EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data
EgoScale एक ऐसा फ्रेमवर्क है जो एक विजन लैंग्वेज एक्शन मॉडल को प्रशिक्षित करने के लिए 20,854 घंटों से अधिक के बड़े पैमाने के एर्गोसेंट्रिक (egocentric) मानव वीडियो का लाभ उठाता है, जो डेटा की मात्रा और प्रदर्शन के बीच एक लॉग-लीनियर स्केलिंग लॉ (log-linear scaling law) स्थापित करता है और एक दो-चरणीय स्थानांतरण रणनीति (two-stage transfer strategy) को सक्षम करता है जो विविध रोबोटिक स्वरूपों (embodiments) पर कुशल हेरफेर (dexterous manipulation) की सफलता दर और वन-शॉट अनुकूलन (one-shot adaptation) को महत्वपूर्ण रूप से बढ़ाता 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
मुख्य विचार: इंसानों को देखकर रोबोट्स को सिखाना
कल्पना कीजिए कि आप एक रोबोट को यह सिखाना चाहते हैं कि शर्ट कैसे मोड़ी जाती है, अंगूर उठाने के लिए चिमटी (tweezers) का उपयोग कैसे किया जाता है, या बोतल का ढक्कन कैसे खोला जाता है। पारंपरिक रूप से, आपको वहां बैठकर रोबोट के हाथ को हजारों बार मैन्युअल रूप से गाइड करना होगा। यह धीमा, महंगा और उबाऊ है।
EgoScale एक अलग सवाल पूछता है: क्या होगा अगर हम बस रोबोट को ये चीजें करते हुए इंसानों को देखने दें?
शोधकर्ताओं ने महसूस किया कि इंसान परम "डेटा जनरेटर" हैं। हम दिन भर जटिल, कुशल कार्य करते हैं (जैसे खाना बनाना, चीजों को ठीक करना, या खिलौनों के साथ खेलना)। लेकिन अब तक, हमें यह नहीं पता था कि मानव वीडियो डेटा की उस विशाल मात्रा को एक ऐसे रोबोटिक दिमाग में कैसे बदलें जो वास्तव में वे काम कर सके।
रेसिपी: दो-चरणीय कुकिंग विधि
टीम ने EgoScale नामक एक फ्रेमवर्क बनाया (Egocentric = इंसान के दृष्टिकोण से)। इसे दो अलग-अलग चरणों में एक शेफ को प्रशिक्षित करने जैसा समझें:
चरण 1: "विशाल लाइब्रेरी" चरण (Pre-training)
एक रोबोट छात्र की कल्पना करें जो 20,854 घंटों के वीडियो वाली लाइब्रेरी में बैठा है। यह 24/7 से दो साल से अधिक समय तक लगातार देखने जैसा है!
- वे क्या देखते हैं: लोगों के वीडियो जो रसोई में खाना बनाने से लेकर कार ठीक करने तक सब कुछ कर रहे हैं, जिसे व्यक्ति की अपनी आंखों के दृष्टिकोण (first-person view) से फिल्माया गया है।
- जादू: रोबोट केवल देखता नहीं है; वह यह अनुमान लगाने की कोशिश करता है कि इंसान के हाथ और कलाई आगे क्या करेंगे।
- खोज: शोधकर्ताओं को एक "स्केलिंग लॉ" (Scaling Law) मिला। यह एक वीडियो गेम की तरह है जहाँ आप जितना अधिक खेलते हैं (जितना अधिक डेटा आप रोबोट को खिलाते हैं), आप उतने ही बेहतर होते जाते हैं। उन्होंने पाया कि जैसे-जैसे उन्होंने मानव घंटों को बढ़ाया, रोबोट की "गलती दर" (mistake rate) एक बिल्कुल अनुमानित, सीधी रेखा के पैटर्न में कम होती गई।
- परिणाम: रोबोट एक "मोटर इंट्यूशन" (motor intuition) सीख जाता है। वह हाथों के हिलने, उंगलियों के पकड़ने और वस्तुओं को संचालित करने के अवधारणा (concept) को समझ जाता है, भले ही उसने अभी तक वास्तविक रोबोटिक हाथ को छुआ भी न हो।
चरण 2: "अनुवादक" चरण (Mid-training)
अब, रोबोट जानता है कि हाथ कैसे हिलते हैं, लेकिन वह यह नहीं जानता कि उसका विशिष्ट शरीर कैसे हिलता है। एक मानव हाथ में 22 जोड़ (joints) होते हैं; एक रोबोटिक हाथ में 7 या 22 हो सकते हैं। वे एक ही गाने को बजाने वाले अलग-अलग वाद्य यंत्र हैं।
- समाधान: टीम रोबोट को बहुत कम डेटा (कुल लगभग 54 घंटे) दिखाती है जहाँ एक इंसान और एक रोबोट एक ही समय में ठीक वही काम कर रहे होते हैं।
- उपमा: इसे एक अनुवादक (translator) के रूप में सोचें। रोबोट कहता है, "ठीक है, मैं जानता हूँ कि इंसान जार खोलने के लिए अपनी कलाई को इस तरह घुमाते हैं। अब, मुझे दिखाओ कि मेरे विशिष्ट रोबोटिक हाथ को वही करने के लिए कैसे घूमना चाहिए।"
- दक्षता: क्योंकि रोबोट ने चरण 1 में "गति की भाषा" पहले ही सीख ली थी, इसलिए उसे अपने शरीर पर उस ज्ञान को अनुवादित करने के लिए चरण 2 के बहुत कम डेटा की आवश्यकता होती है।
यह गेम-चेंजर क्यों है
1. "वन-शॉट" सुपरपावर
आमतौर पर, यदि आप चाहते हैं कि रोबोट कोई नया करतब सीखे (जैसे किसी विशेष प्रकार की शर्ट मोड़ना), तो आपको सैकड़ों उदाहरणों की आवश्यकता होती है। EgoScale के साथ, क्योंकि रोबोट पहले से ही "हाथों के भौतिकी" (physics of hands) को समझता है, वह केवल एक प्रदर्शन देखकर एक नया कार्य सीख सकता है।
- उपमा: यह एक मास्टर पियानिस्ट की तरह है जिसने वर्षों तक स्केल्स का अभ्यास किया है। यदि आप उन्हें एक बार नया गाना दिखाते हैं, तो वे उसे तुरंत बजा सकते हैं क्योंकि वे पहले से ही संगीत सिद्धांत को समझते हैं। एक नौसिखिया को उस गाने का 100 बार अभ्यास करने की आवश्यकता होती है।
2. यह विभिन्न रोबोटों पर काम करता है
रोबोट को एक विशिष्ट हाई-टेक हाथ (22 degrees of freedom) का उपयोग करके मानव डेटा पर प्रशिक्षित किया गया था। लेकिन जब उन्होंने इसे पूरी तरह से अलग रोबोट (एक Unitree G1 जिसमें सरल 7-फिंगर हाथ है) पर टेस्ट किया, तो भी यह बहुत अच्छा काम कर रहा था!
- उपमा: यह मैनुअल ट्रांसमिशन कार (स्टिक शिफ्ट) चलाने सीखने जैसा है। एक बार जब आप क्लच और गियर बदलने की अवधारणा में महारत हासिल कर लेते हैं, तो आप एक अलग इंजन वाली पूरी तरह से अलग कार में कूद सकते हैं और ठीक से चला सकते हैं। मूल कौशल स्थानांतरित हो जाता है।
3. "नॉइजी" (Noisy) डेटा की समस्या
मानव वीडियो एकदम परफेक्ट नहीं थे। कुछ हिलते हुए (shaky) थे, कुछ धुंधले थे, और हैंड-ट्रैकिंग सॉफ्टवेयर ने गलतियाँ की थीं।
- सबक: शोधकर्ताओं ने सिद्ध किया कि यहाँ मात्रा (quantity), गुणवत्ता (quality) से बेहतर है। भले ही डेटा "नॉइजी" हो, यदि आपके पास पर्याप्त मात्रा में (20,000+ घंटे) डेटा है, तो रोबोट सही पैटर्न सीख जाता है। यह रेडियो पर स्टेटिक (शोर) के बीच भाषा सीखने जैसा है; यदि आप पर्याप्त समय तक सुनते हैं, तो अंततः आप शोर को अनसुना कर देते हैं और शब्दों को समझ जाते हैं।
निष्कर्ष
EgoScale यह सिद्ध करता है कि रोबोट को कुशल बनाने का सबसे अच्छा तरीका उन्हें लैब में लाखों बार अभ्यास करने के लिए मजबूर करना नहीं है। इसके बजाय, हमें उन्हें इंसानों के रूप में अंतिम प्रशिक्षण डेटा स्रोत के रूप में उपयोग करना चाहिए।
हमारे दैनिक कार्यों के लाखों घंटों को देखकर, रोबोट दुनिया के लिए एक "मसल मेमोरी" (muscle memory) बना सकते हैं। फिर, थोड़े से विशिष्ट ट्यूनिंग के साथ, वे उस ज्ञान को अपने शरीर पर लागू कर सकते हैं, और उन जटिल कौशलों को मिनटों में सीख सकते हैं जिन्हें सीखने में महीनों लगते थे।
संक्षेप में: हम रोबोट को प्रोग्राम करके नहीं, बल्कि उन्हें हमारा जीवन जीते हुए देखकर कुशल बना रहे 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।