक्टफ्यूजन मानचित्र अन्य विधियों की तुलना में 30% अधिक सटीक थे। जब उन्होंने वास्तविक रोबोट पर इसका परीक्षण किया, तो सुधार और भी प्रभावशाली था, जो 35% तक पहुँच गया। कॉन्टैक्टफ्यूजन द्वारा बनाए गए मानचित्र न केवल अधिक सटीक थे, बल्कि "ज्यामितीय रूप से सुसंगत" (geometrically consistent) भी थे, जिसका अर्थ है कि आकार चिकने और तार्किक दिखे, न कि ऊबड़-खाबड़ और टूटे हुए।

सबसे दिलचस्प निष्कर्षों में से एक यह था कि सिस्टम ने अनिश्चितता को कैसे संभाला। क्योंकि मानचित्र जानता था कि वह कहाँ अनिश्चित है, रोबोट एक एक्टिव रिकंस्ट्रक्शन स्ट्रैटेजी (active reconstruction strategy) का उपयोग कर सकता था। केवल वस्तु को बेतरतीब ढंग से कुरेदने के बजाय, रोबोट मानचित्र को देखेगा, एक धुंधले स्थान को पहचानेगा, और निर्णय लेगा, "मुझे भ्रम को दूर करने के लिए उस स्थान को छूने की आवश्यकता है।" इसने रोबोट को निर्धारित चालों की सूची का पालन करने की तुलना में लक्ष्य आकार को बहुत तेज़ी से और कुशलता से पहचानने में सक्षम बनाया।

यह क्यों महत्वपूर्ण है

यह कार्य सुझाव देता है कि रोबोटिक्स के भविष्य का अर्थ केवल बेहतर कैमरे या मजबूत हाथ बनाना नहीं है। यह ऐसे रोबोट बनाने के बारे में है जो यह सोच सकें कि वे क्या नहीं जानते। एक ऐसा मानचित्र बनाकर जो स्पष्ट रूप से अनिश्चितता को मॉडल करता है, रोबोट अपने वातावरण का पता लगाने के बारे में स्मार्ट निर्णय ले सकते हैं।

शोधकर्ताओं ने उल्लेख किया कि इस विधि की एक लागत भी है: मानचित्र बनाने के लिए अधिक समय लगता है क्योंकि इसे प्रत्येक नए डेटा के लिए जटिल गणितीय समीकरणों को हल करना पड़ता है। हालांकि, उच्च सटीकता वाले कार्यों के लिए यह समझौता सार्थक लगता है। जैसा कि लेखकों ने सुझाव दिया है, भविष्य के कार्य इन गणनाओं को तेज़ करने पर केंद्रित हो सकते हैं, शायद समानांतर कंप्यूटिंग (parallel computing) का उपयोग करके, ताकि इन स्मार्ट, अनिश्चितता-जागरूक मानचित्रों को और भी जटिल असेंबली कार्यों के लिए रियल-टाइम बनाया जा सके।

अंत में, कॉन्टैक्टफ्यूजन दिखाता है कि जब रोबोट अपने "देखने" जितना अपने "महसूस करने" पर भरोसा करना सीखते हैं, और जब वे केवल "मैं क्या देख रहा हूँ?" के बजाय "मैं कहाँ अनुमान लगा रहा हूँ?" पूछना सीखते हैं, तो वे उस नाजुक, सटीक कार्य को करने में बहुत बेहतर हो जाते हैं जो मनुष्य हमेशा से सबसे अच्छा करते आए हैं।