Towards Embodied Cognition in Robots via Spatially Grounded Synthetic Worlds
यह शोध पत्र NVIDIA Omniverse में जनरेट किए गए एक सार्वजनिक रूप से उपलब्ध सिंथेटिक डेटासेट को प्रस्तुत करता है जिसका उपयोग स्थानिक तर्क (spatial reasoning) और विजुअल पर्सपेक्टिव टेकिंग (Visual Perspective Taking) पर विजन-लैंग्वेज मॉडल्स को प्रशिक्षित करने के लिए किया जाता है, जो मानव-रोबोट इंटरेक्शन में एम्बोडीड कॉग्निशन (embodied cognition) की दिशा में एक आधारभूत कदम के रूप में कार्य करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, बिखरे हुए लिविंग रूम में अपने एक दोस्त के साथ लुका-छिपी का खेल खेल रहे हैं। आप सोफे के पीछे छिपे हुए हैं, और आपका दोस्त दरवाजे के पास खड़ा है। यदि आप चिल्लाते हैं, "मुझे अपने बाईं ओर लाल गेंद दिख रही है!", तो आपके दोस्त को कुछ आश्चर्यजनक रूप से कठिन काम करना होगा: वे केवल अपनी जगह से बाईं ओर नहीं देख सकते। उन्हें मानसिक रूप से आपके जूतों में कदम रखना होगा, आपके कोण से कमरे को देखने के लिए घूमना होगा, और फिर यह पता लगाना होगा कि वह लाल गेंद उनके सापेक्ष कहाँ है। इस मानसिक कसरत को "विजुअल पर्सपेक्टिव टेकिंग" (दृश्य परिप्रेक्ष्य लेना) कहा जाता है। यह एक ऐसी सुपरपावर है जो मनुष्यों को यह समझने में मदद करती है कि दूसरे क्या देखते हैं, सोचते हैं और महसूस करते हैं। रोबोट्स के लिए हमारे साथ वास्तव में समय बिताने, हमारे साथ खेलने या हमारे घरों में हमारी मदद करने के लिए, उन्हें भी इसी सुपरपावर की आवश्यकता है। अभी, रोबोट अक्सर उन लोगों की तरह होते हैं जो केवल अपनी आँखों से दुनिया को देख सकते हैं; वे यह समझने में संघर्ष करते हैं कि उनके लिए "बायां" आपके लिए "दायां" हो सकता है। यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में उतरता है ताकि यह देखा जा सके कि क्या हम रोबतों को यह मानसिक घूमने वाला कार्य सिखा सकते हैं, विशेष रूप से एक विशेष प्रकार के प्रशिक्षण डेटा का उपयोग करके जो एक वीडियो गेम सिम्युलेटर की तरह कार्य करता है।
इस शोध के पीछे के शोधकर्ता, जोएल करी और उनकी टीम, एक विशिष्ट समस्या का समाधान कर रहे हैं: रोबोट और उन्हें चलाने वाले AI मस्तिष्क वस्तुओं को पहचानने में तो बहुत अच्छे हैं, लेकिन वे 3D स्पेस में उन वस्तुओं के सटीक स्थान को समझने में बहुत खराब हैं, खासकर जब उन्हें अलग-अलग कोणों से देखा जाता है। जबकि कुछ पुराने रोबोट तरीके अंतरिक्ष को समझने के लिए कठोर गणितीय नियमों का उपयोग करते हैं, टीम का सुझाव है कि आधुनिक "विज़न-लैंग्वेज मॉडल्स" (AI जो चित्र देख सकता है और टेक्स्ट पढ़ सकता है) भविष्य हो सकते हैं, लेकिन केवल तभी जब हम उन्हें बेहतर तरीके से सिखा सकें। शोध पत्र का तर्क है कि ये स्मार्ट मॉडल वर्तमान में स्थानिक तर्क (spatial reasoning) में विफल हो रहे हैं क्योंकि वे "मूर्ख" नहीं हैं, बल्कि इसलिए क्योंकि उन्हें पर्याप्त डेटा पर प्रशिक्षित नहीं किया गया है जो किसी वस्तु के दिखने और उसके सटीक स्थान के बीच पूरी तरह से संबंध स्थापित करता हो।
इसे ठीक करने के लिए, टीम ने रोबोट्स के लिए एक बिल्कुल नया "ट्रेनिंग जिम" बनाया, लेकिन एक वास्तविक कमरे के बजाय, उन्होंने एक शक्तिशाली वीडियो गेम इंजन जिसे NVIDIA Omniverse कहा जाता है, के भीतर एक डिजिटल कमरा बनाया। इसे एक डिजिटल सैंडबॉक्स की तरह समझें जहाँ वे एक एकल, थोड़ा सा दबे हुए घन (cube) को डाल सकते हैं, एक रैंडम ऊंचाई वाली कैमरा से उसकी तस्वीर ले सकते हैं, और उसका वर्णन करने वाला एक वाक्य लिख सकते हैं। जादू वाला हिस्सा यह है कि चूंकि उन्होंने इस दुनिया को कंप्यूटर में बनाया है, वे जानते हैं कि वह घन कहाँ स्थित है, मिलीमीटर तक सटीक गणित के साथ। उन्होंने इन दृश्यों से भरा एक डेटासेट तैयार किया, जिसमें एक छवि, एक भाषा प्रॉम्प्ट, और एक सटीक "4×4 ट्रांसफॉर्मेशन मैट्रिक्स" (एक फैंसी गणितीय ग्रिड जो आपको बताता है कि वस्तु कहाँ स्थित है) को जोड़ा गया है।
इस पहले प्रयोग में, टीम ने AI से एक ही बार में पूरे 3D स्पेस की पहेली को हल करने के लिए नहीं कहा। इसके बजाय, उन्होंने एक सरल, मौलिक कौशल पर ध्यान केंद्रित किया: यह अनुमान लगाना कि वस्तु Z-अक्ष (कैमरे के सापेक्ष गहराई की रेखा) के साथ कितनी दूर है, जबकि बाकी सब कुछ स्थिर है। वे देखना चाहते हैं कि क्या AI उस तस्वीर और विवरण को देखकर सही ढंग से उस दूरी का अनुमान लगा सकता है। यदि AI इस एकदम सटीक, सिंथेटिक दुनिया में यह सीख सकता है, तो उम्मीद है कि यह अंततः एक वास्तविक कमरे की पूरी, जटिल जटिलता को संभालने के लिए सीख जाएगा। वे इसे एक "प्रूफ-ऑफ-कॉन्सेप्ट" के रूप में प्रस्तुत करते हैं, जिसका अर्थ है कि यह यह देखने के लिए एक प्रारंभिक चरण का परीक्षण है कि क्या विचार काम करता है। वे यह दावा नहीं कर रहे हैं कि उन्होंने आज ही रोबोट इंटेलिजेंस को हल कर लिया है; बल्कि, वे इसकी नींव की पहली ईंट रख रहे हैं। उन्होंने इस डेटासेट को सार्वजनिक कर दिया है ताकि अन्य वैज्ञानिक अपने स्वयं के रोबोट्स को प्रशिक्षित करने के लिए इसका उपयोग कर सकें, जिसका लक्ष्य एक ऐसा भविष्य है जहाँ रोबोट वास्तव में "दूसरे क्या देखते हैं" इसे समझ सकें और उसी स्थानिक जागरूकता के साथ हमारी दुनिया में नेविगेट कर सकें जिसे हम स्वाभाविक रूप से लेते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।