Learning a Unified Latent Space for Cross-Embodiment Robot Control
यह शोध पत्र एक स्केलेबल, दो-चरणीय ढांचे को प्रस्तुत करता है जो केवल मानव डेटा का उपयोग करके विविध ह्यूमनाइड रोबोटों में सुदृढ़, ज़ीरो-शॉट क्रॉस-एम्बॉडमेंट कंट्रोल सक्षम करने के लिए कंट्रास्टिव लर्निंग और गोल-कंडीशन्ड पॉलिसियों के माध्यम से एक एकीकृत लेटेंट स्पेस सीखता 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 आपके पास मानवों द्वारा रिकॉर्ड किए गए डांस मूव्स का एक विशाल पुस्तकालय है। अब, कल्पना कीजिए कि आप एक रोबोट को डांस करना सिखाना चाहते हैं। समस्या यह है कि रोबोट हर आकार और प्रकार के होते हैं: कुछ के दो हाथ और कोई पैर नहीं होते, कुछ के चार पैर और एक छोटा धड़ होता है, और कुछ लगभग इंसानों जैसे दिखते हैं।
पारंपरिक रूप से, यदि आप किसी रोबोट को डांस सिखाना चाहते थे, तो आपको उसे शून्य से सिखाना पड़ता था, जैसे कि हर रोबोट मॉडल के लिए एक नया डांस इंस्ट्रक्टर नियुक्त करना। यह पेपर एक बहुत ही स्मार्ट तरीका प्रस्तावित करता है: एक सार्वभौमिक "डांस भाषा" जिसे हर रोबोट समझ सके, चाहे वह कैसा भी दिखता हो।
लेखकों ने इसे कैसे किया, यहाँ सरल चरणों में दिया गया है:
1. "यूनिवर्सल ट्रांसलेटर" (साझा लेटेंट स्पेस)
सोचिए कि रोबोट के शरीर के अंगों (हाथ, पैर, धड़) को अलग-अलग भाषाएँ माना जाए। एक मानव हाथ, रोबोट के हाथ से अलग तरह से चलता है।
- पुराना तरीका: आप "मानव हाथ" को सीधे "रोबोट हाथ" में अनुवाद करने की कोशिश करते थे, लेकिन यह अव्यवस्थित था क्योंकि हर रोबोट अलग था।
- नया तरीका: लेखकों ने एक यूनिवर्सल ट्रांसलेटर (जिसे "यूनिफाइड लेटेंट स्पेस" कहा जाता है) बनाया। सीधे मानव से रोबोट में अनुवाद करने के बजाय, वे सब कुछ पहले इस तटस्थ "डांस भाषा" में अनुवाद करते हैं।
- सीक्रेट सॉस: उन्होंने पूरे शरीर को एक साथ अनुवाद नहीं किया। उन्होंने शरीर को पांच अलग-अलग "चैनलों" में विभाजित किया: बायां हाथ, दायां हाथ, धड़, बायां पैर और दायां पैर।
- उपमा: एक सिम्फनी ऑर्केस्ट्रा की कल्पना करें। बजाय इसके कि आप वायलिन को ड्रम जैसा बिल्कुल वैसा ही बनाने की कोशिश करें, आपके पास एक कंडक्टर होता है जो संगीत (मूवमेंट) को समझता है और वायलिन को अपना हिस्सा बजाने और ड्रम को अपना हिस्सा बजाने के लिए कहता है, भले ही वे अलग-अलग वाद्य यंत्र हों। यह एक ऐसे रोबोट के लिए भी संभव बनाता है जिसमें केवल हाथ हैं (जैसे कि टेबल-टॉप रोबोट), क्योंकि वह "हाथ के संगीत" को पूरी तरह से समझ सकता है, भले ही उसके पास नाचने के लिए पैर न हों।
2. भाषा सीखना (कॉन्ट्रास्टिव लर्निंग)
वे इस सार्वभौमिक भाषा को कैसे सिखाते हैं?
- उन्होंने कॉन्ट्रास्टिव लर्निंग नामक विधि का उपयोग किया। कल्पना कीजिए कि आप एक बच्चे को "ताली बजाना" पहचानना सिखा रहे हैं। आप उसे एक इंसान को ताली बजाते हुए, एक रोबोट को ताली बजाते हुए और एक कार्टून चरित्र को ताली बजाते हुए दिखाते हैं। आप बच्चे को बताते हैं, "ये तीनों एक ही विचार हैं, भले ही ये अलग दिखते हों।"
- कंप्यूटर यह काम उनके "मन" (लेटेंट स्पेस) में समान गतिविधियों को एक साथ समूहित करके करता है। यदि एक इंसान अपना दाहिना हाथ उठाता है और एक रोबट अपना दाहिना हाथ उठाता है, तो कंप्यूटर उन दोनों क्रियाओं को अपनी मेमोरी में एक ही "पड़ोस" में रखने के बारे में सीखता है, चाहे उनके जोड़ वास्तव में कैसे भी हिल रहे हों।
3. "लक्ष्य-निर्धारण" (कंट्रोल पॉलिसी)
एक बार जब रोबोट इस सार्वभौमिक भाषा को बोल लेते हैं, तो आप उन्हें कैसे बताते हैं कि क्या करना है?
- लेखकों ने एक गोल-कंडीशन्ड पॉलिसी को प्रशिक्षित किया है। इसे रोबोट के मूवमेंट के लिए एक GPS समझें।
- रोबोट को "जॉइंट 1 को 5 डिग्री घुमाएं, फिर जॉइंट 2 को 3 डिग्री घुमाएं" जैसे जटिल निर्देश देने के बजाय, आप उसे बस एक गंतव्य देते हैं: "अपना हाथ उस स्थान पर ले जाओ।"
- रोबोट इस लक्ष्य को सार्वभौमिक भाषा में अनुवाद करता है, वहां तक पहुँचने के लिए चरणों को समझता है, और उस क्रिया को निष्पादित करता है।
- जादुई ट्रिक: उन्होंने इस GPS को केवल मानव डेटा का उपयोग करके प्रशिक्षित किया। उन्होंने प्रशिक्षण चरण के दौरान रोबोट को कभी नहीं दिखाया कि कैसे हिलना है। क्योंकि रोबोट ने सार्वभौमिक भाषा सीख ली थी, वह इस "मानव GPS" को तुरंत अपने ऊपर लागू कर सकता है।
4. नए रोबोट जोड़ना ("प्लग-एंड-प्ले" फीचर)
यह शायद सबसे रोमांचक हिस्सा है। क्या होगा यदि आप कल एक नया रोबोट खरीदते हैं?
- पुराने दिनों में, आपको पूरे सिस्टम को फिर से प्रशिक्षित करना पड़ता।
- इस सिस्टम में, आप बस एक छोटा, हल्का एडॉप्टर (एम्बेडिंग लेयर) प्लग इन करते हैं।
- उपमा: यह नए जूते खरीदने जैसा है। आपको अपने पैर को फिर से बनाने की आवश्यकता नहीं है; आपको बस अपने पैर के आकार के अनुसार एक इनसोल (insole) की आवश्यकता है। एक बार जब आप वह इनसोल डाल देते हैं, तो आपका पैर (रोबोट) तुरंत उसी पथ (सार्वभौमिक भाषा) पर चल सकता है जिस पर बाकी सब चलते हैं। लेखकों ने दिखाया कि वे पूरे मस्तिष्क को पुन: प्रशिक्षित किए बिना केवल 15 मिनट में नए रोबोट जोड़ सकते हैं।
5. वास्तविक दुनिया के परिणाम
टीम ने कई अलग-अलग रोबोटों पर इसका परीक्षण किया, एक छोटे ह्यूमनॉइड (NAO) से लेकर एक बड़े (H1) और यहाँ तक कि केवल हाथों वाले रोबोट (TIAGo) तक।
- सटीकता: रोबोट विशिष्ट लक्ष्यों तक सब-सेन्टीमीटर सटीकता (एक नाखून की चौड़ाई से भी कम) के साथ पहुँच सकते हैं।
- बहुमुखी प्रतिभा: वे एक मानव के डांस मूव को ले सकते हैं, उसे रोबोट में अनुवाद कर सकते हैं, और फिर उस रोबोट के मूव को दूसरे रोबोट में अनुवाद कर सकते हैं।
- वास्तविक जीवन: उन्होंने लैब में वास्तविक रोबोटों पर भी इसका परीक्षण किया, सफलतापूर्वक एक रोबोट को वस्तु उठाने और उसे कचरे के डिब्बे में फेंकने, और एक हाथ से दूसरे हाथ में वस्तु पास करने के लिए नियंत्रित किया, जो इस सार्वभौमिक प्रणाली द्वारा नियंत्रित था।
सारांश
यह पेपर एक ऐसा सिस्टम प्रस्तुत करता है जहाँ रोबोटों को व्यक्तिगत रूप से यह सीखने की आवश्यकता नहीं होती कि कैसे हिलना है। इसके बजाय, वे सभी मूवमेंट की एक साझा, मॉड्यूलर भाषा सीखते हैं। यह एक एकल "मस्तिष्क" को कई अलग-अलग प्रकार के रोबोटों को नियंत्रित करने में सक्षम बनाता है, और यह नए रोबोटों को जोड़ना उतना ही आसान बना देता है जितना कि एक नया एडॉप्टर प्लग इन करना। परिणाम एक लचीला, स्केलेबल तरीका है जिससे विविध रोबोट बिना किसी विशेष प्रशिक्षण के घंटों के, इंसानों की तरह मूव कर सकते 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।