कल्पना कीजिए कि आप एक रोबोट को डिशवॉशर खोलना सिखाने की कोशिश कर रहे हैं। आप केवल रोबोट को दरवाजा धकेलना ही नहीं सिखाना चाहते; आपको उसे यह भी बताना होगा कि दरवाजा कैसे चलता है, उसके हिंज (hinges) कहाँ छिपे हैं, और सबसे महत्वपूर्ण बात यह है कि उसे रैक बाहर निकालने से पहले दरवाजा खोलना ही होगा। यह "आर्टिकुलेशन मॉडलिंग" (articulation modeling) की दुनिया है, जो रोबोग्राफी की एक शाखा है जहाँ मशीनें यह समझने की कोशिश करती हैं कि वस्तुओं को कैसे बनाया गया है और उनके हिस्से एक-दूसरे के सापेक्ष कैसे चलते हैं। इसे ऐसे समझें जैसे कोई रोबोट किसी खिलौने या उपकरण की गुप्त शारीरिक संरचना (anatomy) को सीख रहा हो। हमारे घरों में वास्तव में सहायक होने के लिए, एक रोबोट केवल बंद फ्रिज की एक स्थिर तस्वीर देखकर काम नहीं चला सकता; उसे इसके भीतर के अदृश्य जोड़ों, ड्रॉअर के फिसलने की सीमा, और जटिल मशीनों को चलाने के लिए आवश्यक विशिष्ट चरणों के क्रम को समझना होगा। इस ज्ञान के बिना, एक रोबोट कैबिनेट का दरवाजा खोलने से पहले ही ड्रॉअर को बाहर खींचने की कोशिश कर सकता है, या इससे भी बुरा, वह किसी हिंज को उसकी टूटने की सीमा से आगे जबरदस्ती खोलने की कोशिश कर सकता है।

यह चुनौती PokeNet नामक एक नए फ्रेमवर्क द्वारा हल की गई है। जहाँ पिछले तरीके अक्सर हर कोण से सैकड़ों तस्वीरें लेने या वस्तु के प्रकार का पहले से अनुमान लगाने पर निर्भर करते थे, वहीं PokeNet एक अधिक मानवीय दृष्टिकोण अपनाता है। एक स्थिर छवि को देखने के बजाय, यह देखता है कि एक इंसान वास्तव में उस कार्य को कैसे करता है। एक वीडियो अनुक्रम (video sequence) के माध्यम से, जिसमें एक व्यक्ति किसी वस्तु के साथ कार्य कर रहा है, PokeNet वस्तु के गति के "कंकाल" (skeleton) को सीखता है। यह पता लगा लेता है कि अदृश्य हिंज कहाँ हैं, क्या वे घूमते हैं या फिसलते हैं, और वस्तु को संचालित करने के लिए आवश्यक कदमों का सटीक क्रम क्या है। शोधकर्ताओं ने पाया कि मानव प्रदर्शनों को देखकर, सिस्टम इन छिपे हुए यांत्रिकी (mechanics) को पुराने तरीकों की तुलना में बहुत अधिक सटीकता के साथ अनुमानित कर सकता है, यहाँ तक कि उन वस्तुओं के लिए भी जिन्हें उसने पहले कभी नहीं देखा।

देखने और सीखने का जादू

कल्पना कीजिए कि आपको एक रहस्यमय, लॉक किया हुआ बॉक्स दिया गया है। आप नहीं जानते कि इसके अंदर क्या है, इसमें कितने ताले हैं, या ताले घूमते हैं या फिसलते हैं। एक पारंपरिक रोबोट बॉक्स को हर कोण से स्कैन करने, 3D मैप बनाने के लिए हजारों तस्वीरें लेने और तंत्र का अनुमान लगाने की कोशिश कर सकता है। लेकिन क्या होगा यदि ताला किसी ऐसे ड्रॉवर के अंदर छिपा है जो वर्तमान में बंद है? रोबोट फंस जाएगा।

PokeNet एक जिज्ञासु प्रशिक्षु की तरह है जो केवल बॉक्स को देखता ही नहीं है; वह एक उस्ताद को उसे खोलते हुए देखता है। यह पेपर एक ऐसी प्रणाली पेश करता है जो एक मानव द्वारा वस्तु के हेरफेर (manipulation) को 3D "पॉइंट क्लाउड्स" (जो कि डिजिटल डॉट्स के बादल की तरह हैं जो वस्तु का आकार बनाते हैं) के अनुक्रम के माध्यम से देखकर सीखती है। जैसे-जैसे इंसान वस्तु को धकेलता है, खींचता है या घुमाता है, PokeNet डॉट्स की गति को देखता है। इसे पहले से जानने की आवश्यकता नहीं है कि वस्तु माइक्रोवेव है, डिशवॉशर है या स्टेपलर है। इसे यह भी जानने की आवश्यकता नहीं है कि वस्तु में कितने जोड़ (हिंज या स्लाइडर) हैं। यह बस डॉट्स के नृत्य को देखकर खेल के नियम सीख जाता है।

"छिपे हुए जोड़" की पहेली को सुलझाना

रोबोटिक्स में सबसे बड़ी समस्याओं में से एक ओक्लूजन (occlusion) है—जब वस्तु का कोई हिस्सा दृष्टि से ओझल हो जाता है। एक डिशवॉशर के बारे में सोचें: रैक एक ट्रैक पर बाहर निकलता है, लेकिन वह ट्रैक मशीन के अंदर पूरी तरह से छिपा होता है जब तक कि आप दरवाजा न खोल लें। पुराने तरीके यहाँ अक्सर विफल हो जाते हैं क्योंकि वे एक एकल स्नैपशॉट पर निर्भर होते; यदि वे जोड़ को देख नहीं पाते, तो वे उसका मॉडल नहीं बना सकते।

PokeNet इसे गति के अनुक्रम (sequence of movement) का उपयोग करके हल करता है। जिस तरह आप एक दरवाजे के झूलने को देखकर यह अनुमान लगा सकते हैं कि छिपा हुआ हिंज कहाँ है, उसी तरह PokeNet यह अनुमान लगाता है कि छिपे हुए जोड़ कहाँ हैं, यह देखकर कि समय के साथ वस्तु का आकार कैसे बदलता है। यह हेरफेर के क्रम (manipulation order) का भी पता लगा सकता है। डिशवॉशर जैसी बहु-भाग वाली वस्तु के लिए, आप दरवाजा खोलने से पहले रैक को बाहर नहीं खींच सकते। PokeNet स्वचालित रूप से यह क्रम सीखता है। यह न केवल यह अनुमान लगाता है कि जोड़ क्या हैं, बल्कि यह भी कि कौन सा जोड़ पहले हिलाया जाना चाहिए। यह एक बड़ी छलांग है, क्योंकि पिछले सिस्टम अक्सर संचालन के क्रम को अनदेखा कर देते थे या यह मान लेते थे कि रोबोट पहले से ही वस्तु की संरचना जानता है।

यह कैसे काम करता है: "स्लॉट" प्रणाली

हर वस्तु अलग होती है, इसे संभालने के लिए शोधकर्ताओं ने PokeNet को एक चतुर तकनीक दी है। जोड़ों की सटीक संख्या का अनुमान लगाने के बजाय, सिस्टम एक "सेट प्रेडिक्शन" (set prediction) विधि का उपयोग करता है। कल्पना कीजिए कि PokeNet के पास खाली "स्लॉट्स" या प्लेसहोल्डर का एक सेट है, जैसे भोजन की मेज पर खाली सीटें। इसे नहीं पता कि कितने मेहमान (जोड़) आएंगे, लेकिन इसके पास अधिकतम सीटों की व्यवस्था तैयार है।

जैसे ही यह मानव द्वारा वस्तु के हेरफेर को देखता है, सिस्टम इन स्लॉट्स को परिकल्पनाओं (hypotheses) से भर देता है। कुछ स्लॉट खाली हो सकते हैं (यदि वस्तु में केवल एक जोड़ है), जबकि अन्य एक हिंज या स्लाइडर के विवरण से भर जाते हैं। सिस्टम फिर अपने अनुमानों को गति की वास्तविकता के साथ संरेखित करने के लिए एक विशेष मिलान प्रक्रिया का उपयोग करता है। यह अनुमान लगाता है:

• कॉन्फिडेंस (Confidence): वह कितना आश्वस्त है कि उस स्लॉट में एक जोड़ मौजूद है।
• प्रकार (Type): क्या यह एक घूमने वाला जोड़ (revolute) है या एक फिसलने वाला (prismatic)?
• स्थान (Location): 3D स्पेस में गति का अक्ष (axis) कहाँ है?
• क्रम (Order): कौन सा जोड़ पहले हिलता है?

यह डिज़ाइन सिस्टम को लचीला बनाता है। इसे हर वस्तु के लिए पूर्व-प्रोग्राम किए गए मैनुअल की आवश्यकता नहीं है; इसे बस वस्तु को चलते हुए देखना है।

प्रमाण: सिमुलेशन और वास्तविक दुनिया के परीक्षण

शोधकर्ताओं ने केवल एक सिस्टम नहीं बनाया; उन्होंने इसका कड़ाई से परीक्षण किया। उन्होंने माइक्रोवेव, लैपटॉप, वॉशिंग मशीन और यहाँ तक कि कैंची जैसी वस्तुओं के 1,10,000 अनुक्रमों के साथ एक विशाल सिम्युलेटेड डेटासेट बनाया। उन्होंने माइक्रोवेव, डिशवॉशर, रेफ्रिजरेटर और ड्रॉअर से संबंधित 5,500 मानव-वस्तु इंटरैक्शन का एक वास्तविक दुनिया का डेटासेट भी एकत्र किया। वास्तविक दुनिया के परीक्षणों के लिए "ग्राउंड ट्रुथ" (सही उत्तर) प्राप्त करने के लिए, उन्होंने वस्तुओं पर विशेष मार्कर लगाए और कैमरों के साथ उन्हें ट्रैक किया, जिससे यह सुनिश्चित हुआ कि वे जानते हैं कि जोड़ वास्तव में कैसे चलते हैं।

परिणाम प्रभावशाली थे। सिम्युलेटेड डेटा पर परीक्षण करने पर, PokeNet ने मौजूदा सर्वोत्तम तरीकों की तुलना में जॉइंट एक्सिस और स्टेट एस्टीमेशन सटीकता में औसतन 25% का सुधार किया। वास्तविक दुनिया में, सुधार और भी महत्वपूर्ण था, जिसने सटीकता को 30% तक बढ़ा दिया।

सबसे रोमांचक बात यह है कि इसने "अज्ञात" को कितनी अच्छी तरह से संभाला। सिस्टम का परीक्षण उन वस्तुओं पर किया गया था जिन्हें उसने प्रशिक्षण के दौरान कभी नहीं देखा था, जैसे कि एक स्लाइडर चाकू और एक स्टेपलर। इन पूरी तरह से नई श्रेणियों के बावजूद, PokeNet ने पिछले तरीकों से 40% बेहतर प्रदर्शन किया। यह सिमुलेशन और वास्तविक दुनिया दोनों में अनदेखी श्रेणियों के लिए सफलतापूर्वक सामान्यीकरण (generalize) करने में सक्षम रहा, जो यह सिद्ध करता है कि यह केवल विशिष्ट वस्तुओं को याद करने के बजाय आर्टिकुलेशन की अवधारणा को सीखता है।

यह क्यों मायने रखता है

यह पेपर प्रदर्शित करता है कि केवल एक मानव को कार्य करते हुए देखकर, एक रोबोट बिना किसी पूर्व ज्ञान, कई कैमरा एंगल या पूर्ण दृश्यता के, एक वस्तु के जटिल काइनेमैटिक नियमों को सीख सकता है। शोधकर्ताओं ने दिखाया कि इस सीखे गए ज्ञान को एक मोशन प्लानर में फीड किया जा सकता है, जिससे एक रोबोट (जैसे कि उनके प्रयोगों में उपयोग किया गया सॉयर रोबोट) उन वस्तुओं का सफलतापूर्वक संचालन कर सकता है जिनका उसने पहले कभी सामना नहीं किया है।

हालाँकि यह सिस्टम शक्तिशाली है, लेखक इसकी वर्तमान सीमाओं के बारे में सावधान रहने की सलाह देते हैं। यह अभी तक यह सटीक रूप से नहीं बता पाता कि रोबोट को वस्तु को हिलाने के लिए कहाँ छूना चाहिए, और न ही यह कमरे में मौजूद बाधाओं को ध्यान में रखता है जो टक्कर का कारण बन सकती हैं। यह वस्तु के पूर्ण विजुअल ज्योमेट्री का भी पुनर्निर्माण नहीं करता है, जो एक परफेक्ट डिजिटल ट्विन बनाने के लिए आवश्यक हो सकता है। हालाँकि, यह हल करके कि "यह चीज़ कैसे चलती है और किस क्रम में चलती है," PokeNet, रोबोट्स को मानव उपकरणों और घरेलू उपकरणों की जटिल दुनिया के साथ वास्तव में बातचीत करने में सक्षम बनाने की दिशा में एक बड़ा कदम बढ़ाता है।

संक्षेप में, PokeNet रोबोट्स को बेहतर पर्यवेक्षक बनना सिखाता है। किसी मशीन के काम करने के तरीके का अनुमान लगाने के बजाय, यह एक इंसान को उसे दिखाते हुए देखता है, गति के छिपे हुए नियमों को सीखता है, और फिर उन नियमों को उल्लेखनीय सटीकता के साथ नई, अनदेखी वस्तुओं पर लागू करता है।