Structured Observation Language for Efficient and Generalizable Vision-Language Navigation

कल्पना कीजिए कि आप एक रोबोट को टूर गाइड बनना सिखा रहे हैं। आप चाहते हैं कि वह आपके वॉयस कमांड्स को सुने, कमरे में इधर-उधर देखे और आपको बिना किसी कुर्सी से टकराए या रास्ता भटके रसोई तक ले जाए। यह विज़न-लैंग्वेज नेविगेशन (VLN) की दुनिया है। यह रोबोटिक्स की एक ऐसी शाखा है जहाँ एक कृत्रिम एजेंट (artificial agent) को दुनिया में चलने-फिरने के लिए जो वह देखता है (दृष्टि/vision) और जो वह सुनता है (भाषा/language) उसे आपस में जोड़ना होता है। इसे एक 3D भूलभुलैया में खेले जाने वाले "साइमन सेज़" (Simon Says) के खेल की तरह समझें, लेकिन यहाँ रोबलेट को अपना रास्ता खुद ढूंढना होगा।

लंबे समय तक, वैज्ञानिकों ने इन रोबोट्स को लाखों कच्ची तस्वीरों (raw photos) के माध्यम से सिखाने की कोशिश की और उन्हें निर्देश दिए, इस उम्मीद में कि रोबोट केवल पिक्सेल को घूरकर "दरवाजा" या "कुर्सी" जैसे पैटर्न पहचानना सीख जाएगा। लेकिन यह एक इंसान को एक पन्ने की धुंधली, हाई-रेज़ोल्यूशन फोटो दिखाकर अक्षर पहचानने को कहने जैसा है। यह धीमा है, महंगा है, और यदि रोशनी बदल जाए या फर्नीचर हिल जाए तो रोबोट अक्सर भ्रमित हो जाता है। शोधकर्ता एक बड़ा सवाल पूछ रहे हैं: क्या हम रोबोट्स को दुनिया का एक सरल, स्पष्ट विवरण देकर नेविगेट करना सिखा सकते हैं, बजाय इसके कि उन्हें लाखों कच्चे पिक्सेल को घूरने के लिए मजबूर किया जाए?

यही वह चीज़ है जिसे SOL-Nav पेपर संबोधित करता है। लेखक रोबोट से बात करने का एक चतुर नया तरीका प्रस्तावित करते हैं। रोबोट को एक विशाल, अव्यवस्थित छवि देने के बजाय, वे जो रोबोट देखता है उसे शब्दों की एक व्यवस्थित सूची में अनुवादित कर देते हैं—जैसे कि कमरे का वर्णन करने वाला एक टेक्स्ट मैसेज। वे इसे "स्ट्रक्चर्ड ऑब्जर्वेशन लैंग्वेज" (Structured Observation Language) कहते हैं।

यहाँ उनका जादू कैसे काम करता है: कल्पना कीजिए कि रोबोट का दृश्य दुनिया की एक फोटो है। पूरी फोटो को रोबोट के दिमाग में भेजने के बजाय, SOL-Nav उस फोटो को छोटे वर्गों के ग्रिड (जैसे शतरंज के बोर्ड) में काट देता है। प्रत्येक वर्ग के लिए, सिस्टम तीन सरल प्रश्न पूछता है: "यह कितनी दूर है?" (डेप्थ), "यह क्या है?" (क्या यह दीवार है, फर्श है, या मेज है?), और "इसका रंग क्या है?" (क्या यह नीला, ग्रे, या पीला है?)।

सिस्टम फिर प्रत्येक वर्ग के लिए इन उत्तरों को एक छोटे वाक्य में बदल देता है, जैसे: "वर्ग [1,1]: 2 मीटर दूर, फर्श, हल्का ग्रे।" यह पूरे ग्रिड के लिए ऐसा ही करता है और इन वाक्यों को एक लंबे टेक्स्ट ब्लॉक में चिपका देता है। यह टेक्स्ट ब्लॉक फिर एक शक्तिशाली लैंग्वेज मॉडल (रोबोट का "दिमाग") को सौंपा जाता है, जो दुनिया के विवरण को ठीक वैसे ही पढ़ता है जैसे कोई इंसान नक्शा या निर्देशों को पढ़ता है। लैंग्वेज मॉडल फिर अगला कदम तय करता है: "बाएं मुड़ें," "आगे बढ़ें," या "रुकें।"

पेपर बताता है कि यह दृष्टिकोण आश्चर्यजनक रूप से प्रभावी है। दृष्टि को टेक्स्ट में बदलकर, रोबोट को पिक्सेल पहचानने के लिए शुरुआत से प्रशिक्षित करने की आवश्यकता नहीं होती है। यह एक पूर्व-प्रशिक्षित (pre-trained) लैंग्वेज मॉडल के मौजूदा "कॉमन सेंस" का उपयोग कर सकता है। परिणाम दिखाते हैं कि यह तरीका उन बहुत बड़े और जटिल सिस्टम के समान या कभी-कभी उनसे भी बेहतर काम करता है जो सीधे कच्ची छवियों को प्रोसेस करने की कोशिश करते हैं। मानक नेविगेशन बेंचमार्क पर परीक्षणों में, SOL-Nav रोबोट ने उच्च सफलता दर हासिल की (एक टेस्ट में 53% से अधिक और दूसरे में 48% बार लक्ष्य तक पहुँचने में सफल रहा), जबकि इसने अपने प्रतिस्पर्धियों की तुलना में बहुत छोटा मॉडल इस्तेमाल किया—केवल 0.6 बिलियन पैरामीटर्स बनाम अन्य शीर्ष तरीकों द्वारा उपयोग किए जाने वाले 7 बिलियन या उससे अधिक।

शायद सबसे रोमांचक हिस्सा यह है कि यह विधि नए, अनदेखे वातावरण को संभालने में बहुत अच्छी है। क्योंकि रोबोट "2 मीटर दूर एक ग्रे फर्श" का विवरण पढ़ रहा है, बजाय इसके कि वह किसी विशिष्ट फोटो में ग्रे के एक विशिष्ट शेड को याद रखे, इसलिए वह तब भ्रमित नहीं होता जब रोशनी बदल जाती है या कमरा अलग दिखता है। लेखकों ने वास्तव में एक वास्तविक रोबट पर, वास्तविक कमरों (जैसे चाय क्षेत्र और मीटिंग रूम) में इसका परीक्षण किया, और यह सुचारू रूप से काम करता है, एक सेकंड से भी कम समय में निर्णय लेता है।

हालाँकि, पेपर एक छोटा सा समझौता (trade-off) भी स्वीकार करता है। दुनिया को शब्दों की सूची में बदलकर, रोबोट कुछ सूक्ष्म, बारीक विवरण खो देता है, जैसे कि कालीन की सटीक बनावट या किसी अजीब तरह से मुड़े हुए फूलदान का विशिष्ट आकार। लेखक सुझाव देते हैं कि जबकि यह विधि सामान्य नेविगेशन के लिए बेहतरीन है, इसे बहुत जटिल दृश्यों के लिए थोड़े अतिरिक्त सहयोग की आवश्यकता हो सकती है जहाँ वे सूक्ष्म विवरण मायने रखते हैं। लेकिन कुल मिलाकर, SOL-Nav दिखाता है कि कभी-कभी, रोबोट को दुनिया देखने में मदद करने का सबसे अच्छा तरीका उसे तस्वीरें दिखाना नहीं, बल्कि उसे एक अच्छा, स्पष्ट विवरण देना है।