CLAW: Composable Language-Annotated Whole-body Motion Generation
CLAW एक ओपन-सोर्स, इंटरैक्टिव वेब-आधारित पाइपलाइन है जो किनेमैटिक प्लानर ब्लॉक्स को कंपोज़ करके, उन्हें MuJoCo में सिम्युलेट करके और विविध प्राकृतिक-भाषा विवरणों को स्वचालित रूप से जनरेट करके, Unitree G1 ह्यूमनॉइड रोबोट के लिए स्केलेबल, भौतिक रूप से व्यवहार्य, भाषा-एनोटेटेड होल-बॉडी मोशन डेटा जनरेट करती 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 रोबोट कुत्ते को डांस करना सिखाना चाहते हैं, लेकिन किसी मानव डांसर को फिल्माने के लिए कोरियोग्राफर को काम पर रखने और फिर उन मूव्स को दर्दनाक तरीके से रोबोट पर कॉपी करने के बजाय, आप बस रोबोट को लेगो (Lego) ब्लॉक्स का एक सेट दे देते हैं।
यही मूल रूप से CLAW करता है, लेकिन यह Unitree G1 नामक एक ह्यूमनॉइड रोबोट के लिए है।
यहाँ इसका सरल विवरण दिया गया है कि यह कैसे काम करता है, कुछ रोजमर्रा के उदाहरणों का उपयोग करते हुए:
1. समस्या: "ह्यूमन वीडियो" की बाधा (The "Human Video" Bottleneck)
आमतौर पर, रोबोट को चलना सिखाने के लिए वैज्ञानिकों को:
- कलाकारों और महंगे कैमरों (मोशन कैप्चर) को काम पर रखना पड़ता है।
- उन्हें कुछ शानदार चीजें करते हुए फिल्माना पड़ता है।
- मैन्युअल रूप से विवरण टाइप करने होते हैं जैसे "रोबोट आगे चलता है, फिर पंच मारता है।"
- उन मानवीय मूव्स को रोबोट के शरीर पर जबरदस्ती थोपने की कोशिश करनी पड़ती है (जो अक्सर ग्लिच वाला दिखता है, जैसे कोई इंसान स्टिल्ट्स पर चलने की कोशिश कर रहा हो)।
यह धीमा, महंगा और स्केल करने में कठिन है।
2. समाधान: CLAW (द "लेगो बिल्डर")
CLAW एक नया टूल है जो आपको रोबोट के मूव्स को ऐसे बनाने देता है जैसे आप लेगो ब्रिक्स के साथ एक कहानी बना रहे हों।
- ब्रिक्स (मोशन प्रिमिटिव्स - Motion Primitives): पूरे डांस को फिल्माने के बजाय, इस सिस्टम में 25 पहले से बने हुए "ब्रिक्स" हैं। ये सरल मूव्स हैं जैसे "चलना" (Walk), "दौड़ना" (Run), "रेंगना" (Crawl), "बॉक्सिंग करना" (Box), या "ज़ोंबी डांस करना" (Do the Zombie Dance)।
- बिल्डर (इंटरफेस - The Interface): आपको कोडर होने की जरूरत नहीं है। आप एक कीबोर्ड मोड (एक वीडियो गेम की तरह जहाँ आप चलने के लिए 'W' और मुड़ने के लिए 'A' दबाते हैं) का उपयोग कर सकते हैं या एक टाइमलाइन एडिटर (अपने फोन पर वीडियो एडिट करने की तरह, जहाँ आप क्लिप्स को टाइमलाइन पर ड्रैग करते हैं) का उपयोग कर सकते हैं।
- फिजिक्स इंजन (रियलिटी चेक - The Physics Engine): जब आप इन ब्रिक्स को आपस में जोड़ते हैं, तो सिस्टम केवल यह दिखावा नहीं करता कि रोबोट हिल रहा है। यह एक फिजिक्स सिमुलेशन (एक बहुत ही उन्नत वीडियो गेम इंजन की तरह) चलाता है। यह चेक करता है: "यदि रोबोट धीमी चाल से पंच मारने की कोशिश करता है, तो क्या वह गिर जाएगा?" यदि हाँ, तो यह इसे स्मूथ कर देता है ताकि रोबोट संतुलित रहे।
3. जादुई फीचर: "ऑटो-राइटर" (The "Auto-Writer")
यह सबसे शानदार हिस्सा है। आमतौर पर, यदि आप कोई वीडियो बनाते हैं, तो आपको सबटाइटल्स खुद लिखने होते हैं।
CLAW में एक इन-बिल्ट ऑटो-राइटर है।
- जैसे ही आप एक सीक्वेंस बनाते हैं (जैसे, "3 सेकंड तक आगे चलें, फिर पंच मारें"), सिस्टम तुरंत इसके लिए कई अलग-अलग विवरण लिख देता है।
- यह इसे एक रोबोट मैनुअल की तरह लिख सकता है: "3s आगे बढ़ें।"
- यह इसे एक न्यूज़ रिपोर्टर की तरह लिख सकता है: "रोबोट तेजी से आगे बढ़ता है।"
- यह इसे एक कहानीकार की तरह लिख सकता है: "रोबोट, दृढ़ संकल्प के साथ, आगे कदम बढ़ाता है।"
यह बिना किसी इंसान के टाइप किए यह सब करता है, और यह हर बार बिल्कुल सटीक होता है क्योंकि यह जानता है कि रोबोट वास्तव में क्या कर रहा है।
4. यह क्यों महत्वपूर्ण है (द "इनफिनिट लाइब्रेरी")
इसे एक रोबोट ट्रेनिंग डेटा की अनंत लाइब्रेरी के रूप में सोचें।
- पुराना तरीका: आप इंसानों को डांस करते हुए 100 घंटे फिल्माते हैं। इसमें बहुत पैसा खर्च होता है।
- CLAW का तरीका: आप कंप्यूटर पर बैठते हैं, अपने "लेगो ब्रिक्स" (चलना + दौड़ना + पंच मारना) को मिलाते हैं, और कंप्यूटर एक घंटे में उस मूव के 10,000 बदलाव (variations) तैयार कर देता है। यह "रोबोट कर रहा है X" के साथ "X का वर्णन करने वाला टेक्स्ट" का एक विशाल डेटासेट बनाता है।
निचोड़ (The Bottom Line)
CLAW एक वेब-आधारित प्लेग्राउंड है जहाँ आप रोबोट के मूव्स को मिक्स और मैच कर सकते हैं, उन्हें एक वास्तविक फिजिक्स सिमुलेशन में देख सकते हैं, और जो हुआ उसका एक सटीक, लिखित विवरण प्राप्त कर सकते हैं—वह भी पूरी तरह से ऑटोमैटिक।
यह रोबोट को सिखाने के कठिन काम को स्क्रीन पर ब्लॉक्स को ड्रैग और ड्रॉप करने जितना आसान बना देता है, जबकि कंप्यूटर फिजिक्स और लेबल लिखने का भारी काम संभालता है। यह शोधकर्ताओं को पहले की तुलना में बहुत तेज़ी से स्मार्ट और अधिक अनुकूलन योग्य (adaptable) रोबोट प्रशिक्षित करने में मदद करता है।
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।