💻 computer science

PhyPush: One Push is All You Need for Sensorless Physical Property Estimation with Physics-Guided Transformers

PhyPush एक भौतिकी-निर्देशित (physics-guided) ट्रांसफार्मर फ्रेमवर्क है जो केवल एक एकल धक्के (push) और मानक गतिक डेटा (kinematic data) का उपयोग करके किसी वस्तु के द्रव्यमान और घर्षण गुणांक का सटीक अनुमान लगाता है, जिससे विशेष बल या स्पर्श संबंधी सेंसरों की आवश्यकता समाप्त हो जाती है और यह सिमुलेशन एवं वास्तविक दुनिया दोनों परिदृश्यों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Koyo Fujii, Luis Figueredo, Praminda Caleb-Solly, Ivan Boschi, Edoardo Ida', Marco Carricato, Aly Magassouba

प्रकाशित 2026-05-27

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Koyo Fujii, Luis Figueredo, Praminda Caleb-Solly, Ivan Boschi, Edoardo Ida', Marco Carricato, Aly Magassouba

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक रहस्यमयी डिब्बा कितना भारी है और उसका निचला हिस्सा कितना फिसलन भरा है, लेकिन आपको उसे उठाने, उसे करीब से देखने या विशेष दस्ताने पहनकर छूने की अनुमति नहीं है। आप केवल उसे एक हल्का सा धक्का दे सकते हैं।

यह वह चुनौती है जिसे शोध पत्र "PhyPush: One Push is All You Need" हल करता है। शोधकर्ताओं ने एक स्मार्ट कंप्यूटर सिस्टम बनाया है (जिसे PhyPush कहा जाता है) जो केवल यह देखकर कि एक रोबोटिक हाथ किसी वस्तु को धक्का देते समय कैसे चल रहा है, उस वस्तु का वजन और घर्षण (friction) पता लगा सकता है।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "विशेष सेंसर" का जाल

आमतौर पर, यदि कोई रोबोट जानना चाहता है कि कोई वस्तु कितनी भारी या फिसलन भरी है, तो उसे महंगे, नाजुक और जटिल हार्डवेयर की आवश्यकता होती है। इसे ऐसे समझें जैसे आप एक मछली को तौलने के लिए एक ऐसे तराजू का उपयोग करने की कोशिश कर रहे हैं जिसके लिए आपको उसे एक विशाल, महंगे कंप्यूटर से जोड़ना पड़ता है।

पुराना तरीका: फोर्स सेंसर (जैसे रोबोट के हाथ में बना डिजिटल स्केल) या फैंसी कैमरों का उपयोग करना। यह महंगा है और लैब के बाहर इसे सेटअप करना कठिन है।
नया तरीका (PhyPush): रोबोट को केवल यह जानने की आवश्यकता है कि उसका हाथ कितनी तेजी से चल रहा है। यह बिल्कुल वैसा ही है जैसे बिना तराजू के, केवल यह महसूस करके कि किसी सूटकेस को चलाने के लिए आपको उसे कितनी जोर से धक्का देना पड़ रहा है, उसके वजन का अंदाजा लगाना।

2. समाधान: "एक-धक्का" वाला जासूस

यह सिस्टम वस्तु को एक एकल, सीधा धक्का देकर काम करता है।

उपमा: कल्पना कीजिए कि आप एक शॉपिंग कार्ट को धक्का दे रहे हैं।
- यदि कार्ट भारी है, तो यह शुरू में "कठोर" महसूस होता है। इसे गति पकड़ने में थोड़ा समय लगता है, और आपका हाथ जड़त्व (inertia) से लड़ने के कारण थोड़ा धीमा हो सकता है।
- यदि कार्ट के पहिए चिपचिपे हैं (उच्च घर्षण), तो यह सुचारू रूप से चलने में प्रतिरोध करता है और ऐसा लग सकता है जैसे यह घिसट रहा है।
- यदि कार्ट हल्का और चिकना है, तो यह आसानी से तेजी से निकल जाता है।

PhyPush उस एक धक्के के दौरान रोबोट के हाथ की गति (velocity) को देखता है। यह गति में होने वाले सूक्ष्म परिवर्तनों को देखता है जो बिल्कुल शुरुआत में होते हैं (जब वस्तु गति पकड़ रही होती है) और बाद में (जब वह लगातार फिसल रही होती है)।

3. दिमाग: एक "भौतिकी-जानने वाला" AI

यह शोध पत्र एक प्रकार के AI का उपयोग करता है जिसे ट्रांसफॉर्मर (Transformer) कहा जाता है (वही तकनीक जो कई आधुनिक चैटबॉट्स के पीछे है)। लेकिन यह एक सामान्य AI नहीं है जो केवल पैटर्न को याद रखता है।

"केवल डेटा वाला" छात्र: कल्पना कीजिए कि एक छात्र जो उत्तर कुंजी (answer key) रट लेता है। यदि वह ऐसा प्रश्न देखता है जो उसने पहले कभी नहीं देखा है, तो वह असफल हो सकता है क्योंकि वह "क्यों" को नहीं समझता।
"भौतिकी-निर्देशित" छात्र (PhyPush): इस छात्र को पढ़ाई करते समय ब्रह्मांड के नियमों (न्यूटन के नियम) के साथ सिखाया जाता है।
- नियम 1 (न्यूटन का दूसरा नियम): "बल (Force) बराबर द्रव्यमान (Mass) और त्वरण (Acceleration) के गुणनफल के बराबर होता है।" AI "भारीपन" को समझने के लिए इसका उपयोग करता है।
- नियम 2 (कूलम्ब घर्षण/Coulomb Friction): "घर्षण एक निरंतर खिंचाव है।" AI "फिसलन" को समझने के लिए इसका उपयोग करता है।

AI को इन नियमों का पालन करने के लिए मजबूर करके, यह केवल अनुमान नहीं लगाता; यह गणना करता है कि वास्तविक दुनिया कैसे काम करती है। यह इसे उन वस्तुओं के गुणों का अनुमान लगाने में बहुत बेहतर बनाता है जिन्हें इसने पहले कभी नहीं देखा है।

4. परिणाम: विशेषज्ञों से बेहतर

शोधकर्ताओं ने इसका परीक्षण दो तरीकों से किया:

सिमुलेशन में (वीडियो गेम की दुनिया में): उन्होंने हजारों आभासी धक्के बनाए। भले ही "पुराने तरीके" (फोर्स सेंसर का उपयोग करने वाले) के पास अधिक डेटा उपलब्ध था, फिर भी PhyPush अनदेखी वस्तुओं के वजन और घर्षण का अनुमान लगाने में 10% से अधिक सटीक था।
वास्तविक दुनिया में: उन्होंने वास्तविक रोबोटों पर वास्तविक वस्तुओं (जैसे प्लास्टिक क्यूब्स, टिन के डिब्बे और कंटेनर) को विभिन्न सतहों पर धकेलने का परीक्षण किया।
- "केवल डेटा वाला" AI भ्रमित हो गया और गलत अनुमान लगाया (अक्सर भारी चीजों को हल्का समझ लिया)।
- PhyPush सिस्टम, जो भौतिकी द्वारा निर्देशित था, पूरी तरह से नई वस्तुओं के बावजूद सटीक बना रहा।

निष्कर्ष

शोध पत्र का दावा है कि रोबोट को किसी वस्तु के वजन या फिसलन को "महसूस" करने के लिए महंगे सेंसर की आवश्यकता नहीं है। आपको बस एक रोबोटिक हाथ, एक सिंगल धक्का और एक ऐसा AI चाहिए जो भौतिकी के नियमों को जानता हो।

संक्षेप में: PhyPush एक ऐसे जासूस की तरह है जो एक अकेले कदम को देखकर रहस्य सुलझा सकता है, क्योंकि वह चलने की भौतिकी को समझता है, न कि पैर को मापने के लिए किसी हाई-टेक स्कैनर की आवश्यकता रखता है।

तकनीकी सारांश: PhyPush

समस्या विवरण

वस्तु के भौतिक गुणों, विशेष रूप से द्रव्यमान (mass) और घर्षण गुणांक (friction coefficient) का सटीक अनुमान लगाना, असंरचित वातावरण में विश्वसनीय और अनुकूलन योग्य रोबोटिक हेरफेर (robotic manipulation) के लिए महत्वपूर्ण है। जबकि इंटरैक्टिव परसेप्शन (interactive perception) इन अंतर्निहित गुणों का अनुमान लगाने के लिए एक तंत्र प्रदान करता है, मौजूदा दृष्टिकोणों को स्केलेबिलिटी और तैनाती की बड़ी बाधाओं का सामना करना पड़ता है। अधिकांश अत्याधुनिक विधियाँ विशिष्ट, महंगे हार्डवेयर जैसे कि फोर्स/टॉर्क (F/T) सेंसर, टैक्टाइल एरेज़, या मल्टी-कैमरा मोशन-कैप्चर सिस्टम पर निर्भर करती हैं। इसके अलावा, कई तकनीकों को अनुमान प्राप्त करने के लिए कई, विविध इंटरैक्शन की आवश्यकता होती है, जिससे पहचान का समय बढ़ जाता है और परिचालन दक्षता कम हो जाती है। ये बाधाएं ऐसे सिस्टम की प्रयोज्यता को नियंत्रित प्रयोगशाला सेटिंग्स तक सीमित करती हैं और विशेष संवेदन क्षमताओं के बिना मानक रोबोटिक आर्म्स पर उनकी तैनाती में बाधा डालती हैं।

कार्यप्रणाली (Methodology)

यह शोध पत्र PhyPush प्रस्तुत करता है, जो एक सेंसरलेस फ्रेमवर्क है जिसे केवल एक एकल ट्रांसलेशनल पुश (translational push) के किनेमैटिक डेटा का उपयोग करके किसी वस्तु के द्रव्यमान ( $m$ ) और गतिज घर्षण गुणांक ( $\mu$ ) का अनुमान लगाने के लिए डिज़ाइन किया गया है। यह प्रणाली बाहरी सेंसरों के बिना संचालित होती है, जो केवल मानक रोबोटिक आर्म्स पर उपलब्ध एंड-इफेक्टोर वेलोसिटी प्रोफाइल (end-effector velocity profile) पर निर्भर करती है।

मुख्य आर्किटेक्चर

PhyPush एक ट्रांसफॉर्मर-आधारित एनकोडर-ओनली आर्किटेक्चर का उपयोग करता है जिसमें डुअल-स्ट्रीम डिज़ाइन है:

इनपुट प्रोसेसिंग: सिस्टम एक सिंगल पुश के दौरान 100 Hz पर एंड-इफेक्टोर वेलोसिटी सीक्वेंस ( $v_{ee}$ ) को रिकॉर्ड करता है। इनपुट विंडो ट्रांजिएंट चरण (प्रारंभिक प्रभाव और त्वरण) और स्टेडी-स्टेट चरण (स्थिर वेग स्लाइडिंग) दोनों को कैप्चर करती है।
ट्रांसफॉर्मर एनकोडर: एक मानक ट्रांसफॉर्मर एनकोडर वेलोसिटी सीक्वेंस को प्रोसेस करता है ताकि लॉन्ग-रेंज टेम्पोरल डिपेंडेंसी और ग्लोबल कॉन्टेक्स्टुअल अंडरस्टैंडिंग को कैप्चर किया जा सके।
डुअल-स्ट्रीम एस्टिमेशन: एनकोड किए गए फीचर्स को द्रव्यमान और घर्षण को अलग-अलग अनुमानित करने के लिए दो स्वतंत्र मल्टी-लेयर पर्सेप्ट्रॉन (MLP) स्ट्रीम्स में फीड किया जाता है।
फिजिकल प्रॉपर्टी अटेंशन: साधारण औसत निकालने के बजाय, मॉडल एक डुअल-स्ट्रीम अटेंशन मैकेनिज्म का उपयोग करता है। ट्रेन करने योग्य ग्लोबल क्वेरीज प्रत्येक प्रॉपर्टी के लिए सबसे सूचनात्मक समय अंतराल (time intervals) पर ध्यान केंद्रित करती हैं। यह नेटवर्क को द्रव्यमान अनुमान (जो न्यूटनियन जड़त्व द्वारा संचालित है) के लिए ट्रांजिएंट चरण और घर्षण अनुमान (जो कूलम्ब घर्षण द्वारा संचालित है) के लिए स्टेडी-स्टेट चरण पर ध्यान केंद्रित करने की अनुमति देता है।

फिजिक्स-गाइडेड लॉस फॉर्मुलेशन

कार्यप्रणाली का एक केंद्रीय घटक फिजिक्स-गाइडेड लॉस फंक्शन है, जो केवल डेटा-संचालित सांख्यिकीय सहसंबंधों पर निर्भर रहने के बजाय मौलिक भौतिक नियमों का उपयोग करके लर्निंग प्रक्रिया को नियंत्रित करता है। यह लॉस निम्नलिखित से व्युत्पन्न है:

न्यूटन का दूसरा नियम ( $F_{net} = ma$ ): नेट फोर्स, अनुमानित द्रव्यमान और वस्तु के त्वरण के बीच निरंतरता सुनिश्चित करने के लिए ट्रांजिएंट चरण के दौरान लागू किया जाता है।
कूलम्ब फ्रिक्शन मॉडल ( $F_{fric} = \mu F_{norm}$ ): स्टेडी-स्टेट चरण के दौरान लागू किया जाता है ताकि अनुमानित घर्षण गुणांक देखे गए घर्षण बल के साथ संरेखित हो सके।

लेखक विभिन्न सुपरविजन स्तरों को संबोधित करने के लिए तीन लॉस वेरिएंट प्रस्तावित करते हैं:

सेमी-सुपरवाइज्ड फोर्स-बेस्ड लॉस ( $L_{force}$ ): भौतिक समीकरणों को सीधे लागू करने के लिए ग्राउंड-ट्रुथ फोर्स और एक्सेलरेशन डेटा का उपयोग करता है।
अनसुपरवाइज्ड फोर्स-बेस्ड लॉस ( $L_{force, un}$ ): एक बाधा पेश करता है जो अनुमानित द्रव्यमान और घर्षण ( $\hat{m}$ और $\hat{\mu}$ ) को गणितीय रूप से जोड़ता है, जिससे स्पष्ट फोर्स लेबल के बिना ट्रेनिंग संभव होती है क्योंकि यह दोनों भविष्यवाणियों के बीच निरंतरता को लागू करता है।
अनसुपरवाइज्ड फोर्स/एक्सेलरेशन-बेस्ड लॉस ( $L_{force, acc, un}$ ): एक हाइब्रिड फॉर्मुलेशन जो द्रव्यमान और घर्षण दोनों को एक एकल एक्सेलरेशन कंसिस्टेंसी इक्वेशन में एकीकृत करता है, जिससे दोनों एस्टिमेटर्स के बीच जुड़ाव और गहरा हो जाता है।

इन अनसुपरवाइज्ड टर्म्स को एक करिकुलम-स्टाइल एनीलिंग शेड्यूल के माध्यम से पेश किया जाता है ताकि स्थिर प्रशिक्षण सुनिश्चित किया जा सके।

मुख्य योगदान

सेंसरलेस एस्टिमेशन फ्रेमवर्क: PhyPush का परिचय, जो केवल किनेमैटिक एंड-इफेक्टोर वेलोसिटी का उपयोग करके द्रव्यमान और घर्षण का अनुमान लगाता है, जिससे F/T सेंसर, टैक्टाइल एरेज़, या बाहरी मोशन कैप्चर की आवश्यकता समाप्त हो जाती है।
फिजिक्स-गाइडेड ट्रांसफॉर्मर आर्किटेक्चर: एक अभिनव डुअल-स्ट्रीम ट्रांसफॉर्मर जो न्यूटन के दूसरे नियम और कूलम्ब फ्रिक्शन को सीधे ट्रेनिंग ऑब्जेक्टिव में एम्बेड करता है। यह दृष्टिकोण पारंपरिक डेटा-संचालित लॉस की तुलना में भौतिक निरंतरता और सामान्यीकरण (generalization) में सुधार करता है।
व्यापक मूल्यांकन: सिमुलेशन और वास्तविक दुनिया दोनों सेटिंग्स में व्यापक सत्यापन, जो प्रदर्शित करता है कि फिजिक्स-गाइडेड लर्निंग, डेटा-संचालित बेसलाइन्स की तुलना में बेहतर प्रदर्शन करती है, विशेष रूप से आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) परिदृश्यों में।

प्रयोगात्मक परिणाम

सिमुलेशन प्रदर्शन

फ्रैंका एमिका (Franka Emika) रोबोट पर 31,759 पुशिंग सैंपल्स के साथ एक सिम्युलेटेड वातावरण में मूल्यांकन करते हुए, PhyPush का परीक्षण एक बेसलाइन विधि (जो पिछले कार्य से पुन: कार्यान्वित है) के विरुद्ध किया गया जो विशेषाधिकार प्राप्त (privileged) F/T सेंसर डेटा पर निर्भर करती है।

सामान्यीकरण (Generalization): जबकि F/T सेंसर बेसलाइन ने इन-डोमेन डेटा पर अच्छा प्रदर्शन किया, PhyPush वेरिएंट्स ने अनदेखे द्रव्यमान, घर्षण गुणांक, या दोनों वाले आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) टेस्ट सेट्स पर लगातार बेहतर प्रदर्शन किया।
त्रुटि में कमी: सबसे चुनौतीपूर्ण OOD सेटिंग ( $D_{m,\mu}^{OOD}$ ) में, PhyPush ने बेसलाइन की तुलना में द्रव्यमान और घर्षण दोनों के लिए कम अनुमान त्रुटि हासिल की, जबकि बेसलाइन के पास पूर्ण फोर्स जानकारी तक पहुंच थी।
लॉस तुलना: फिजिक्स-गाइडेड लॉस ( $L_{force}$ , $L_{force, un}$ , $L_{force, acc, un}$ ) के साथ प्रशिक्षित मॉडल ने शुद्ध डेटा-संचालित लॉस ( $L_{data}$ ) की तुलना में काफी बेहतर प्रदर्शन किया। विशेष रूप से, $L_{force, un}$ वेरिएंट ने OOD स्थितियों में घर्षण अनुमान त्रुटि को डेटा-ओनली लॉस की तुलना में 28% से अधिक कम कर दिया।
भौतिक निरंतरता: फिजिक्स-गाइडेड लॉस के साथ प्रशिक्षित मॉडल ने न्यूटन के दूसरे नियम और कूलम्ब के नियम के विरुद्ध भविष्यवाणियों को मान्य करते समय उच्च $R^2$ स्कोर प्रदर्शित किया, जो यह दर्शाता है कि मॉडल केवल सांख्यिकीय सहसंबंधों के बजाय अंतर्निहित भौतिक सिद्धांतों को सीखता है।

वास्तविक दुनिया का प्रदर्शन

47 अलग-अलग ऑब्जेक्ट-सरफेस कॉन्फ़िगरेशन पर प्रयोग किए गए, जिसमें नवीन वस्तुएं (जैसे टिन के डिब्बे, प्लास्टिक कंटेनर) शामिल थीं जो ट्रेनिंग के दौरान नहीं देखी गई थीं।

मजबूती (Robustness): फिजिक्स-गाइडेड वेरिएंट्स ने डेटा-संचित बेसलाइन की तुलना में ग्राउंड-ट्रुथ ट्रेंड्स को अधिक करीब से ट्रैक किया।
बायस सुधार (Bias Correction): डेटा-संचित बेसलाइन ने व्यवस्थित पूर्वाग्रह (bias) दिखाया (द्रव्यमान को कम आंकना और घर्षण को अधिक आंकना), जबकि फिजिक्स-गाइडेड मॉडल सटीक और भौतिक रूप से सुसंगत रहे।
हार्डवेयर स्वतंत्रता: सिस्टम ने विशेष संपर्क सेंसरों के बिना, केवल रोबोट के आंतरिक वेलोसिटी डेटा पर भरोसा करते हुए, अनदेखी वस्तुओं और सतहों के लिए सफलतापूर्वक सामान्यीकरण किया।

महत्व और दावे

यह शोध पत्र दावा करता है कि PhyPush कम लागत वाले, सेंसर-कुशल भौतिक गुण अनुमान की व्यवहार्यता को प्रदर्शित करता है। एक रोबोट की किनेमैटिक प्रतिक्रिया और किसी वस्तु की डायनेमिक्स के बीच के प्रत्यक्ष जुड़ाव का लाभ उठाकर, यह फ्रेमवर्क विशेष हार्डवेयर के बिना उच्च सटीकता प्राप्त करता है।

लेखक इस बात पर जोर देते हैं कि फिजिक्स-गाइडेड लर्निंग मजबूती के लिए प्रमुख सक्षमकर्ता (enabler) है। मौलिक नियमों में अपनी लर्निंग प्रक्रिया को स्थापित करके, मॉडल विशिष्ट ट्रेनिंग डिस्ट्रीब्यूशन के ओवरफिटिंग से बचता है और चुनौतीपूर्ण, अनदेखी वास्तविक दुनिया की स्थितियों में प्रदर्शन बनाए रखता है। यह कार्य सुझाव देता है कि एक सिंगल पुश, एक फिजिक्स-इन्फॉर्म्ड ट्रांसफॉर्मर के साथ मिलकर, विश्वसनीय अनुमान के लिए पर्याप्त है, जो असंरचित वातावरण में काम करने वाले एम्बॉडीड AI (embodied AI) सिस्टम के लिए एक स्केलेबल समाधान प्रदान करता है।

पेपर विनम्रता से समाप्त होता है, जिसमें वर्तमान सीमाओं का उल्लेख किया गया है जैसे कि मुख्य रूप से ट्रांसलेशनल पुशेस का अनुमान और वेलोसिटी मेजरमेंट्स पर निर्भरता। यह भविष्य की दिशाओं की पहचान करता है जिसमें रोटेशनल डायनेमिक्स का समावेश और अनुमान योग्य भौतिक प्रतिक्रियाओं की सीमा को और विस्तार देने के लिए सुदृढीकरण लर्निंग (reinforcement learning) के माध्यम से एडेप्टिव पुशिंग पॉलिसी का विकास शामिल है।